周少輝 蔣海昆 李 健 曲均浩

鄭晨晨1) 李亞軍1) 張志慧1) 郭宗斌1)

0 引言

隨著社會經(jīng)濟的快速發(fā)展，近年來各種組合爆破、礦區(qū)塌陷以及地質(zhì)災(zāi)害等非天然地震事件的記錄逐漸增多，僅2018年就發(fā)生多次造成重大人員傷亡和財產(chǎn)損失的非天然地震事件，如山東鄆城龍鄆煤礦 “10·20”沖擊地壓事件、金沙江兩岸滑坡致堰塞湖事件等。與此同時，隨著中國數(shù)字地震觀測系統(tǒng)技術(shù)的高速發(fā)展，臺站密度逐漸增大，地震監(jiān)測能力明顯提高，除能夠監(jiān)測各類天然地震事件外，也能夠有效捕獲到更多各類震動事件的信號。然而一直以來，各類事件發(fā)生后的快速識別主要是靠監(jiān)測速報人員根據(jù)自身經(jīng)驗判定，并沒有普適的事件類型判據(jù)，故曾多次出現(xiàn)天然地震與非天然地震識別困難的情況，如2015年山東平邑ML3.9石膏礦塌陷事件等。為了在震后第一時間向政府和社會提供準確的信息并平息不必要的社會恐慌，有必要探尋震后快速識別各類事件的方法。

近年來，許多學(xué)者對天然與非天然地震的識別分類方法開展了相關(guān)研究，例如運用多變量統(tǒng)計分析、BP神經(jīng)網(wǎng)絡(luò)、v-SVC算法、逐步代價最小決策法等識別地震和工業(yè)爆破(邊銀菊等，2002； Fahetal.，2002； 黃漢明等，2010； 張博，2013； 王軍，2018)，采用可視化方法來識別地震與人工爆破(田野，2015)，利用卷積神經(jīng)網(wǎng)絡(luò)通過對梅爾頻率倒譜圖的學(xué)習(xí)識別地震與爆破(陳潤航等，2019)等。

以上研究各有特色，均取得了良好效果。但由于問題本身的復(fù)雜性，以上研究并未將事件記錄的全部信息直接用于事件判定，而是首先從事件記錄中提取某些特征，即對數(shù)據(jù)進行了降維處理，這不但增加了處理過程的復(fù)雜性，且損失了大量的原始信息，易陷入局部最優(yōu)的情形。同時，以上研究找尋出的識別判據(jù)往往需要確定事件的時空等基本參數(shù)后才能進一步通過計算求得，響應(yīng)及時性不高。因此，為盡可能縮短事件發(fā)生到確認事件類型所需的時間，有必要從事件記錄的全部信息中直接提取可識別天然地震與非天然地震事件的特征，系統(tǒng)研究天然地震與非天然地震之間具有普適特點的識別標準，并將其實用化，為實際地震速報工作提供技術(shù)支撐。

目前，深度學(xué)習(xí)在圖像識別、語音檢測、機器翻譯、自動駕駛等領(lǐng)域均取得了較好的應(yīng)用效果。對于圖像信號分類判定，深度學(xué)習(xí)可直接對圖像記錄所包含的全部組合信息進行學(xué)習(xí)，信息量更足，且比人工提取的單一特征更接近實際(孫志軍等，2012； Moyano，2017； 孫瑜陽，2018)。三通道的測震連續(xù)波形數(shù)據(jù)在數(shù)據(jù)量和數(shù)據(jù)特征上與圖像數(shù)據(jù)有一定的相似性； 同時，國內(nèi)外已有部分學(xué)者率先將深度學(xué)習(xí)方法應(yīng)用于直接從原始地震波形中提取震相特征以識別地震信號(Peroletal.，2018； Rossetal.，2018； 賈佳等，2019； 趙明等，2019)。蔣一然等(2019)利用深度學(xué)習(xí)技術(shù)設(shè)計出2種分類器，并實現(xiàn)了地震P波、S波震相與到時的精確識別拾取。以上研究表明，利用深度學(xué)習(xí)識別非天然事件具有可行性。

