关键词：
机器学习
面波频散
加速度记录基线校正
地核地震震相
摘要：
地震学是一种重要的地球物理研究方法,通过研究地震或噪声激发的地震波在地球内部的传播,可以获得地球内部不同尺度速度结构的信息,并进一步推测地球的内部结构和构造。通过经过地幔、内核和外核的不同震相可以直接采样地球内部的深部结构,这些信息有助于深入理解地球内部的物理过程。同时,地震波数据还可用于研究地震的发生机制,从而降低地震灾害的影响。近年来,随着地震观测技术的快速发展,新兴技术如流动台阵、智能地震传感器和分布式光纤传感器等的广泛应用,显著增加了地震观测数据的数量和多样性。同时,背景噪音互相关技术的发展打破了观测地震事件发生时刻和空间的限制,从而大幅提高了地震观测数据的可用性。这些技术的发展极大地扩展了地震观测的数据量,但也提出了对传统地震信号数据处理和分析方法的新要求。因此,需要基于当前的观测数据量和应用需求,发展新的自动化方法以提高数据处理的效率和精度。在机器学习领域,深度神经网络技术近年来也得到了极大的发展,卷积神经网络的出现有效地提高了神经网络方法在高维数据上的训练效率和应用性能。这些技术已经被广泛应用于数字媒体处理领域,大大提高了高维大规模数据的自动化处理效率。因此,结合地震观测得到的大量数据和先进的机器学习方法,可以进一步发展高效精确的自动化数据处理流程,并为地震学研究提供高效的工具。通过推动地震数据的分析和解释,进而推进对地震过程及地球内部结构的理解。通过面波的频散特性可以有效反演测量地下的剪切波速度结构,因此面波频散反演在地下结构成像中被广泛应用。近年来发展的频率-贝塞尔变换方法(F-J method)可以有效从观测的背景噪音信号、地震信号中提取具有高阶频散曲线特征的面波频散谱。为了进一步通过面波频散曲线反演地下速度结构,需要对二维频散谱中的频散曲线特征进行提取。然而,传统的手动与半自动方法需要大量时间且缺乏统一标准。在本研究中,通过首先应用卷积深度编解码器提取频散特征,之后通过非监督聚类实现高阶频散曲线的模式分离。在不同地区和不同尺度上的应用验证了该方法的频散曲线提取能力,表明该方法可以为面波反演工作中的频散曲线提取提供高效而准确的提取方法。加速度数据是地震研究和地震工程的重要观测数据资源。由于其直接测量地面加速度,不受地震仪记录摆幅范围的限制,可以精确记录较大地震震级事件的地面运动。然而,观测数据的采样误差以及强震动对观测设备的影响会导致在从加速度数据转换为位移数据的两次梯形积分过程中出现较大的观测基线漂移。本研究利用深度卷积神经网络结合新提出的基于传统多段基线校正方法的模拟基线-观测数据融合训练集,实现了对观测加速度数据进行有效、稳定且快速的基线校正。该方法首先通过合成数据进行测试和性能验证,并通过合成噪声与合成基线测试验证了该方法校正有效性。观测数据应用与测试表明该方法不仅可以有效校正加速度观测数据中存在的基线漂移,还可以从恢复的位移数据中追踪地面同震位移,为后续研究提供新的观测数据参考。地球深部结构中存在明显的边界特征,如核幔边界和内外核边界。最早通过理论计算和震相观测相结合的方法被发现与检测。近年来,基于流动台阵的大量观测证明这些边界在空间尺度上具有不均匀的特征,可能包含起伏、超低速带和刚性层等复杂结构。可以通过传播经过这些复杂结构的直达波和反射波进行有效的采样与检测。通过分析PmKP震相(在核幔边界反射m-1次),可以在地面陆基观测范围受限的情况下,提供额外的地震波对核幔边界的采样范围。本研究提出了新的地震多台记录采样方法,将离散的地震台站观测数据采样到均匀的空间-时间网格上。通过在网格采样图上进一步应用二维深度卷积神经网络,实现对深部PmKP震相地震图的自动检测和特征提取。经过特征检测地震图进一步通过慢度计算与卷积神经网络的判别实现了 PmKP震相信号的自动验证。该方法可以有效提升大量地震事件数据中不同PmKP震相信号的检测效率,并有望扩增现有已知震相观测数据集与采样范围。此外,对于其他地核震相(如PKiPK震相)的特征,该方法也展现出类似的检测性能,具有潜在的应用价值。本研究介绍了三种在不同地震学数据处理领域的机器学习方法应用。通过针对不同类型和特征的地震数据,设计相应的机器学习方法和训练集构建方法,可以实现地震观测数据的稳定自动与高效处理。这些研究成果为地震学研究提供了有效的工具,通过应用这些方法有望推动地震学领域的发展,并为深入理解地震过程和地球内部结构提供方法支持。
欢迎来到三峡大学图书馆！
