局部地震检测：基于全球尺度构建的三分量地震图基准数据集
地球物理
2020-08-10 v1
摘要
机器学习因能够创建描述复杂数据且泛化良好的模型，在科技进步中正变得日益重要。当今海量公开可用的地震数据需要自动化、快速且可靠的工具来完成诸多任务，例如在台站稀疏地区检测小型局部地震。然而，机器学习的类似应用应建立在大量标注地震图之上，而这既非轻易可得也难以整理。在本研究中，我们提出一个由分布于全球各地的1487个宽频带或甚宽频带接收器沿垂直、北和东分量记录的大型地震图数据集；其中包含由304,878次局部地震产生并标注为EQ的629,095个三分量地震图，以及615,847个标注为噪声（AN）的地震图。将该数据集应用于机器学习表明，一个含67,939个参数的简单卷积神经网络（Convolutional Neural Network）即可区分地震与噪声的单台站记录，即便应用于训练集中未涵盖的地区也是如此。该网络在训练集、验证集和测试集上分别达到96.7%、95.3%和93.2%的准确率，我们由此证明数据所涵盖的地质与构造环境多样性支撑了算法的泛化能力，并使其适用于局部事件的实时检测。我们公开该数据库，旨在为地震学及更广泛的科学界提供一个时间序列基准，用作信号处理中的试验平台。
引用
@article{arxiv.2008.02903,
title = {Local earthquakes detection: A benchmark dataset of 3-component seismograms built on a global scale},
author = {Fabrizio Magrini and Dario Jozinović and Fabio Cammarano and Alberto Michelini and Lapo Boschi},
journal= {arXiv preprint arXiv:2008.02903},
year = {2020}
}