基于异常检测方法的高规模地震识别
地球物理
2024-12-03 v1
摘要
地震早警系统对于保护受此类自然灾害威胁的地区至关重要。这些系统的一个关键部分是检测程序。传统上，这些系统使用地震仪数据，但高速率 GNSS 数据最近成为大型地震早警系统中的有前景的替代方案。除了传统方法之外，深度学习方法最近在该领域获得了流行，因为它们能够利用大量真实和合成地震数据。尽管如此，在 GNSS 数据上使用深度学习仍是一个比较新的主题。本工作通过提出一种基于自编码器的深度学习管道，旨在轻量且可定制，用于 GNSS 数据中异常（即高规模地震）的检测。该模型称为 DetEQ，使用来自智利九个站点的噪声数据记录进行训练。检测管道包括：(i) 使用 ground truth 和自编码器重建输出生成异常得分、(ii) 通过适当的阈值检测相关地震事件、(iii) 过滤本地事件，以避免误报。我们对 DetEQ 在 2011 年 Mw 6.8 庆塔破坏地震（在六个站点记录）的 HR GNSS 实测数据进行了稳健性测试。结果突显了基于 GNSS 的深度学习模型在有效地震检测方面的潜力。
引用
@article{arxiv.2412.00264,
title = {High Magnitude Earthquake Identification Using an Anomaly Detection Approach on HR GNSS Data},
author = {Javier Quintero Arenas and Claudia Quinteros Cartaya and Andrea Padilla Lafarga and Carlos Moraila and Johannes Faber and Jonas Koehler and Nishtha Srivastava},
journal= {arXiv preprint arXiv:2412.00264},
year = {2024}
}