[论文解读] A Deep Neural Network to identify foreshocks in real time

K. Vikraman|arXiv (Cornell University)|Nov 26, 2016

Earthquake Detection and Analysis参考文献 7被引用 8

一句话总结

该论文提出了一种基于改进AlexNet架构的深度学习模型，能够以99%的准确率实时将地震波形分类为前震、主震或余震。通过使用经过FFT变换的时间序列地震数据，该模型在前震和余震事件分类中实现了100%的准确率，主震事件分类准确率为99.5%，是迄今为止最可靠的实时前震检测方法。

ABSTRACT

Foreshock events provide valuable insight to predict imminent major earthquakes. However, it is difficult to identify them in real time. In this paper, I propose an algorithm based on deep learning to instantaneously classify a seismic waveform as a foreshock, mainshock or an aftershock event achieving a high accuracy of 99% in classification. As a result, this is by far the most reliable method to predict major earthquakes that are preceded by foreshocks. In addition, I discuss methods to create an earthquake dataset that is compatible with deep networks.

研究动机与目标

• 开发一种实时识别前震的方法，前震是大地震的关键前兆，但在实际中难以区分。
• 通过利用深度学习实现地震事件的自动、高精度分类，克服传统地震预测方法的局限性。
• 构建一个包含前震、主震和余震地震波形的标注数据集，适用于深度学习模型训练与验证。
• 证明深度学习能够基于波形特征可靠地分类地震事件，即使在前震与其它事件在实时中难以区分的情况下亦可实现。

提出的方法

• 该模型基于改进的AlexNet架构，采用四层卷积层和两层全连接层的深度前馈神经网络。
• 输入数据为来自IRIS Wilber 3数据库的一分钟地震波形在P波初至时刻附近的快速傅里叶变换（FFT）分量。
• 网络采用ReLU激活函数、Xavier权重初始化、ADAM优化算法以及Dropout正则化，以提升泛化能力并防止过拟合。
• 事件分类通过聚合所有傅里叶分量的预测结果确定：将预测次数最多的类别作为最终事件类型。
• 数据集通过收集191次前震事件、224次主震事件和224次余震事件的波形构建，所有数据均来自各事件最近的台站及其'BH'通道。
• 数据预处理通过ObsPy和SciPy对时域波形进行FFT变换，将其转换至频域，确保与深度学习框架的兼容性。

实验结果

研究问题

• RQ1 深度神经网络能否利用原始波形数据，在实时条件下准确分类地震事件为前震、主震或余震？
• RQ2 深度学习在多大程度上能够克服实时前震识别中的挑战，如时间上的可变性以及与其它事件的相似性？
• RQ3 当在自建的标注地震波形数据集上进行训练时，深度学习模型在区分前震与其他地震事件方面的有效性如何？
• RQ4 训练准确率与验证准确率之间的性能差距有多大？数据增强是否能够缩小这一差距？
• RQ5 该模型能否在多样化地震事件中实现泛化，包括具有强前震的大地震，如2011年日本地震和2004年苏门答腊地震？

主要发现

• 当对地震波形的单个傅里叶分量进行分类时，模型在训练集上达到98.6%的准确率，在验证集上达到92.4%的准确率。
• 混淆矩阵显示，前震与余震具有共同特征，使其比主震更难区分。
• 当基于分量级预测对完整地震事件进行分类时，模型在191次前震事件中全部正确分类，准确率达到100%。
• 主震事件的分类准确率为99.5%（223/224），表明对最常见事件类型的强分类性能。
• 余震事件的分类准确率为100%（224/224），表明模型在检测主震后序列方面具有高度鲁棒性。
• 本研究证明，深度学习可实现近乎完美的实时前震分类，为早期地震预测提供了一种可靠方法。