鄭亞迪,趙曉云

(1.山西省地震局,山西 太原 030021;2.太原大陸裂谷動力學國家野外科學觀測研究站,山西 太原 030025)

0 引言

準確高效地檢測每一個地震事件是開展地震工作的基礎。近年來,深度學習技術的發(fā)展,為地震波到時自動拾取和震相自動識別開辟新的思路,在地震信號識別中得到廣泛應用,相比傳統(tǒng)檢測方法其性能更優(yōu),不僅計算時間遠小于模板匹配類方法[1],且可避免波形數(shù)據(jù)特征涵蓋不全、檢測閾值設定等問題。廖詩榮等開發(fā)出基于深度學習的實時智能地震處理系統(tǒng)—RISP系統(tǒng),該系統(tǒng)可實現(xiàn)實時、高精度、高靈敏度的余震序列目錄產(chǎn)出[2],在2021年云南漾濞Ms 6.4、2022年門源Ms 6.9和馬爾康Ms 5.8等多次地震的余震序列檢測中得到較好的應用[2-4]。

山西地區(qū)煤炭資源豐富,常年的煤礦開采導致非天然地震事件頻發(fā)[5],在采礦工程中,巖石破壞以及由此導致的災害如巖爆、沖擊地壓、頂?shù)装遄冃纹屏训榷紝儆诜翘烊坏卣?在一定程度上影響民眾的生產(chǎn)生活[6]。因此,對非天然地震進行快速準確的檢測,對政府部門應急管理、保障地方經(jīng)濟社會安全有重要作用[7]。大同地區(qū)是山西省非天然地震發(fā)生較頻繁的地區(qū),2022年在山西數(shù)字測震臺網(wǎng)的基礎上,在大同礦區(qū)加密布設8個流動測震臺站進行試驗性觀測,為天然與非天然地震的研究提供基礎數(shù)據(jù)。隨著臺網(wǎng)密度的增大,可監(jiān)測到的非天然地震明顯增加。考慮非天然地震波形的復雜性,本研究在大同非天然地震試驗臺網(wǎng)數(shù)據(jù)的基礎上,結合固定臺站波形數(shù)據(jù),引入基于深度學習的微震檢測方法,對山西大同礦區(qū)非天然地震的震相加以識別。通過震相關聯(lián)、定位、震級測定、事件類型人工判定,產(chǎn)出更加完整的非天然地震目錄,并與人工編目的非天然地震目錄進行對比,同時檢測基于深度學習方法在山西大同臺網(wǎng)的應用效果。

1 研究數(shù)據(jù)及方法

1.1 數(shù)據(jù)選取

為提升研究區(qū)非天然地震的監(jiān)控能力,在非天然地震事件頻發(fā)區(qū)域形成更加科學、合理的監(jiān)測布局,山西大同非天然地震試驗臺網(wǎng)于2022年5月優(yōu)化改造完成,在大同礦區(qū)布設8個三分量中長周期一體化地震儀,平均臺間距為5 km。本研究選取2022年6月1日0時0分至8月31日24時0分大同試驗區(qū)域(北緯39.6°～40.2°,東經(jīng)112.5°～113.4°)加密臺網(wǎng)8個臺站、山西地震臺網(wǎng)及鄰省臺網(wǎng)共32個臺站(見圖1)記錄到的連續(xù)地震波形,分別通過實時智能地震處理系統(tǒng)和人工處理,產(chǎn)出非天然地震目錄及觀測報告。

圖1 研究區(qū)域臺站分布圖Fig.1 Distribution map of seismic stations in the study area

實時智能地震處理系統(tǒng)對選取時段連續(xù)波形進行處理,將研究區(qū)內(nèi)檢測的事件波形逐一截取,剔除其中的天然地震,通過人工分析確定含有非天然地震信號的所有事件,產(chǎn)出非天然地震編目結果。RISP系統(tǒng)共產(chǎn)出非天然地震目錄8 649條(以下簡稱自動編目),拾取震相196 453個。在研究區(qū)內(nèi),人工編目非天然地震事件共1 096條(以下簡稱人工編目),分析震相21 119個。

