CRED：一种用于地震信号检测的卷积与循环单元深度残差网络
机器学习
2018-10-05 v1 机器学习
摘要
地震信号检测是观测地震学的核心。良好的检测算法应对具有多种波形形状的小而弱的事件敏感，对背景噪声和非地震信号鲁棒，并能高效处理大数据量。在此，我们介绍Cnn-Rnn地震检测器（CRED），一种基于深度神经网络的检测器。该网络在残差结构中组合使用卷积层和双向长短期记忆单元。它从单台站记录的三分量数据中学习地震信号中主导震相的时频特征。我们使用在北加州记录的500,000个地震图（25万与构造地震相关，25万被识别为噪声）训练网络，并以99.95的F值进行测试。通过将训练模型应用于一组半合成信号，展示了其相对于噪声水平和非地震信号的鲁棒性。将该模型应用于阿肯色中部记录的一个月连续数据，以展示其效率、泛化性和灵敏度。我们的模型能够检测到超过700个微震，其震级小至-1.3 ML，由远晚于训练区域的水力压裂诱发。将该模型性能与STA/LTA、模板匹配和FAST算法进行比较。我们的结果表明CRED具有高效可靠的性能。该框架在降低检测阈值的同时最小化误检率方面大有前景。
引用
@article{arxiv.1810.01965,
title = {CRED: A Deep Residual Network of Convolutional and Recurrent Units for Earthquake Signal Detection},
author = {S. Mostafa Mousavi and Weiqiang Zhu and Yixiao Sheng and Gregory C. Beroza},
journal= {arXiv preprint arXiv:1810.01965},
year = {2018}
}