基于深度学习的地震与爆破事件自动识别研究

针对天然地震事件、爆破事件分类问题,使用甘肃及周边地区80个天然地震事件和20个爆破事件建立数据集,采取深度学习卷积神经网络(convolutional neural network,CNN)方法搭建两个不同结构的模型进行训练,并用500条训练集之外的天然地震事件与爆破事件波形作为测试数据集,其训练和测试准确率均达到9...     

地震与爆破波形信号的EEMD多尺度分布熵提取和WOA-SOM神经网络识别研究

针对地震信号中存在大量环境噪声的问题,基于天然地震事件和人工爆破事件建立初始数据集,利用集合经验模态分解（EEMD）技术对波形信号进行分解、降噪,提取出较纯净的各阶本征模态函数（IMF）分量,然后对前10阶分量分别计算分布熵,即EEMD多尺度分布熵,建立神经网络输入矩阵。应用鲸鱼优化算法（WOA）对自组织特征映射（SOM）神经网络参数（竞争层维数、网络训练次数）进行优化,针对不同训练样本寻找对应的最优参数值以改善模式识别的稳定性,从而提高地震识别率。结果表明,EEMD多尺度分布熵结合WOA-SOM模型可有效识别天然地震和人工地震。     

基于小波特征和神经网络的天然地震与人工爆破自动识别

采用福建地区天然地震和人工爆破事件波形记录，通过一维离散小波变换（DWT）及4层小波包变换（WPT）对信号进行分解，提取出用于识别的4种波形小波特征：小波能量比特征、小波包能量比特征、小波包香农熵特征及小波包对数能量熵，此外还提取出P/S震相振幅比；采用BP神经网络对4种小波特征及分别加入P/S震相振幅比的组合特征进行识别效果检验，结果表明，单小波判据小波能量比特征识别效果好；双判据组合P/S震相振幅比和小波包对数能量熵的组合识别效果最好，可考虑作为实际天然地震与人工爆破在线自动识别系统的识别判据。     

三峡数字地震台网中心记录典型波形初步分析

对三峡地区数字地震台网中心记录的典型的天然地震、疑炮、一次爆破及一次滑坡等波形进行初步分析后认为：①数字地震仪器与模拟地震仪器所记录的地震波形特征基本一致；②三峡地区数字地震台网中心2003年5月19日至2004年1月所记录的多数天然地震事件是非构造型(由溶洞塌陷引起的陷落型)地震事件。     

支持向量分类机LIBSVM方法识别天然地震、爆破与塌陷

对天然地震、爆破及塌陷的波形数据进行小波变换，并用小波转换系数提取香农熵特征，采用支持向量分类机LIBSVM多类模式识别方法对香农熵特征进行分类识别，识别率在80%~95%之间。结果表明，采用LIBSVM对波形特征进行分类的方法可以较好地识别天然地震、爆破与塌陷。     

适用小样本情况的地震检测机器学习模型

针对已有的地震检测机器学习模型训练所需的有标注的地震数据难以获取、处理成本高等问题,提出一种适用于小样本情况的地震检测机器学习新模型CCLSN。该模型联合使用连续小波时频变换和重新设计的轻量化卷积神经网络,可大幅降低训练所需的有标注的地震数据量,提高模型的适用性。实验结果表明,CCLSN仅用包含数百个地震样本的小型数据集,就可实现稳定和高精度的识别功能,精度和召回率均在98%以上。CCLSN可为我国中东部等少震弱震地区实现地震自动检测提供新的技术方法。     

两次强震峰值速度比及其余震分布特征

基于甘肃地震台网和青海地震台网对岷县-漳县MS6.6地震和门源MS6.4地震的波形记录,采用FFT方法分别计算这两次地震三分向的峰值速度,讨论分量之间峰值速度比的分布特征,进而研究其震源性质。结果表明,岷县-漳县地震具有逆冲兼左旋位错性质,南北向能量明显大于东西向;门源地震以逆冲为主,略具左旋走滑特征,两个水平分量的能量相当。结合这两次地震的余震序列分布特征及其他学者的研究结果推测,岷县-漳县地震的发震断层应该是位于临潭-宕昌断裂西北侧且与其平行的一条次级断裂;门源地震的发震断层应该是冷龙岭断裂西北侧的次级断裂,但受到冷龙岭断裂活动控制。     

基于支持向量机的内蒙古地区台网天然地震与人工爆破的自动识别与分析

基于内蒙古地区及其周边(96°~126°E, 36°~54°N)2016~2021年天然地震和爆破事件,首先采用db7、sym6、rbio1.5小波基函数分别对事件波形进行离散、静态、小波包4层小波分解,然后提取能量比、香农熵、能量熵3种特征参数,最后按照不同的小波分解方式、核函数、支持向量机和特征值随机组合的方式进行288组实验。结果表明,“DWT+υ-SVC+db7+线性核+能量比+香农熵+能量熵”的识别率最高为95%,说明该方法更适合内蒙古地区,可为测震台网识别天然地震和爆破事件提供较为可靠的参考依据。     