1.2 研究方法

本研究使用廖詩榮等開發(fā)的地震編目實時處理系統(tǒng)(RISP)。該系統(tǒng)以深度學習技術為基礎,從Jopens系統(tǒng)調(diào)取實時地震波形或直接讀取離線數(shù)據(jù),采用PhaseNet和EQTransformer[8-9]模型進行波形數(shù)據(jù)的震相識別并拾取到時,運用基于組觸發(fā)和等時差八叉樹搜索相結合的方法進行震相關聯(lián)[4],采用NLLoc等方法進行定位,按照震級國家標準自動量取振幅、計算震級。本次研究的事件觸發(fā)最小閾值設置為5個震相。

2 檢測結果對比分析

2.1 檢測事件數(shù)量對比

自動和人工編目觀測報告統(tǒng)計結果顯示,2022年6月1日至8月31日研究區(qū)內(nèi)人工編目識別出的非天然地震事件有1 096個,震級分布在ML0.2～2.8;自動編目檢測出非天然地震事件8 649個,震級分布在ML-0.4～2.8,比人工目錄多7 553條,是人工編目數(shù)量的7.9倍。由此看出,自動編目非天然地震數(shù)量明顯多于人工編目數(shù)量。

圖2顯示人工編目和自動編目事件震級對比結果。當ML<1.5時,自動編目事件個數(shù)明顯多于人工編目;當ML≥1.5時,人工編目與自動編目產(chǎn)出的事件數(shù)量基本一致。由此可見,在微小地震識別方面,基于深度學習的微震檢測優(yōu)勢顯著,與顏利君等得出的結論相近[2]。

圖2 人工編目和自動編目震級結果對比圖Fig.2 Comparison of magnitude results between manual and automated catalogs

研究中,以人工編目事件的發(fā)震時刻和震源位置為對象,與自動編目產(chǎn)出事件進行對比匹配,設置發(fā)震時刻偏差小于3 s、震源位置偏差小于15 km的匹配為同一事件。通過震相對比,自動編目有953個事件與人工編目結果匹配對應,檢測匹配率達86.9%;多檢測出事件7 553個;漏檢測事件143個,漏檢率為13.1%。圖3為人工編目與自動編目的非天然地震震中分布圖。可知兩種目錄的非天然地震大部分集中在大同非天然地震試驗臺網(wǎng)臺站附近,自動編目檢測事件的分布更密集,明顯多于人工編目事件;自動編目比人工編目多檢測出的非天然事件在整個研究區(qū)域內(nèi)幾乎均勻分布。由此看出,相比人工編目,對于監(jiān)測能力稍弱的試驗臺網(wǎng)周邊,基于深度學習的微震檢測具有較好的檢測能力。

圖3 人工編目與自動編目的非天然地震震中分布圖Fig.3 Distribution map of non-natural seismic epicenters in manual and automated catalogs

2.2 發(fā)震時刻對比

圖4a所示的自動目錄與人工目錄匹配成功事件發(fā)震時刻的偏差統(tǒng)計結果表明,發(fā)震時刻偏差為負值的事件數(shù)相對較多,即自動拾取事件發(fā)震時刻早于人工編目的事件較多,占匹配事件的56.5%;發(fā)震時刻偏差小于等于±0.5 s的事件有719個,占總匹配事件的75.4%;發(fā)震時刻偏差小于等于±1 s的事件有872個,占比91.5%;發(fā)震時刻偏差小于等于±1.5 s的事件有921個,占比96.6%;發(fā)震時刻偏差小于等于±2 s的事件有938個,占比98.4%。

圖4 自動編目與人工編目匹配非天然地震事件偏差統(tǒng)計圖Fig.4 Statistical analysis of deviations in non-natural seismic events between automated and manual catalogs