為快速高效識別天然與非天然地震事件，本文在前人研究的基礎(chǔ)上應(yīng)用深度學(xué)習(xí)技術(shù)，嘗試使用可自動提取并可組合底層特征的卷積神經(jīng)網(wǎng)絡(luò)模型(付超等，2018)實現(xiàn)對事件原始波形記錄的學(xué)習(xí)。研究中，選取記錄質(zhì)量較高、未被噪聲淹沒的包含事件記錄全部信息的地震波形作為模型訓(xùn)練與測試的輸入數(shù)據(jù)進行深度學(xué)習(xí)訓(xùn)練，而非預(yù)先提取若干判據(jù)或部分數(shù)據(jù)進行降維使用。之后，使用訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)建立識別天然地震與爆破、塌陷事件類型的分類器，并對其進行以單個事件為單元的事件類型判定測試，全面評估卷積神經(jīng)網(wǎng)絡(luò)在事件類型判定識別中的實際效果，為事件類型的自動識別提供相關(guān)參考。

1 方法原理

1.1 卷積網(wǎng)絡(luò)模型的基本原理

卷積神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)的延伸與發(fā)展，其通過反向傳播算法訓(xùn)練網(wǎng)絡(luò)中各個參數(shù)的權(quán)重，進而實現(xiàn)對原始數(shù)據(jù)的深度學(xué)習(xí)并獲取其普適特征(陳超等，2019)。卷積神經(jīng)網(wǎng)絡(luò)除具有容錯性較好、自適應(yīng)性與自學(xué)能力較強等傳統(tǒng)神經(jīng)網(wǎng)絡(luò)所具備的優(yōu)點外，其自身具有可將圖像直接作為網(wǎng)絡(luò)輸入、可自動識別圖像特征、參數(shù)估計數(shù)量較少、采用權(quán)值共享網(wǎng)絡(luò)結(jié)構(gòu)以降低模型復(fù)雜度等優(yōu)勢，使得其識別圖像的效率和準確度均非常高。

卷積神經(jīng)網(wǎng)絡(luò)的主要模型結(jié)構(gòu)由卷積層、降采樣層(也稱池化層、下采樣層)與全連接層構(gòu)成。在卷積層中，主要使用可學(xué)習(xí)的卷積核與上一層輸出的特征圖進行卷積運算，然后通過激活函數(shù)傳遞給下一層。卷積層中各輸出特征圖可通過式(1)計算：

(1)

在降采樣層中實現(xiàn)對輸入特征圖的降采樣操作，以減少網(wǎng)絡(luò)需要學(xué)習(xí)的參數(shù)量且需同時保證保留有用的圖片特征信息。一般而言，常用的降采樣方法主要有最大池化法(取局部接受域中值最大的點)、均值池化法(取局部接受域中的所有值的均值)和隨機池化法(隨機選取局部接受域中的某一值)等。降采樣層中各輸出特征圖可通過式(2)計算：

(2)

其中，down為降采樣函數(shù)，每一輸出特征圖均對應(yīng)一個b與權(quán)重系數(shù)β。

全連接層位于網(wǎng)絡(luò)結(jié)構(gòu)的尾端，實現(xiàn)對前面逐層變換與映射提取特征的回歸分類處理； 每個神經(jīng)元通過一組權(quán)值被連接到上一層特征面的局部區(qū)域，隨后對該局部區(qū)域進行加權(quán)并傳遞給激活函數(shù)即可獲得相應(yīng)輸出，現(xiàn)有研究往往采用softmax函數(shù)提供分類輸出功能。

目前性能較好的主流卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)主要有LeNet-5(LeCunetal.，1998，2014)、AlexNet(Krizhevskyetal.，2012)、VGG(Simonyanetal.，2014)和GoogLeNet(Szegedyetal.，2015)等。其中，早期研發(fā)的LeNet-5結(jié)構(gòu)雖然在手寫字符識別領(lǐng)域取得了巨大成功，但其所需訓(xùn)練集規(guī)模較大，且存在過擬合以及對計算機硬件要求高等問題，并不適用于理論研究過程中的圖片識別。因此，本文采用AlexNet、VGG和GoogLeNet 3種結(jié)構(gòu)進行訓(xùn)練測試對比。

