謝 俊, 程先瓊

(成都理工大學地球物理學院, 四川 成都 610059)

0 引言

近年來,地震、海嘯等自然災害的頻發(fā)造成了嚴重的人員傷亡與經(jīng)濟損失,引起了人們對地震的廣泛關注,對地震學的深入研究顯得日益重要?？焖偾覝蚀_地實現(xiàn)地震事件的定位是地震預測的關鍵,震源位置的快速測定為地震災害評估以及應急救援提供了極其關鍵的信息[1]。同時,高精度的震源位置信息對于判別發(fā)震斷層,研究地震孕育以及觸發(fā)過程都具有重要意義[2]。早期地震定位主要依賴人工分析,隨著計算機技術和數(shù)字化臺網(wǎng)的發(fā)展,現(xiàn)代地震學方法產(chǎn)生了巨大的進步,一系列算法能夠有效地進行地震檢測,實現(xiàn)地震事件的快速自動定位。隨著人工智能的快速發(fā)展,其方法廣泛應用到各個行業(yè),促進了相關行業(yè)的快速發(fā)展,人工智能也應用到地震學領域中,促進了地震學的發(fā)展。人工智能的發(fā)展能夠幫助研究人員更有效地提取地震波中的有效信息,使研究人員能夠更關注于信息的分析與解釋。以深度學習為代表的人工智能方法被運用到地震定位中,與傳統(tǒng)方法相比,其定位速度與精度都有所提高。深度學習的概念源于人工神經(jīng)網(wǎng)絡的研究,含多隱藏層的多層感知器(Multi-layer Perceptron,MLP)就是一種深度學習結(jié)構(gòu)。深度學習通過組合低層特征形成更加抽象的高層表示(屬性類別或特征),以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示[3]。不管是中國地震局地球物理研究所與阿里云舉辦的“余震捕捉AI大賽”[4],還是華為在地震學方面的涉足,以及SEG會議有關“深度學習+地震學”論文數(shù)量的快速增加,都充分表明以深度學習為代表的人工智能在地震學領域的廣泛研究與應用。

1 深度學習方法及基本流程

深度學習是機器學習的一個分支,可以劃分為監(jiān)督學習與無監(jiān)督學習兩個類別。監(jiān)督學習是輸入有標簽的數(shù)據(jù)構(gòu)建模型,來預測新數(shù)據(jù)的標簽；無監(jiān)督學習是在使用無標簽數(shù)據(jù)的情況下發(fā)現(xiàn)數(shù)據(jù)集中隱藏的模式和結(jié)構(gòu)?；貧w與分類是監(jiān)督學習的兩大主要領域,兩者的區(qū)別在于:回歸用于預測的輸出是連續(xù)數(shù)值,設法預測連續(xù)值的屬性;分類用于預測的輸出是離散數(shù)值,設法預測離散值的屬性。深度學習所得到的深度網(wǎng)絡結(jié)構(gòu)包含大量的單一元素(神經(jīng)元),每個神經(jīng)元與其他神經(jīng)元相連接,神經(jīng)元間的連接強度(權(quán)值)在學習過程中修改并決定網(wǎng)絡的功能[5]。通過深度學習得到的深度網(wǎng)絡結(jié)構(gòu)符合神經(jīng)網(wǎng)絡的特征[6],深度神經(jīng)網(wǎng)絡是由多個單層非線性網(wǎng)絡疊加而成的[7]。按照神經(jīng)網(wǎng)絡的編碼與解碼情況,可將其劃分為3大類:前饋神經(jīng)網(wǎng)絡、反饋神經(jīng)網(wǎng)絡、雙向神經(jīng)網(wǎng)絡。前饋神經(jīng)網(wǎng)絡由多個編碼器疊加而成，模型的輸入與輸出之間沒有反饋連接,參數(shù)從輸入層向輸出層單向傳播,如多層感知機[8]、卷積神經(jīng)網(wǎng)絡[9]等。反饋神經(jīng)網(wǎng)絡由多個解碼器疊加而成,每個神經(jīng)元同時將自身的輸出信號作為輸入信號反饋給其他神經(jīng)元,如反卷積網(wǎng)絡[10]、層次稀疏編碼網(wǎng)絡[11]等。雙向神經(jīng)網(wǎng)絡通過疊加多個編碼器層和解碼器層構(gòu)成,如深度玻爾茲曼機[12]、棧式自編碼器[13]等。

