地震相的神经混合模型关联
地球物理
2023-01-09 v1
摘要
地震相关联是将地震台网中的相到时拾取按共同震源分组为子集的任务。基于近期机器学习工具在该领域的成功，我们引入了一种神经混合模型关联算法（Neuma），其结合物理信息神经网络与混合模型来解决这一挑战性问题。我们的公式明确假设数据集包含来自地震的真实相拾取，以及由相拾取错误和虚假拾取产生的噪声拾取。问题表述随之变为将每个观测分配至地震或噪声。我们迭代更新一组震源位置和震级，同时确定每个拾取的最优类别分配。我们展示通过使用物理信息 Eikonal 求解器作为正演模型，可在保持高召回率的同时对留存拾取施加严格质量控制。我们在一系列具有挑战性的合成数据集和 2019 年加州 Ridgecrest 序列上评估了 Neuma 相对于若干基线算法的性能。Neuma 在每个合成数据集上的精确率与召回率均优于基线。此外，在 Ridgecrest 数据集上它比最佳基线多检测出 3285 次地震（13.5%），同时大幅改善了震源位置。
引用
@article{arxiv.2301.02597,
title = {Neural mixture model association of seismic phases},
author = {Zachary E. Ross and Weiqiang Zhu and Kamyar Azizzadenesheli},
journal= {arXiv preprint arXiv:2301.02597},
year = {2023}
}