1.1.1 AlexNet卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型

Krizhevsky等(2012)提出的AlexNet卷積網(wǎng)絡(luò)結(jié)構(gòu)主體包含8個學(xué)習(xí)層、5個卷積層和3個全連接層，共包含約65萬個神經(jīng)元以及6i000萬個可訓(xùn)練參數(shù)。同時，為實現(xiàn)訓(xùn)練更深的網(wǎng)絡(luò)，其采用RELU函數(shù)作為激活函數(shù)，以此避免在訓(xùn)練過程中當(dāng)輸入的x過大或過小時函數(shù)輸出趨于飽和(即非常接近1或-1)的問題； 同時，由于RELU函數(shù)屬于非線性的非飽和函數(shù)，這種扭曲線性函數(shù)不但保留了非線性的表達能力，而且由于其具有線性性質(zhì)，能夠有效避免斜率過小導(dǎo)致的收斂速度慢等問題，提高了訓(xùn)練速度。此外，為防止加深網(wǎng)絡(luò)時引起過擬合現(xiàn)象，在訓(xùn)練過程中采用Dropout技術(shù)將中間層的某些神經(jīng)元隨機置為0(即刪除某些神經(jīng)元)，使模型更具有穩(wěn)健性，進而減少過擬合及陷入局部最優(yōu)的問題，保證卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力和泛化性能。

在該方法中，圖像特征的提取與分類通過訓(xùn)練一個端對端的卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)，且采用Dropout技術(shù)解決網(wǎng)絡(luò)在訓(xùn)練過程中的過擬合以及陷入局部最優(yōu)的問題。值得注意的是，Dropout技術(shù)需在圖像處理過程中不斷增加訓(xùn)練集樣本，大量實驗證明，l20萬個訓(xùn)練樣本才足以成功訓(xùn)練一個網(wǎng)絡(luò)，這顯然對計算機硬件要求很高，故AlexNet卷積網(wǎng)絡(luò)結(jié)構(gòu)采用多GPU并行訓(xùn)練的方法將網(wǎng)絡(luò)分布在2個GPU上，即每個GPU中放置一半核(或神經(jīng)元)。這種結(jié)構(gòu)使模型的訓(xùn)練速度提升了幾倍，大大減少了訓(xùn)練時間，提高了圖像識別的效率。

1.1.2 VGG卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型

增加網(wǎng)絡(luò)結(jié)構(gòu)的深度能夠有效提升圖像分類的準確率(Bengioetal.，2013)，理論上深度網(wǎng)絡(luò)結(jié)構(gòu)不僅可以促進特征的重復(fù)利用，同時也能夠獲取高層表達中更抽象的特征。Simonyan等(2014)在AlexNet的基礎(chǔ)上進一步開發(fā)出一種全新的網(wǎng)絡(luò)結(jié)構(gòu)模型——VGG，該模型主要通過在現(xiàn)有的網(wǎng)絡(luò)結(jié)構(gòu)中不斷增加具有3×3卷積核的卷積層以增加網(wǎng)絡(luò)的深度。大量實驗表明，VGG模型的網(wǎng)絡(luò)層數(shù)為16～19層時(即VGG16～VGG19網(wǎng)絡(luò)結(jié)構(gòu)模型)模型的性能最優(yōu)。

VGG模型的結(jié)構(gòu)非常簡潔，其使用連續(xù)的幾個3×3卷積核代替AlexNet中一個具有較大卷積核的卷積層。顯然，對于給定的輸入圖片，使用更小的卷積核多次掃描圖片以組合特征的性能遠遠優(yōu)于單純使用一個大卷積核。因此，VGG模型不僅可減少參數(shù)的數(shù)量，且能夠使決策函數(shù)更具判別性，在一定程度上提升了神經(jīng)網(wǎng)絡(luò)的效果。但由于VGG模型的深度較深，網(wǎng)絡(luò)結(jié)構(gòu)也較為復(fù)雜，因此，在訓(xùn)練過程中需耗費更多的計算資源，訓(xùn)練時間長，并且不能無限制地加深網(wǎng)絡(luò)，因為在網(wǎng)絡(luò)加深到一定層數(shù)之后就會出現(xiàn)訓(xùn)練效果退化、梯度消逝或梯度爆炸等問題。

1.1.3 GoogLeNet卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型

AlexNet、VGG等結(jié)構(gòu)往往通過增大網(wǎng)絡(luò)結(jié)構(gòu)的深度以獲取最佳訓(xùn)練效果，但一味地增加深度也會帶來很多負面作用。因此，Szegedy等(2015)提出從其他角度來提升訓(xùn)練效果，即高效利用計算資源，基于相同的計算量提取出更多特征，進而提升訓(xùn)練效果。