深度學習的方法眾多,但在實際應用過程中的基本流程大致相同,可以總結(jié)為:收集數(shù)據(jù),制作數(shù)據(jù)集;研究問題,構(gòu)建模型;訓練模型,優(yōu)化參數(shù)。依據(jù)所研究的對象,收集獲得的數(shù)據(jù),對數(shù)據(jù)進行預處理,比較常見的數(shù)據(jù)處理方式有:向量化的處理、標準化的處理、缺失值的處理。數(shù)據(jù)集劃分為:訓練集、驗證集、測試集,其中訓練集用于訓練模型,測試集衡量模型的優(yōu)劣,驗證集可以避免信息泄露,其作用是為了調(diào)整模型配置、優(yōu)化參數(shù)。數(shù)據(jù)處理是深度學習最為重要的部分,數(shù)據(jù)的好壞對模型訓練的優(yōu)劣程度有重要影響。根據(jù)所研究的項目構(gòu)建出合適的模型,具體為:定義網(wǎng)絡結(jié)構(gòu)、選擇損失函數(shù)、選擇優(yōu)化器等。通過迭代訓練模型,優(yōu)化模型參數(shù)，使模型在訓練集上表現(xiàn)更好,并讓其具有良好的泛化能力,能夠在從未見過的數(shù)據(jù)上達到準確預測的效果。

2 深度學習在地震定位中的應用

地震定位的主要任務是確定震源位置和發(fā)震時刻,這是地震學中一個最基本的問題。地震定位信息有助于人們對地球內(nèi)部構(gòu)造和地震震源過程及形成機制的研究[14],快速而準確的地震定位有利于提高地震預警系統(tǒng)的可靠性和穩(wěn)定性,地震定位是實現(xiàn)地震預警的關鍵一環(huán)。早期的地震定位方法(幾何作圖法)主要是以走時方程為理論依據(jù),根據(jù)臺站位置及走時資料,通過作圖確定震源位置,其精度較低[15]。數(shù)字化時代的到來,各種自動實現(xiàn)地震定位的方法孕育而生。

為了實現(xiàn)地震事件的自動定位,研究人員提出了多種方法。傳統(tǒng)的定位主要是利用人工收集到的有限信息進行定位,定位方法有:基于走時的定位方法、波形的定位方法、單臺站定位與多臺站定位、相對定位與絕對定位等,包括走時反演[16-17]、網(wǎng)絡搜索[18-19]、雙差定位[20-23]以及波形匹配方法[24]等。基于走時拾取的方法非常穩(wěn)定和高效,但對信噪比要求高。波形匹配方法能夠得到更為精確的地震位置解,但會增加計算時間和工作量。數(shù)字臺站的發(fā)展使獲得大量數(shù)據(jù)成為可能,因此深度學習方法應用到了地震定位中。該技術耗時短、省人力,可智能化應用,在地震定位方面表現(xiàn)良好。

目前,在地震定位方面所運用的深度學習方法主要有以下幾種。

2.1 卷積神經(jīng)網(wǎng)絡方法

卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network,CNN)是一種較為常見的深度神經(jīng)網(wǎng)絡,因其具有稀疏交叉、權(quán)值共享和降采樣的設計思想，減少了特征構(gòu)建負擔,提高了計算速度,在圖像處理、語義理解和感知任務等領域得到廣泛應用。利用CNN處理地震波形圖時,能夠自動提取波形特征,輕松處理大型地震數(shù)據(jù)集,因而廣泛應用于地震檢測、震相拾取、地震定位等地震學領域,能獲得較好的地震檢測與定位結(jié)果,更為重要的是其數(shù)據(jù)處理能力與傳統(tǒng)地球物理方法相比有較大的提升。

