PhaseNet论文阅读总结
PhaseNet: a deep-neural-network-based seismic arrival-time pickingmethod
背景
-
地震监测和定位是地震学的基础
- 地震目录的质量主要取决于到达时间测量的数量和精度
- 相位拾取一般都是网络分析员来执行
- 但是地震仪越来越多，数据流增加，人工拾取难以进行
-
相位拾取中S波最难
- S波是从P波的散射波中出现的
- S波可以减少基于P波对地震位置的深度原点权衡
- S波结构对强地面运动预测很重要
过去的研究
-
短期平均/长期平均(STA/LTA)方法
- 该方法记录短期窗口中的能量和长期窗口中的能量之比
- 高于阈值的峰值，标识P、S到达
- 该方法容易收到噪声的影响，准确度比较低
-
统计模型
- 基于高阶统计（峰度和偏度）的方法识别从高斯型到非高斯的转变，这与地震事件的发生相吻合
-
浅层神经网络
- 根据四个手动定义的特征对传统的浅层神经网络进行测试
- 方差、偏度的绝对值、风度以及基于滑动窗口预测的偏度和峰度的组合
- 大多数相位选择都是比较侧重P波
-
尽管有了上面工作，但是自动拾取的准确性还是不行
- 因为地震波行由于多种效应而高度复杂
- 传统的自动拾取算法都是手动定义特征 还需要仔细进行数据处理
论文idea
- 深度神经网络不是使用人工定义的特征，而是从标记数据上学习特征
- 输入：未经过过滤的三分量地震波行 垂直 南北 东西
- 输出：三种概率分布：P S 噪声
- P波和S波概率分布的峰值被设计为对应于预测的P S 到达时间
- 高准确率和召回率
数据集
- 北加州
- 779514条记录
- 分为训练集 验证机和测试数据集 623054 77866 78592
- 训练集和验证集用于训练和微调参数 模型选择
- 测试集用于评估性能
- 该数据集涵盖了广泛的信噪比SNR 各种仪器
数据预处理
- 随机选择一个包含P S到达时间的30S时间窗口作为phaseNet输入
- 100Hz采样，然后这是原始数据集最常见的采样率，那么输入的波形每一个分量都有3001个数据点
- 通过减去均值 然后除以标准差 来对每一个分量的波形进行归一化
模型
-
PhaseNet的架构是修改U-Net网络得到的
-
U-Net网络是一种用于生物医学图像处理的深度神经网络方法，旨在定位图像中的属性
-
将时间序列的属性定位为三类：P波 S波 噪声
-
输入是地震三分量地震图
-
输出是P S 噪声概率分布
-
输入和输出序列包含3001个数据点 30S 100HZ采样
-
输入地震数据经过四个下采样阶段和四个上采样阶段
-
在一个阶段 使用一维卷积和RELU
-
下采样从地震数据中提取有用信息将其缩小为更少的神经元
-
上采样将琪扩展为每一个时间点的P S 噪声的概率分布
-
输入维度是3 x 3001
-
输出是3 x 3001 p s 噪声 在每一个采样点的概率
实验
- 评价指标：精确率 召回率 F1分数
- 自动和人工标记的P和s到达时间的时间残差分布
- P picks的残差分布比S picks窄 P波更容易被挑选
- 与AR选择器相比PhaseNet的P和S选择的残差分布更窄
-
不同仪器上面的测试
-
不同信噪比
-
根据 log10(SNR) 的值将测试集分为 10 个不同的类别。 为每个类别计算精度、召回率和 F1 分数。
-
即使对于低 SNR 数据，PhaseNet 的精度也很高，而召回率变得相对较小。