為提取更多的圖片特征，GoogLeNet卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)分別采用1×1、3×3、5×5i3種不同類型的卷積核，首先找尋圖像的最優(yōu)局部稀疏結(jié)構(gòu)，隨后通過增加網(wǎng)絡(luò)的寬度和深度，最終實現(xiàn)在保持計算量基本不變的前提下提取更多特性，進而提升訓(xùn)練效果。同時，為了優(yōu)化網(wǎng)絡(luò)質(zhì)量，采用Hebbian原理和多尺度處理，該結(jié)構(gòu)大大提升了計算資源的利用率。但該結(jié)構(gòu)的網(wǎng)絡(luò)結(jié)構(gòu)比較復(fù)雜，對硬件要求較高，訓(xùn)練時間長。

1.2 構(gòu)建分類器及訓(xùn)練測試

快速高效識別天然地震和爆破、塌陷事件的分類器主要由2個模塊組成： 基于單個事件的單個臺站波形記錄的訓(xùn)練模塊和基于單個事件的多個臺站波形記錄的測試模塊。

圖1 基于單個事件的單個臺站波形記錄的訓(xùn)練模塊圖Fig. 1 Training block of a single station waveform record based on a single event.

圖1 為基于單個事件的單個臺站波形記錄的訓(xùn)練模塊圖，訓(xùn)練模塊的核心步驟主要包括：

(1)從研究數(shù)據(jù)中以單個事件的單個臺站記錄波形為基本單位截取波形，且提取其中記錄較好、特征明顯的有效波形，進而形成訓(xùn)練波形。

(2)對訓(xùn)練波形添加相應(yīng)的事件類型標簽。

(3)對各類型事件波形按8︰2的比例隨機分為訓(xùn)練集與測試集。

(4)分別使用不同結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練與測試。在單次識別訓(xùn)練過程中，根據(jù)迭代次數(shù)隨機選擇計算測試集代價函數(shù)Loss(所有樣本點預(yù)測值與真實值之差的和，也稱測試集Loss)和準確率的次數(shù)。當(dāng)測試集代價函數(shù)曲線不再下降且其識別準確率幾乎不變時停止訓(xùn)練。隨后根據(jù)訓(xùn)練結(jié)果，通過改進迭代次數(shù)、梯度下降速度等參數(shù)反復(fù)訓(xùn)練，直至每一類網(wǎng)絡(luò)取得最優(yōu)識別結(jié)果為止。

(5)評估各類卷積網(wǎng)絡(luò)結(jié)構(gòu)的效能。

根據(jù)上述訓(xùn)練結(jié)果，即可初步獲得各類卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對各類事件自動識別的效果，進而選擇最優(yōu)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的訓(xùn)練結(jié)果建立天然地震事件與爆破、塌陷事件的波形識別分類器，對各類事件進行識別判定。

圖2 為基于單個事件的多個臺站波形記錄的測試模塊圖，測試模塊的核心步驟主要包括：

(1)以單個事件為基本單元，通過預(yù)處理獲取震中距最小的5個臺站的波形記錄，組成測試波形部分。

(2)使用訓(xùn)練模塊得到的分類器，以事件為識別單元對測試波形進行分類識別。對每個事件均采用綜合判定方法進行識別，5個臺站中有3個以上臺站的波形被識別出的事件類型即為本事件的判定類型。

(3)分析一系列事件的最終判定結(jié)果并計算出該卷積神經(jīng)網(wǎng)絡(luò)分類器識別事件類型的準確率，評估該方法的實際效果。

圖2 基于單個事件多個臺站波形記錄的測試模塊圖Fig. 2 Test block of multiple station waveform records based on a single event.