Perol等[25]將地震檢測作為監(jiān)督分類問題,提出了一個用于地震檢測與定位的卷積神經(jīng)網(wǎng)絡(ConvNetQuake),并運用該網(wǎng)絡對美國俄克拉荷馬州地區(qū)進行地震定位以及地震活動性研究。他使用K-means算法[26],將整個研究區(qū)域細分為6個小區(qū)域,用不同顏色的點表示各區(qū)域內(nèi)的地震事件,其中彩色的點表示用于訓練模型的地震數(shù)據(jù),黑色的點表示用于測試模型的地震數(shù)據(jù),OK029和OK027為地震臺站,如圖1所示。同時,Perol構(gòu)建了一個層數(shù)較深的卷積神經(jīng)網(wǎng)絡,輸入數(shù)據(jù)為三分量地震波形,經(jīng)過卷積層和全連接層后輸出聚類預測,如圖2所示。為了評估該模型,使用俄克拉荷馬州中部的誘發(fā)地震數(shù)據(jù)對模型進行測試,將預測結(jié)果與俄克拉荷馬州地質(zhì)調(diào)查局(OGS)記錄的標準目錄進行對比。結(jié)果表明:該模型的地震定位準確度達74.5%,且計算效率與前人的研究相比大幅提升,能夠快速確定震源位置。這對于地震的早期預警很有用,但該方法需要大量的數(shù)據(jù)集對網(wǎng)絡進行訓練,因此不適用于低強度地震活動的地區(qū)。

圖1 俄克拉何馬州的地震與地震臺站[25]Fig.1 Earthquakes and seismic stations in the region of Oklahoma[25]

圖2 ConvNetQuake網(wǎng)絡結(jié)構(gòu)[25]Fig.2 ConvNetQuake structure[25]

Lomax等[27]通過改進ConvNetQuake,提出了一個新的方法ConvNetQuake_INGV。該方法能夠自動檢測與定位地震事件,其網(wǎng)絡結(jié)構(gòu)由1個輸入層、9個卷積層和1個全連接層構(gòu)成。與ConvNetQuake相比,ConvNetQuake_INGV多了1個卷積層,且輸出的類別更多,對地震事件的分類更細,總共127個類別,如圖3所示。該網(wǎng)絡通過計算地震事件的震源深度、震中距和反方位角完成地震事件的定位任務。為了評估算法的性能,Lomax選取歐洲南部的MedNet地震臺網(wǎng)于2009年記錄到的部分地震事件對模型進行測試,結(jié)果顯示模型檢測的準確度達87%,但是對于震中距和反方位角的預測出現(xiàn)了較大的偏差,需要對其進一步優(yōu)化處理。測試中使用的訓練與測試數(shù)據(jù)都是來自同一地震臺網(wǎng),而使用單一臺網(wǎng)收集到的數(shù)據(jù)容易出現(xiàn)過擬合的現(xiàn)象,導致模型的預測誤差較大,使用不同地震臺網(wǎng)記錄的地震數(shù)據(jù)對模型進行訓練與測試可能效果更好。

圖3 ConvNetQuake_INGV結(jié)構(gòu)[27]Fig.3 ConvNetQuake_INGV network structure[27]

在地震學中,相較于僅利用單臺P波記錄進行震中定位,多臺站地震定位具備更高的精度[28],并且相對于傳統(tǒng)地球物理方法,卷積神經(jīng)網(wǎng)絡在數(shù)據(jù)的預處理過程中不會出現(xiàn)數(shù)據(jù)信息丟失的情況。Kriegerowski等[29]直接使用多臺站的三分量地震波形數(shù)據(jù)訓練卷積神經(jīng)網(wǎng)絡,并應用于地震定位。為了評估該方法,Kriegerowski運用訓練好的模型對波西米亞西部所記錄的2 000多個地震事件進行定位,與使用雙差定位法所得到的標準目錄相比,卷積神經(jīng)網(wǎng)絡方法成功定位了其中908個地震事件,計算效率大幅提升。