2.3 震源位置偏差對比

圖4b的自動編目與人工編目匹配事件震源位置偏差統(tǒng)計結果顯示,自動編目與人工編目事件的震源位置偏差在5 km以內(nèi)的共有791個,占匹配事件總數(shù)的83.0%;震源位置偏差在10 km以內(nèi)的有911個,占比95.6%。圖4c為自動編目與人工編目匹配事件的震源深度偏差統(tǒng)計,由于非天然地震事件發(fā)生在淺地表,日常的人工編目非天然地震震源深度設置為固定值0,因此自動編目與人工編目事件的深度偏差均為正值,偏差在2 km以內(nèi)的事件有573個,占匹配事件的60.1%。

2.4 震級對比

圖4d的自動目錄與人工目錄匹配成功事件ML震級偏差統(tǒng)計結果顯示,自動編目與人工編目事件的震級偏差為負值的事件數(shù)較多,即自動拾取事件震級小于人工編目的占總匹配事件的72.4%;震級偏差在±0.3以內(nèi)的有773個,占81.1%;震級偏差在±0.5以內(nèi)的有907個,占95.2%;震級偏差在±1.0以內(nèi)的有945個,占匹配事件的99.2%。

2.5 震相到時對比

統(tǒng)計自動目錄與人工目錄匹配事件的P、S波震相到時偏差顯示(見圖5),自動拾取的震相中有3 845個P波和4 039個S波,分別與人工拾取的P、S波震相匹配,匹配率分別為76.1%和89.3%。P、S波到時偏差均呈正態(tài)分布,P波到時偏差主要分布在±0.3 s以內(nèi),S波的在±0.6 s以內(nèi);P波到時偏差收斂性更好,系統(tǒng)對P波到時的識別精度相對更高[10],對S波的識別精度低于P波。S波到時偏差為正值的事件數(shù)較多,說明存在較多自動編目拾取的S波震相晚于人工識別S波震相到時的情況[2]。

圖5 自動編目與人工編目匹配非天然地震事件P、S波到時偏差統(tǒng)計圖Fig.5 Statistical analysis of P and S wave arrival time deviations in matched non-natural seismic events between automated and manual catalogs

3 結論與討論

為構建山西大同礦區(qū)非天然地震高精度目錄,選取2022年6月1日至8月31日山西大同礦震監(jiān)測流動臺站及周邊32個固定臺站記錄的地震連續(xù)波形,通過基于深度學習的實時智能檢測系統(tǒng)進行處理,并對產(chǎn)出的自動編目結果進行篩選,得到研究區(qū)非天然地震自動編目結果,與人工編目結果對比分析,得出以下結論:

(1) 深度學習方法檢測出非天然地震事件8 649個,為同一時段人工編目非天然地震事件的7.9倍。自動編目與人工編目匹配率為86.9%,覆蓋大部分人工編目事件,漏檢率為13.1%,并識別出大量人工未能識別的非天然事件,說明基于深度學習的微震事件檢測可彌補大同礦區(qū)非天然地震人工漏檢的缺陷。

(2) 定位精度方面。自動編目與人工編目結果基本一致,兩種目錄震中位置的偏差多集中在5 km,發(fā)震時刻偏差集中在2 s內(nèi),震級偏差集中在±0.3以內(nèi),很大一部分事件的自動拾取震級小于人工編目震級。

(3) 震源深度方面。通過深度學習方法檢測的匹配事件震源深度有60%集中在2 km以內(nèi)。根據(jù)研究區(qū)域已有的地質(zhì)及開采資料,非天然地震震源深度應在2 km以內(nèi),由此看來,對于非天然地震震源深度測定,基于深度學習的微震檢測仍存在一定誤差。

(4) 震級方面。偏差集中在±0.3以內(nèi)的事件占匹配事件的81.1%,震級偏差可能是由于人工編目與自動編目量取的振幅與周期存在差異,且計算震級使用的量規(guī)函數(shù)不同引起的[3]。

感謝福建省地震局房立華和廖詩榮團隊為本研究提供的RISP系統(tǒng)。