2 數(shù)據(jù)資料

本文利用山東地震臺網(wǎng)中心2015年1月—2018年12月記錄的M>0.7事件的波形記錄進行訓(xùn)練，觀測臺站為128個，各臺站記錄的波形均包括垂直、EW、SN 三分向。2015年1月—2018年12月山東地震臺網(wǎng)記錄的M>0.7事件共1i653個(圖3)，其中包括天然地震1i384個、爆破132個、塌陷137個。近年來，山東地區(qū)存在長島震群、乳山震群及鄒城塌陷等短時間內(nèi)集中發(fā)生的事件。2015年1月—2018年12月，長島震群共包括798個M>0.7地震，乳山震群共包括257個M>0.7地震，鄒城塌陷共包括100個M>0.7塌陷事件。為避免由于某一區(qū)域的事件過多而淹沒其他區(qū)域事件的識別特征并保證訓(xùn)練過程中樣本的普適性，在長島震群、乳山震群、鄒城塌陷事件中分別隨機選取20個事件的記錄波形進行訓(xùn)練，最終共選取558個事件記錄進行訓(xùn)練。

圖3 2015年1月—2018年12月山東臺網(wǎng)記錄的M≥0.7各類事件的空間分布圖Fig. 3 Spatial distribution of M ≥0.7 events recorded by Shandong seismic network from Jan. 2015 to Dec. 2018.

為滿足快速識別的要求、盡可能縮短事件判定所需時間，本文只選取每個事件P波到時最早的5個臺站的波形記錄為訓(xùn)練數(shù)據(jù)，波形時間窗為30s，基本能包含全部P、S波，以其三分量波形組成一組訓(xùn)練數(shù)據(jù)同時進行訓(xùn)練，以保證數(shù)據(jù)的客觀性。在預(yù)處理階段去除由于噪聲干擾等明顯為無效信號的單臺記錄后，共得到1i446份有效波形記錄，其中屬于天然地震事件的有848份、人工爆破事件386份、塌陷事件212份。

3 訓(xùn)練結(jié)果及測試分析

3.1 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果

表1 各類卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的訓(xùn)練結(jié)果統(tǒng)計表Table1 Statistical table of training results of various CNN structures

圖4 AlexNet卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的訓(xùn)練結(jié)果Fig. 4 Training result of the AlexNet.

表1 為AlexNet、VGG16、VGG19、GoogLeNet 4種結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)的最終訓(xùn)練結(jié)果統(tǒng)計?？梢姡罱K各類結(jié)構(gòu)對訓(xùn)練集與測試集的識別準確率均達到93%以上。其中，AlexNet網(wǎng)絡(luò)結(jié)構(gòu)的識別準確率最高，其訓(xùn)練集準確率高達100%，測試集為98.51%，且未發(fā)生過擬合(圖4)； VGG16、VGG19網(wǎng)絡(luò)結(jié)構(gòu)的準確率次之，而GoogLeNet網(wǎng)絡(luò)結(jié)構(gòu)的識別準確率相對較低。對于各類結(jié)構(gòu)的訓(xùn)練集與測試集的代價函數(shù)而言，其最終均低于0.194。因此，利用人工智能深度學(xué)習(xí)可以很好地實現(xiàn)天然地震與爆破、塌陷等事件類型的自動識別，且AlexNet結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練效果最佳。

圖4—7分別為AlexNet、VGG16、VGG19、GoogLeNet 4種結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)的詳細訓(xùn)練過程圖(訓(xùn)練集和測試集的準確率及代價函數(shù)隨訓(xùn)練次數(shù)的變化曲線)。由圖可知，隨著訓(xùn)練次數(shù)的增加，各個網(wǎng)絡(luò)的訓(xùn)練集與測試集的準確率及代價函數(shù)的走勢曲線基本一致； 所有網(wǎng)絡(luò)的訓(xùn)練集和驗證集的準確率均隨著訓(xùn)練次數(shù)的增加逐漸上升并超越90%，最終穩(wěn)定在某一數(shù)值附近； 與此同時，代價函數(shù)曲線快速下降并最終穩(wěn)定在相對較小的數(shù)值附近不再變化； 值得注意的是，從訓(xùn)練集和測試集的代價函數(shù)曲線也可明顯看出，VGG16、VGG19、GoogLeNet分別在300、450、300次迭代訓(xùn)練后出現(xiàn)過擬合現(xiàn)象，且在這此后測試集的準確率和代價函數(shù)趨于穩(wěn)定，幾乎未發(fā)生明顯變化； 而AlexNet未出現(xiàn)明顯過擬合現(xiàn)象。

圖5 VGG16卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的訓(xùn)練結(jié)果Fig. 5 Training result of the VGG16.

圖6 VGG19卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的訓(xùn)練結(jié)果Fig. 6 Training result of the VGG19.

圖7 GoogLeNet卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的訓(xùn)練結(jié)果Fig. 7 Training result of the GoogLeNet.