2.2 PreSEIS方法

Bose等[30]開發(fā)了用于地震預警的新方法PreSEIS,并將其應用于伊斯坦布爾的地震預警。相較于前人的研究,PreSEIS在預測地震震級、地震破裂和震源位置方面取得了較大的成功。PreSEIS的網(wǎng)絡結(jié)構(gòu)是基于人工神經(jīng)網(wǎng)絡構(gòu)建的,與傳統(tǒng)方法相比,人工神經(jīng)網(wǎng)絡在處理非線性地震數(shù)據(jù)方面有著明顯的優(yōu)勢。PreSEIS的結(jié)構(gòu)是由1個輸入層、1個隱藏層和1個輸出層組成的兩層前饋(Two-layer Feedforward,TLFF)神經(jīng)網(wǎng)絡,其中w為網(wǎng)絡的權(quán)重參數(shù),如圖4所示。PreSEIS使用3個前饋神經(jīng)網(wǎng)絡完成了地震預警的工作,如圖5所示。第1個前饋神經(jīng)網(wǎng)絡使用同一地震臺網(wǎng)不同臺站記錄到的P波到時差預測震源的位置,不同臺站記錄的P波到時差用ΔTi表示:

ΔTi=Ti-Ti0

(1)

式中:Ti表示第i個臺站接收到的P波到時;Ti0表示第1個臺站接收到的P波到時。

圖4 兩層前饋(TLFF)神經(jīng)網(wǎng)絡結(jié)構(gòu)[30]Fig.4 Structure of the TLFF neural network[30]

圖5 預測震源參數(shù)的3個TLFF網(wǎng)絡[30]Fig.5 Three TLFF networks for predicting seismic source parameters[30]

第2個網(wǎng)絡利用震源位置以及絕對累積速度(Cumulative Absolute Velocity,CAV)預測地震震級,第3個網(wǎng)絡通過前兩個網(wǎng)絡的輸出結(jié)果以及CAV數(shù)值預測地震破裂。Bose將不同臺站記錄的P波到時差作為神經(jīng)網(wǎng)絡的輸入,將震源位置作為神經(jīng)網(wǎng)絡的輸出。PreSEIS在第1個臺站接收到地震信號0.5 s后就能給出預測結(jié)果,其在地震預警上表現(xiàn)良好,能夠為應急管理與災害預防做出較大的貢獻。

2.3 循環(huán)神經(jīng)網(wǎng)絡方法

循環(huán)神經(jīng)網(wǎng)絡(Recurrent Neural Network,RNN)在處理時間序列數(shù)據(jù)方面有著顯著的優(yōu)勢,是一個擅長學習時間序列的深度學習算法。通常網(wǎng)絡前后間的輸入沒有關聯(lián),然而在處理前后輸入數(shù)據(jù)之間有關聯(lián)的問題時,卷積神經(jīng)網(wǎng)絡等深度學習算法難以發(fā)揮作用,而循環(huán)神經(jīng)網(wǎng)絡能夠較好地解決這類問題。我們可以把地震波形看作前后相關聯(lián)的時間序列,能夠利用RNN預測地震發(fā)震時刻、P波和S波走時等與時間序列相關的地震學問題。

循環(huán)神經(jīng)網(wǎng)絡通常與其他深度學習算法或傳統(tǒng)地球物理方法相結(jié)合完成地震定位。Kail等[31]將循環(huán)神經(jīng)網(wǎng)絡與卷積神經(jīng)網(wǎng)絡相結(jié)合應用于日本地區(qū),為地震定位工作提供了新方法。Janbakhsh等[32]將循環(huán)神經(jīng)網(wǎng)絡、自編碼器(AE)與卷積神經(jīng)網(wǎng)絡(CNN)相結(jié)合,提出CNN+AE+RNN的方法,完成了地震檢測、預測震級和震中距的工作。Panakkat等[33]基于循環(huán)神經(jīng)網(wǎng)絡的方法提出了預測地震位置和發(fā)震時刻的方法,能夠同時確定地震位置與發(fā)震時刻,其將研究地區(qū)細分為多個小區(qū)域,用記錄的地震事件數(shù)據(jù)訓練循環(huán)神經(jīng)網(wǎng)絡,使得網(wǎng)絡具備預測地震位置的能力。由于Panakkat將循環(huán)神經(jīng)網(wǎng)絡用于地震定位的時間比較早,人工智能還未發(fā)展完備,因此該神經(jīng)網(wǎng)絡的結(jié)構(gòu)比較簡單,由1個輸入層、1個隱藏層和1個輸出層構(gòu)成。Panakkat使用南加州地區(qū)1951—1995年記錄到的地震事件數(shù)據(jù)訓練神經(jīng)網(wǎng)絡,并將該網(wǎng)絡應用于南加州地區(qū)5.5級以上的地震事件,將預測結(jié)果與標準目錄對比,發(fā)現(xiàn)預測誤差為24～63 km。此外,循環(huán)神經(jīng)網(wǎng)絡與其他深度學習算法相結(jié)合能夠應用于多種地震學研究。

