基于卷积神经网络的预警震级分段估算方法

doi:10.12068/j.issn.1005-3026.2024.08.002

东北大学学报（自然科学版） ›› 2024, Vol. 45 ›› Issue (8): 1073-1079.DOI: 10.12068/j.issn.1005-3026.2024.08.002

基于卷积神经网络的预警震级分段估算方法

任涛¹, 刘昕靓¹, 陈宏峰², 马延路²

^1.东北大学软件学院，辽宁沈阳 110169
^2.中国地震台网中心，北京 100029

收稿日期:2023-04-11 出版日期:2024-08-15 发布日期:2024-11-12
作者简介:任涛（1980-），男，辽宁沈阳人，东北大学教授，博士生导师.
基金资助:
国家自然科学基金资助项目(62276058);中央高校基本科研业务费专项资金资助项目(N2217003);辽宁省自然科学基金机器人国家重点实验室项目(2020-KF-12-11);星火计划公关项目(XH21042)

Segmented Estimation Method for Early Warning Magnitude Based on Convolutional Neural Network

Tao REN¹, Xin-liang LIU¹, Hong-feng CHEN², Yan-lu MA²

^1.School of Software，Northeastern University，Shenyang 110169，China
^2.China Earthquake Networks Center，Beijing 100029，China. Corresponding author： LIU Xin-liang，E-mail： 1834221980@qq. com

Received:2023-04-11 Online:2024-08-15 Published:2024-11-12

摘要/Abstract

摘要：

针对地震预警震级估算问题，提出一种基于卷积神经网络（convolutional neural network，CNN）的震级分段估算方法，该方法以单台站的P波初至后3 s时间的波形作为输入，输出结果为地震波形所属的震级区段（大地震，近震震级M_L≥5.0；小地震，M_L<5.0）.如果波形属于大地震区段，直接发出警报；如果波形属于小地震区段，再进行具体震级的估算.对于震级区段估算，CNN模型的准确率可达98.04%.根据震级估算参数τ_c和P_d估算的小地震震级平均绝对误差（mean absolute error，MAE）分别为0.20和0.31.结果表明，预警震级分段估算方法可以准确预警大地震，减少大地震漏报率；同时使得小地震震级估算结果更为准确.

关键词: 地震预警, 震级预警, 分段估算, 卷积神经网络, 震级估算参数

Abstract:

Aiming at magnitude estimation in earthquake early warning， a segmented estimation method based on convolutional neural network （CNN） is proposed. The input is the waveform starting from the P wave onset and lasting 3 s. The output is the estimated magnitude range （local magnitude M_L≥5.0 for large earthquake and M_L<5.0 for small earthquake）. If the waveform belongs to the large earthquake range， the alarm will be sent directly； if the waveform belongs to the small earthquake range， the specific magnitude value will be estimated. For the estimation of magnitude range， the accuracy of the CNN model can reach 98.04%. The mean absolute errors （MAE） of estimating small earthquake magnitudes based on parameters τ_c and P_d are 0.20 and 0.31， respectively. The results demonstrate the efficacy of the proposed segmented magnitude estimation method in accurately early warning large earthquakes and reducing the probability of missed warnings. Additionally， it enhances the precision of small earthquake magnitude estimation.

Key words: earthquake early warning, magnitude early warning, segmented estimation, convolutional neural network （CNN）, magnitude estimation parameters

中图分类号:

TP 399

任涛, 刘昕靓, 陈宏峰, 马延路. 基于卷积神经网络的预警震级分段估算方法[J]. 东北大学学报（自然科学版）, 2024, 45(8): 1073-1079.

Tao REN, Xin-liang LIU, Hong-feng CHEN, Yan-lu MA. Segmented Estimation Method for Early Warning Magnitude Based on Convolutional Neural Network[J]. Journal of Northeastern University(Natural Science), 2024, 45(8): 1073-1079.