3.2 實時測試結(jié)果

上述訓(xùn)練結(jié)果的準確率只是各個網(wǎng)絡(luò)結(jié)構(gòu)在刪除質(zhì)量較差的波形記錄后，以單個臺站的單個波形記錄為基本單元進行訓(xùn)練識別的結(jié)果。其識別準確率是理想化條件下的結(jié)果，并不完全貼近地震臺網(wǎng)實際運行中事件類型實時判定的情形，因而有必要開展以單個事件為單元、基于多個臺站波形記錄綜合判定事件類型的測試，以更全面地評估卷積神經(jīng)網(wǎng)絡(luò)在事件類型識別中的實際效果。

為檢驗深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)在數(shù)字地震臺網(wǎng)實時運行過程中的事件判別效能，選取2019年4月1日—7月31日期間山東臺網(wǎng)實時觸發(fā)的所有M≥0.7事件(海域事件只選取距離陸地線50km范圍內(nèi)的事件)進行以事件為單元的類型判定測試。為盡可能接近實時判別模式，保證判定過程的時間效率，針對每個事件只選擇震中距最小的5個臺站(不考慮臺站波形記錄的質(zhì)量)進行判斷，如果有3個以上臺站的波形被判定為某類事件則認定其為該類事件； 反之，如果出現(xiàn)分別有2個臺站波形被判定為某類事件，而最后1個臺站認為其屬于另一類型，則認定該事件的類型難以判定。

2019年4月1日—7月31日期間，山東臺網(wǎng)共實時觸發(fā)并記錄110個M≥0.7事件，其中天然地震事件71個、爆破事件33個、塌陷事件6個。表2 為山東臺網(wǎng)2019年4—7月實時觸發(fā)M≥0.7事件的識別情況統(tǒng)計。整體而言，共有89個事件的類型識別準確，準確率約為80.9%； 16個事件識別錯誤，5個事件類型難以識別。具體到各個類型事件中，天然地震共有53個事件識別準確，準確率約為74.6%； 14個事件識別錯誤，4個類型難以識別； 爆破事件共有30個事件識別準確，準確率約為90.9%； 2個事件識別錯誤，1個事件類型難以識別； 6個塌陷事件均準確識別，準確率為100%。

表2 2019年4月1日—7月31日山東臺網(wǎng)實時觸發(fā)M≥0.7事件識別情況統(tǒng)計表Table2 Statistical table of identification of real-time triggering of M≥0.7 events of the Shandong seismic network in the period from Apr.1 to Jul.31，2019

4 討論和結(jié)論

(1)為快速高效地識別天然地震與爆破、塌陷事件的類型，本文應(yīng)用深度學(xué)習(xí)技術(shù)中的卷積神經(jīng)網(wǎng)絡(luò)模型，設(shè)計了基于單個事件單個臺站波形記錄的深度學(xué)習(xí)訓(xùn)練模塊和基于單個事件多個臺站波形記錄的實時測試模塊； 在保證數(shù)據(jù)全面客觀原始的基礎(chǔ)上，以每個事件P波到時最早的5個臺站記錄到的三分量波形為輸入，采用目前主流的幾類卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進行學(xué)習(xí)測試，并對比分析不同網(wǎng)絡(luò)結(jié)構(gòu)的學(xué)習(xí)效果，進而選取其中訓(xùn)練識別效果較好的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對其進行以單個事件為單元、基于多個臺站波形記錄綜合判定事件類型的測試，以期更全面地評估卷積神經(jīng)網(wǎng)絡(luò)在事件類型識別中的實際效果。