使用支持向量机识别地震类型的影响因素分析

对山东地区2006~2017年3种地震事件--天然地震、爆破及塌陷的波形记录进行小波变换,对提取出的香农熵特征采用支持向量机LIBSVM方法进行分类识别,并设计一系列实验研究影响最终分类效果的因素。结果表明,5种影响因素--信号窗长度、小波分解方式、小波基类型、向量机算法类型、向量机核函数类型均对地震类型的分类识别结果产生一定的影响;识别率最高的3组处理方式均采用了2 000 s信号窗长度+db7小波基+υ-SVC算法的组合方式。所得的识别率较高的几种影响因素组合,在未来可应用于地震类型的实时识别,进一步提高地震类型的识别率和触发准确率。     

基于PhaseNet的地震信号自动处理方法准确性分析

利用一种深度学习地震信号检测方法（PhaseNet模型）检测甘肃省岷县MS6.6地震序列,根据地震震相关联技术和绝对定位Hypoinverse方法构建AI检测目录,对比人工分析地震目录和震相报告,分析AI自动处理地震事件的误差范围。结果表明,AI技术能够实现85.5%的人工工作量,定位误差在20 km范围内呈正态分布;在低震级地震事件检测中,AI方法也发挥了显著能力。相比于人工处理方法,AI方法稳定性好、不依赖个人经验、分析速度快,在大震后的地震目录快速产出中能发挥关键作用,可提高地震分析能力、节省人力成本。     

基于波形互相关的爆破震相识别研究

利用内蒙古测震台网地震事件资料,选取爆破事件中SNR较高的8个爆破事件波形作为模板,使用基于波形互相关系数的模板匹配方法进行震相识别。研究结果表明,在震级相近的情况下,相同类型地震事件各自对应的波形之间互相关系数较大,可作为地震类型判别的依据。     

基于双重注意力机制的滑坡识别方法优化

随着计算机视觉技术的发展, 通过卫星图像深度学习进行滑坡识别的研究正在逐步展开。通过引入双重注意力机制, 提出了一种基于卷积神经网络的滑坡图像识别优化算法。基于统计的2 200张滑坡图像数据集, 探讨了10种网络结构及4种注意力机制对滑坡识别结果的影响, 并通过比例为4∶1的训练集和测试集进行滑坡识别, 验证了本文方法的有效性。结果表明: ResNet结构相较于其他网络结构表现更为优秀, 就该算例而言, ResNet-101结构具有最高的召回率、精确率和F1度量。融入了双重注意力机制的卷积神经网络相较于单个神经网络而言, 滑坡识别的精确率更大, 且滑坡边界分割结果更接近于真实的滑坡边界, 其中, ResNet-101+DAN模型为最优模型。相较之下, 单个神经网络无法克服图像噪声的影响, 图像分割结果不佳。      

基于改进U-Net网络的高分遥感影像水体提取

传统基于光谱信息的水体提取未能考虑水体形状、纹理、大小、相邻关系等问题,且存在同物异谱、异物同谱现象,导致水体提取精度较低。而传统基于分类提取水体方法设计特征过程较为繁琐,且不能挖掘深度信息特征。因此,本文提出改进的U-Net网络语义分割方法,借鉴经典U-Net网络的解编码结构对网络进行改进：① 将VGG网络用于收缩路径以提取特征;② 在扩张路径中对低维特征信息进行加强,将收缩特征金字塔上一层的特征图与下一层对应扩张路径上的特征图进行融合,以提高提取结果分割精度;③ 在分类后处理中引入条件随机场,以将分割结果精细化。在保持相同训练集、验证集和测试集的情况下,分别用SegNet、经典U-Net网络和改进的U-Net网络做对照试验。试验结果表明,改进的U-Net网络结构在IoU、精准率和Kappa系数指标上均高于SegNet和经典U-Net网络,与SegNet相比,3项指标分别提升了10.5%、12.3%和0.14,与经典U-Net网络结果相比,各个指标分别提升了5.8%、4.4%和0.05。改进的网络水体提取结果较为完整,对小目标水体能够准确提取。改进的U-Net网络能够有效地实现水体提取任务。     

基于多尺度纹理分类及矿物识别的ASTER地质填图

遥感技术已经成为基础地质调查必不可少的手段。为提高地质填图效率及精度, 本研究提出了基于ASTER的岩性自动分类加主要和典型造岩矿物识别的填图方法。首先, 对ASTER数据进行主成分变换, 对选取的第一主分量采用Haar小波进行多尺度小波分解, 将小波系数的统计特征作为纹理特征, 构建纹理及光谱多维特征空间; 接着, 运用支持向量机(SVM)进行岩性分类; 同时, 根据光谱特征提取主要造岩矿物; 最后将主要造岩矿物叠加在分类结果上, 结合野外调查背景进行岩性填图。混淆矩阵结果显示光谱+小波纹理分类精度可以达到83.496 2%, 较光谱+灰度共生矩阵纹理分类精度提高了2.675 6%, 较光谱特征分类精度提高了6.318 9%。与最大似然法(MLC)分类相比, SVM分类精度提高了6.623 7%。矿物提取结果表明, 构造的提取指数可有效提取白云母、黑云母、方解石、角闪石等矿物。野外工作证明, 填图结果与野外调查结果的相关系数为0.7, 可见, 基于ASTER数据利用图像处理技术、机器学习算法及波段运算可作为植被覆盖较少地区有效的地质填图手段。