参考文献 18

1	Allen R M， Melgar D.Earthquake early warning：advances，scientific challenges，and societal needs［J］.Annual Review of Earth and Planetary Sciences，2019，47：361-388.
2	Iaccarino A G， Picozzi M， Bindi D，et al.Onsite earthquake early warning：predictive models for acceleration response spectra considering site effects［J］.Bulletin of the Seismological Society of America，2020，110（3）：1289-1304.
3	Erdik M， Aydinoglu N， Fahjan Y，et al.Earthquake risk assessment for Istanbul metropolitan area［J］.Earthquake Engineering and Engineering Vibration，2003，2（1）：1-23.
4	Kohler M D， Cochran E S， Given D，et al.Earthquake early warning ShakeAlert system：west coast wide production prototype［J］.Seismological Research Letters，2018，89（1）：99-107.
5	Chamoli B P， Kumar A， Chen D Y，et al.A prototype earthquake early warning system for northern India［J］.Journal of Earthquake Engineering，2021，25（12）：2455-2473.
6	李幼平，文进，杜亮，等.医学期刊发表地震相关文献的比较研究［J］.中国循证医学杂志，2009，9（12）：1252-1257.
	Li You‑ping， Wen Jin， Du Liang，et al.A comparative study on earthquake‑related literature published in medical journals［J］.Chinese Journal of Evidence-Based Medicine，2009，9（12）：1252-1257.
7	Chin T L， Huang C Y， Shen S H，et al.Learn to detect：improving the accuracy of earthquake detection［J］.IEEE Transactions on Geoscience and Remote Sensing，2019，57（11）：8867-8878.
8	Kanamori H.Real‑time seismology and earthquake damage mitigation ［J］.Annual Review of Earth and Planetary Sciences，2005，33：195-214.
9	Wu Y M， Kanamori H.Experiment on an onsite early warning method for the Taiwan early warning system［J］.Bulletin of the Seismological Society of America，2005，95（1）：347-353.
10	Talebi A， Fard R A， Rahimi H，et al.Estimation of τ_c，τ_cmax and P_d，earthquake early warning parameters，for Northwest of Iran［J］.Pure and Applied Geophysics，2022，179（3）：935-948.
11	Chiang Y J， Chin T L， Chen D Y.Neural network‑based strong motion prediction for on‑site earthquake early warning［J］.Sensors，2022，22（3）：704-715.
12	Perol T， Gharbi M， Denolle M.Convolutional neural network for earthquake detection and location［J］.Science Advances，2018，4（2）：e1700578.
13	Wu Y， Lin Y Z， Zhou Z，et al.DeepDetect：a cascaded region‑based densely connected network for seismic event detection［J］.IEEE Transactions on Geoscience and Remote Sensing，2019，57（1）：62-75.
14	任涛，林梦楠，陈宏峰，等.基于Bagging集成学习算法的地震事件性质识别分类［J］.地球物理学报，2019，62（1）：383-392.
	Ren Tao， Lin Meng‑nan， Chen Hong‑feng，et al.Seismic event classification based on bagging ensemble learning algorithm［J］.Chinese Journal of Geophysics，2019，62（1）：383-392.
15	Bueno A， Benitez C， De Angelis S，et al.Volcano‑seismic transfer learning and uncertainty quantification with bayesian neural networks［J］.IEEE Transactions on Geoscience and Remote Sensing，2020，58（2）：892-902.
16	Liu X L， Ren T， Chen H F，et al.Classification of tectonic and non‑tectonic seismicity based on convolutional neural network［J］.Geophysical Journal International，2020，224（1）：191-198.
17	Ren T， Wang P Y， Lin M N，et al.Classification of tectonic and nontectonic earthquakes by an integrated learning algorithm［J］.Pure and Applied Geophysics，2020，177（1）：455-467.
18	Lomax A， Michelini A， Jozinovic D.An investigation of rapid earthquake characterization using single‑station waveforms and a convolutional neural network［J］.Seismological Research Letters：A，2019，90（2）：517-529.

[1]	刘伟嵬, 刘炳君, 刘焕强, 刘泽远. 激光熔化沉积过程缺陷识别方法[J]. 东北大学学报（自然科学版）, 2024, 45(8): 1150-1158.
[2]	薛珮芸, 白静, 张楠, 赵建星. 基于VMD的双通道构音障碍语音特征图谱提取算法[J]. 东北大学学报（自然科学版）, 2024, 45(6): 793-801.
[3]	孙颖，李泽，张雪英. 基于约束式双通道模型的语音情感识别[J]. 东北大学学报（自然科学版）, 2023, 44(11): 1537-1542.
[4]	杨超然，廖珊珊，陈达，康雁. 一种基于卷积神经网络的胎儿头围自动测量方法[J]. 东北大学学报（自然科学版）, 2023, 44(11): 1571-1577.
[5]	刘洋，闫冬梅，孟范伟. 基于Transformer改进的两分支行人重识别算法[J]. 东北大学学报（自然科学版）, 2023, 44(1): 26-32.
[6]	马源源，刘晏泽，刘呈隆，张甜洁. 中国投资者多角度舆情分析及其在股市预测中的作用[J]. 东北大学学报（自然科学版）, 2022, 43(8): 1201-1209.
[7]	范纯龙，李彦达，夏秀峰，乔建忠. 基于随机梯度上升和球面投影的通用对抗攻击方法[J]. 东北大学学报（自然科学版）, 2022, 43(2): 168-175.
[8]	王璐，王帅，张国峰，徐礼胜. 基于语义分割注意力与可见区域预测的行人检测方法[J]. 东北大学学报（自然科学版）, 2021, 42(9): 1261-1267.
[9]	张涛，刘天威，杜文丽. 一种基于卷积神经网络的区域调光技术[J]. 东北大学学报（自然科学版）, 2021, 42(5): 624-632.
[10]	张永超，李琦，任朝晖，周世华. 基于域适应与分类器差异的滚动轴承跨域故障诊断[J]. 东北大学学报（自然科学版）, 2021, 42(3): 367-372.
[11]	蒋芳芳，王浩乾，程天庆，洪楚航. 基于相空间重构的心冲击信号房颤检测方法[J]. 东北大学学报（自然科学版）, 2021, 42(11): 1547-1554.
[12]	方亮，周云，唐志泉. 基于优化的残差网络的锈蚀钢筋图像分类[J]. 东北大学学报（自然科学版）, 2021, 42(11): 1625-1633.
[13]	徐久强，张金鹏，贾玉其，邵建新. 基于集成学习的束支传导阻滞识别方法[J]. 东北大学学报:自然科学版, 2020, 41(3): 321-326.
[14]	王鑫，王翠荣，王聪，苑迎. 双通道多感知卷积神经网络图像超分辨率重建[J]. 东北大学学报:自然科学版, 2020, 41(11): 1564-1570.
[15]	王洋，刘积仁，赵大哲，邱道云. 卷积神经网络在MRI图像诊断中的应用[J]. 东北大学学报:自然科学版, 2019, 40(2): 169-173.

基于卷积神经网络的预警震级分段估算方法

Segmented Estimation Method for Early Warning Magnitude Based on Convolutional Neural Network

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献 18

相关文章 15

编辑推荐

Metrics

本文评价