[发明专利]基于机器学习和动力学计算融合的地震定位方法与设备

说明书

本申请涉及地震定位技术领域，更为具体来说，本申请涉及基于机器学习和动力学计算融合的地震定位方法与设备。所述方法包括：获取多源数据，并对所述多源数据进行正则化处理；对正则化处理后的数据进行短时傅里叶变换得到时频图像作为样本，对每个样本依据震源位置按照三维高斯分布生成标签数据，采用交叉验证法生成训练集与测试集；基于训练集进行全卷积神经网络模型训练，基于测试集对训练的模型进行精度评价，得到训练好的模型；将实时监测数据输入到训练好的模型中初步估算震源位置；对初步估算的震源位置，采用动力学计算模型予以修正。所述方法与设备能够快速实现震源的初步定位，然后使用动力学计算模型能够进一步确定精确的震源位置。

技术领域

本申请涉及地震定位技术领域，更为具体来说，本申请涉及基于机器学习和动力学计算融合的地震定位方法与设备。

背景技术

我国是地震多发的国家，地震是破坏力极强的自然灾害，对人民生命和财产安全造成极大的威胁。地质构造导致的地震，通过地震波向外传递能量，使地表产生变形与地标建筑结构破坏，并引起一系列次生灾害。地震发生时，快速准确地确定地震震源位置，有助于提高地震预警的时效性和可靠性。

由于地震场景比较复杂，地震定位技术虽已有很大成果，但仍存在瓶颈。目前常用的地震定位方法有双差定位法、网格搜索法、双曲线法等，这些方法的原理大都是基于不同台站的到时信息，其不足在于需要各台站的精确到时信息，且容易受台站到时延迟和钟差等因素的影响。究其本质，是难以得到准确描述场地土层速度的变化情况的速度模型、噪声及到时判断方法等影响了震相的到时拾取。

随着我国地震监测台站的建设和地震记录数据的越来越完备，以及大数据和人工智能技术的发展，为解决上述问题提供了新的契机。人工神经网络(Artificial NeuralNetwork)是基于对人脑活动机理的相关研究提出的一种数学统计学习模型。人工神经网络具有自学习、自组织和自适应的能力，具有高度的非线性、良好的容错性、计算的非精确性等特点。人工神经网络目前广泛应用于机器视觉和语音识别等传统方法较难解决的领域。目前，有相关研究将人工神经网络应用于地震定位中，如PreSEIS神经网络法、卷积神经网络法、全卷积神经网络法等。但由于历史数据中的震源位置也并不准确，历史数据量也有限，训练的定位模型获得的定位结果也存在局限性。

因此，本申请提出一种改进的方法与设备，以至少部分地解决上述技术问题。

发明内容

本发明的核心是将机器学习和基于地震波传播原理的动力学计算相结合用于地震震源高精度定位。

为实现上述技术目的，本申请提供了一种基于机器学习和动力学计算融合的地震定位方法，包括以下步骤：

获取多源数据，并对所述多源数据进行正则化处理；

对正则化处理后的数据进行短时傅里叶变换得到时频图像作为样本，对每个样本依据震源位置按照三维高斯分布生成标签数据，采用交叉验证法生成训练集与测试集；

基于训练集进行全卷积神经网络模型训练，基于测试集对训练的模型进行精度评价，得到训练好的模型；

将实时监测数据输入到训练好的模型中初步估算震源位置；

对初步估算的震源位置，采用动力学计算模型予以修正。

具体地，所述正则化处理后的数据为经度、纬度和深度三分方向数据。

优选地，所述进行短时傅里叶变换包括：使用步长为3s的滑动时窗自首台P波到时前12s至首台P波到时后12s截取波形，截取40.96s共4096个采样点，对生成的每个台站的三分向记录分别进行短时傅里叶变换，其中窗函数γ(t)采用汉宁窗，窗宽取为1.28s共128个采样点，窗之间重叠的点数取为窗宽的一半。

进一步地，所述三维高斯分布生成标签数据的方法为：