2.4 貝葉斯深度學習方法

貝葉斯深度學習算法與其他機器學習算法不同,它認為神經(jīng)網(wǎng)絡中每一個權(quán)重(weight)與偏置(bias)的值都應該是一個概率分布,而不是一個確切的數(shù)值。通過對權(quán)重和偏置的分布多次采樣,獲得多個參數(shù)的組合,參數(shù)的改變能夠影響模型結(jié)果。貝葉斯神經(jīng)網(wǎng)絡能夠衡量模型的不確定性,即能讓神經(jīng)網(wǎng)絡知道自己不知道的內(nèi)容,這是貝葉斯深度學習算法的一個顯著優(yōu)勢。科研人員注意到了貝葉斯神經(jīng)網(wǎng)絡的這一優(yōu)勢,將貝葉斯深度學習方法運用到了地震定位的研究中。

將地震定位作為一個回歸問題,Mousavi等[34]提出了一種基于貝葉斯深度學習的地震定位方法。該方法的網(wǎng)絡結(jié)構(gòu)由兩個貝葉斯神經(jīng)網(wǎng)絡構(gòu)建:一個網(wǎng)絡預測震中距、P波走時和隨機不確定性,如圖6所示;另一個網(wǎng)絡用于預測反方位角,如圖7所示。Mousavi等[35]使用斯坦福地震數(shù)據(jù)集訓練和測試模型,挑選了亞洲、非洲和北美洲的部分地震事件數(shù)據(jù)測試模型,結(jié)果發(fā)現(xiàn)其預測的震中距和P波走時的絕對平均誤差分別為0.23 km和0.03 s,反方位角的平均誤差為1°。對于地震位置的預測,Mousavi利用兩個網(wǎng)絡的輸出數(shù)據(jù)測得震中、發(fā)震時刻和震源深度的平均誤差分別為7.3 km、0.4 s和6.7 km。貝葉斯神經(jīng)網(wǎng)絡結(jié)構(gòu)是該地震定位方法的一個顯著優(yōu)勢,它可以衡量數(shù)據(jù)與模型的不確定性。Mousavi對不同的任務采用不同的網(wǎng)絡框架,對震中距與到時的預測,由于兩者的相關性比較強而采用同一網(wǎng)絡,對反方位角的預測則使用單獨的網(wǎng)絡,從而提高了模型的整體性能。此外,該模型結(jié)構(gòu)不復雜,網(wǎng)絡需要訓練的參數(shù)較少,因此不需要大量的數(shù)據(jù)訓練網(wǎng)絡,可用于地震數(shù)據(jù)記錄較少的區(qū)域。

圖6 預測P波走時和震中位置的網(wǎng)絡結(jié)構(gòu)[34]Fig.6 Network structure for predicting the P-wave travel time and epicentral location[34]

圖7 預測后方位角的網(wǎng)絡結(jié)構(gòu)[34]Fig.7 Network structure for predicting the back azimuth angle (BAZ)[34]