(2)雖然本研究的樣本數(shù)據(jù)量較少，但為保證3類事件訓(xùn)練樣本選取的科學(xué)性，并未盲目地對所有記錄進行學(xué)習(xí)，而是選取其中記錄較好且能明顯反映出所屬事件波形特征的記錄進行樣本訓(xùn)練。因此，能夠在較小的樣本量下獲得很高的準確率和較強的泛化能力，并降低人工標注的成本，在數(shù)據(jù)量不是絕對大的情況下可體現(xiàn)出明顯的優(yōu)勢。在各類卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的訓(xùn)練過程中，各個網(wǎng)絡(luò)的訓(xùn)練集與測試集的準確率及代價函數(shù)走勢曲線基本一致，準確率隨訓(xùn)練次數(shù)的增加逐漸上升并超越90%，最終穩(wěn)定在某一數(shù)值附近； 而代價函數(shù)曲線隨著訓(xùn)練次數(shù)的增加快速下降并最終穩(wěn)定在相對較小的數(shù)值附近不再變化。同時，除AlexNet之外的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)均在訓(xùn)練過程中出現(xiàn)過擬合現(xiàn)象。最終各類結(jié)構(gòu)對訓(xùn)練集與測試集的識別準確率均達到93%以上，其中AlexNet網(wǎng)絡(luò)結(jié)構(gòu)的識別準確率最高，VGG16、VGG19網(wǎng)絡(luò)結(jié)構(gòu)的準確率次之，而GoogLeNet網(wǎng)絡(luò)結(jié)構(gòu)的識別準確率相對較低； 各類結(jié)構(gòu)訓(xùn)練集與測試集的代價函數(shù)最終均低于0.194。由此可知，理論上利用人工智能深度學(xué)習(xí)可以很好地實現(xiàn)天然地震與爆破、塌陷等事件類型的自動識別。

(3)為檢驗深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)在數(shù)字地震臺網(wǎng)實時運行過程中的事件判別效能，開展了以單個事件為單元的基于多個臺站波形記錄綜合判定事件類型的測試，以此更全面地評估卷積神經(jīng)網(wǎng)絡(luò)在事件類型識別中的實際效果。最終測試結(jié)果顯示，在山東臺網(wǎng)實時觸發(fā)并記錄的110個M≥0.7事件中，最終共有89個事件的類型被準確識別，準確率約為80.9%； 16個事件識別錯誤，5個事件類型難以識別。具體到各個類型事件中，天然地震共有53個事件被準確識別，準確率約為74.6%； 爆破事件共有30個事件被準確識別，準確率約為90.9%； 6個塌陷事件均被識別準確，準確率為100%。

可以明顯看出，塌陷與爆破事件的識別準確率較高，基本已達到或超過目前地震臺網(wǎng)日常工作中人工判定的識別準確率。天然地震的識別準確率相對較低，主要原因可能是由于為了盡可能接近實時判別模式、縮短判定所需時間，在本次單個事件識別模塊中選取震中距最小的5個臺站記錄時并未前置波形記錄質(zhì)量判定模塊，即使波形失真(如被背景噪聲干擾淹沒的真實事件波形，波形漂移、缺失某一分量的波形等)的臺站記錄也參與判定。而對于震級較小的天然地震，相對于爆破與塌陷事件而言其波形記錄往往極易被噪聲所淹沒，這類被噪聲淹沒真實事件波形的臺站記錄在判定過程中幾乎都會被判定為爆破，進而許多天然地震事件的事件類型最終被系統(tǒng)誤判定為爆破。在18個錯誤識別的天然地震中，有高達13個事件都是因為部分臺站記錄波形失真而被判定為爆破或難以識別(5個臺站記錄中判定為爆破與地震的臺站各占2個)，若刪除這類波形失真事件，則天然地震的識別準確率將提高至91.4%，而整體所有事件的識別準確率也將由80.9%變?yōu)?1.7%。同時，由于部分天然事件發(fā)生在礦區(qū)，而礦區(qū)的地質(zhì)條件往往為采空區(qū)，其事件波形在傳播過程中經(jīng)過采空區(qū)域時高頻成分被吸收，最終臺站的波形記錄會部分表現(xiàn)出類似塌陷事件的波形記錄特征，故最終被誤判為塌陷。

綜上所述，基于卷積神經(jīng)網(wǎng)絡(luò)的方法對天然地震與爆破、塌陷事件進行事件類型識別的識別準確率約為90%，與目前地震臺網(wǎng)日常工作中人工判定的識別準確率接近。但值得注意的是，由于訓(xùn)練樣本和測試樣本較少，本次所得的結(jié)果并不一定能代表卷積神經(jīng)網(wǎng)絡(luò)的實際應(yīng)用效果。此外，本文人工選取的樣本原始事件必然會對訓(xùn)練結(jié)果產(chǎn)生一定的影響。因此，在未來的研究中需選取更多的相關(guān)數(shù)據(jù)進行系統(tǒng)訓(xùn)練，以提高卷積神經(jīng)網(wǎng)絡(luò)的識別精度并盡可能地消除人工選取所帶來的主觀性影響。