探索机器学习方法在太平洋西北部地震事件判别中的应用
地球物理
2025-10-29 v1
摘要
准确分离太平洋西北部 (PNW) 中的构造、人为和地形学地震源对于 PNW 监测至关重要，但随着网络密度增加和信号重叠，仍然困难。先前工作大多将二元判别处理为稀少比较在统一、多类设置下进行的经典机器学习 (特征工程) 与深度学习 (端到端) 方法，在操作约束下进行比较。我们评估方法和特征用于四向源判别——地震、爆炸、表面事件和噪声——并识别既准确又可部署的模型。使用来自 AI 精选 PNW 数据集中约 20 万个三轴波形（来自 7 万多个事件），我们测试基于 TSFEL、物理信息和散射特征的随机森林分类器，以及输入时间序列 (1D) 或频谱图 (2D) 的 CNN；我们在平衡的通用测试集、10 万事件网络数据集以及外域数据（全球表面事件；近场炸弹）上进行基准测试。采用频谱图的 CNN 在域内（作为短而肥的 CNN SeismicCNN 2D）和外域（作为长而瘦的 CNN QuakeXNet 2D）方面准确率超过 92%，而最佳随机森林为 89%；性能在低信噪比和更长距离下仍然强劲，并可推广到独立网络和全球数据集。QuakeXNet-2D 轻量（约 7 万参数；约 1.2 MB），已实现到 seisbench 中，能在一般硬件上约 9 秒扫描一天 100 Hz 的三轴数据，并发布了检查点。这些结果表明，频谱图-based CNN 在实时 PNW 操作和可迁移的表面事件监测中提供了最佳准确率、效率和鲁棒性。
引用
@article{arxiv.2510.23795,
title = {Exploration of Machine Learning Methods to Seismic Event Discrimination in the Pacific Northwest},
author = {Akash Kharita and Marine Denolle and Alexander R Hutko and J. Renate Hartog and Stephen D. Malone},
journal= {arXiv preprint arXiv:2510.23795},
year = {2025}
}