傳統(tǒng)的地球物理算法面臨著數(shù)據(jù)爆炸式增長、運算效率低下和成本高昂等問題,深度學習能夠規(guī)避這些問題,并且已經(jīng)開始應用于多種地球物理研究當中。前人的研究很少考慮模型的不確定性,然而模型的不確定性會給油藏產(chǎn)量、地面運動和地震位置的預測等帶來嚴重影響。貝葉斯深度學習方法能夠解決這一問題,Gu等[36]將該方法應用于地震定位,并量化地震定位模型的不確定性,利用實際地震數(shù)據(jù)對模型進行測試。給定的測試數(shù)據(jù)為x*,預測結(jié)果y*的概率分布用貝葉斯神經(jīng)網(wǎng)絡可以表示為:

X,Y)dw

(2)

式中:X和Y分別為訓練數(shù)據(jù)的輸入和輸出;w為網(wǎng)絡的參數(shù)。

在這項研究中,構(gòu)建了一個貝葉斯卷積神經(jīng)網(wǎng)絡,網(wǎng)絡的輸出為一個三維向量,表示地震位置,模型結(jié)構(gòu)如圖8所示。為了增強模型的抗干擾能力,最后一個卷積層和全連接層之間加了一個dropout層;網(wǎng)絡中加入回歸損失函數(shù)是為了衡量訓練過程中的誤差,便于調(diào)整模型參數(shù)。Gu已將該方法應用于荷蘭地區(qū)誘發(fā)地震的定位工作,結(jié)果表明貝葉斯神經(jīng)網(wǎng)絡能夠量化模型的不確定性,并且在地震定位的精度以及處理速度方面均有較好的效果。

圖8 貝葉斯卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)[36]Fig.8 Structure of Bayesian convolutional neural network[36]

2.5 全卷積神經(jīng)網(wǎng)絡方法

全卷積神經(jīng)網(wǎng)絡(Fully Convolutional Neural Network,FCN)最初是為圖像分割、醫(yī)學圖像重建和從文本描述中生成高質(zhì)量圖像而開發(fā)的。CNN是在卷積層之后使用全連接層,得到固定長度的特征向量進行分類,而FCN以整幅圖像為輸入,通過一次前向傳播直接輸出分割圖形,它具有逐塊掃描的平移不變性,且計算量大幅減少[37]。FCN與CNN最大的不同在于FCN將CNN末尾的全連接層轉(zhuǎn)化為卷積層,最終參數(shù)層的輸出是一個網(wǎng)格而不是一個向量,網(wǎng)格中的每個位置對應像素的預測類別[38],不含全連接層的FCN,適用于任意尺寸的輸入。此外,增大數(shù)據(jù)尺寸的反卷積結(jié)構(gòu)使得網(wǎng)絡輸出結(jié)果更加精細,因此FCN能夠廣泛應用于地震定位、遙感影像云檢測等方面。

對于低信噪比的微地震,目前大部分地震定位方法的定位精度較差。為了解決這個問題,Zhang等[39]開發(fā)了一種利用全卷積神經(jīng)網(wǎng)絡對微小地震進行定位的方法,以三分量地震波形數(shù)據(jù)為輸入,生成震源位置為輸出的概率分布,并用該方法監(jiān)測俄克拉荷馬州的地震活動。與標準目錄相比,該方法預測的震中誤差為3.6～4.7 km,滿足俄克拉荷馬州的地震監(jiān)測要求。此外,該方法定位速度快,在短時間內(nèi)就能完成地震定位的任務。這項研究表明,深度學習方法能夠?qū)崟r處理大量的地震數(shù)據(jù),實現(xiàn)微震監(jiān)測。

地震預警(Earthquake Early Warning,EEW)系統(tǒng)能檢測地震,并向公眾發(fā)送警報。傳統(tǒng)的EEW算法依賴于P震相的提取和分析。Zhang等[40]利用全卷積神經(jīng)網(wǎng)絡開發(fā)了一種全新的地震預警系統(tǒng),使用深度學習方法直接學習地震波形數(shù)據(jù)中的隱含特征,不需要利用人工定義的特征,提升了模型的性能。該方法能夠在檢測地震事件的同時預測震源位置,在部分臺站接收到地震記錄后,系統(tǒng)就能預測地震位置,并且隨系統(tǒng)接收數(shù)據(jù)的增加,給出更為準確的預測結(jié)果。神經(jīng)網(wǎng)絡的輸入是來自12個臺站的三分量地震波形數(shù)據(jù),輸出為地震位置的概率分布。將該系統(tǒng)應用于2016年意大利中部發(fā)生的6.0級地震,在地震發(fā)生數(shù)秒后,系統(tǒng)預測的地震位置平均誤差范圍為4.7～8.5 km,結(jié)果證明了在地震預警系統(tǒng)中使用深度學習方法的可行性。

2.6 PALM方法

一般來說,深度學習方法對地震事件檢測與定位結(jié)果的影響因素大致有3個:所使用的AI模型(U-net,Transformer,CNN & RNN等)、所使用的訓練數(shù)據(jù)、工作流程結(jié)構(gòu)(整個流程將AI放在怎樣的位置)。絕大多數(shù)方法在于調(diào)整AI模型,然而AI模型應該在流程的哪個位置、如何組合可以達到最好的效果同樣也很重要。Zhou等[41]基于深度學習算法開發(fā)了一種新的方法PALM (Phase picking,Association,Location,and Matched filter),完成了地震檢測和地震定位的工作。在不需要任何參考目錄的條件下,將PALM應用于連續(xù)地震記錄就能生成較高質(zhì)量的地震目錄。PALM的結(jié)構(gòu)由PAL(Picking,Association,Location)與MESS(Match,Expand,Shift,Stack)兩部分組成,如圖9所示,其中MFT是指匹配濾波技術。PAL首先利用震相拾取算法與震相關聯(lián)算法實現(xiàn)地震事件的檢測。在完成地震檢測后,Zhou使用Hypoinverse算法[42]實現(xiàn)地震事件的絕對定位,并使用HypoDD算法[43]實現(xiàn)了雙差重定位。然后將PAL獲得的地震目錄作為模板,在MESS部分利用匹配濾波技術對PAL獲得的初始地震目錄進行完善,增加了新檢測到的地震事件,使得該地震目錄更加準確。Zhou將PALM應用于2019年美國Ridgecrest地震,發(fā)現(xiàn)利用該方法獲得的地震目錄比南加州地震臺網(wǎng)的地震目錄更豐富,并將PALM所獲得的地震目錄與其他方法[44-45]所獲得的地震目錄進行對比,結(jié)果表明:PAL拾取的地震相位精度高,地震檢測與定位的性能也較好。

圖9 震相拾取、震相關聯(lián)、地震定位和匹配濾波技術的工作流程[41]Fig.9 Workflow of the phase picking,association,location, and matched-filter (PALM) technique[41]

3 結(jié)論

本文總結(jié)了深度學習在地震定位方面的研究,分析了幾種深度學習算法在地震定位中的實際應用,發(fā)現(xiàn)深度學習方法能夠?qū)崿F(xiàn)地震事件的自動定位,但是在定位的精度方面還有所不足,與標準目錄存在一定的誤差。與傳統(tǒng)地震定位方法相比,深度學習方法的運算速度快,極大地縮短了地震定位所需的時間,這對于地震預警、應急管理與災害預防有著重要的意義。當然,深度學習在地震定位中也存在一些問題:

(1) 利用某一地區(qū)的數(shù)據(jù)訓練好的模型,在當?shù)氐亩ㄎ恍Ч赡鼙容^好,一旦將該模型用于其他地區(qū),效果通常不太理想。

(2) 對于一些地震低發(fā)區(qū)域,難以收集足夠多的地震數(shù)據(jù),而深度學習需要大量的地震數(shù)據(jù)訓練模型。

(3) 數(shù)據(jù)共享和獲取的便捷性還有待提升。

隨著地震大數(shù)據(jù)時代的來臨,深度學習提取數(shù)據(jù)特征的能力能夠提高我們對地震的物理解釋。相信隨著深度學習的不斷發(fā)展,其定位效果會越來越好,在地震學領域也會發(fā)揮更大的作用。未來能夠?qū)π≌鸺?、信噪比低的地震事件進行定位,并具有較高的泛化能力是深度學習在地震定位中的發(fā)展方向。