[论文解读] Deep Learning-based Small Magnitude Earthquake Detection and Seismic Phase Classification

Wei Li, Yu Sha+5 more|arXiv (Cornell University)|Apr 6, 2022

Seismology and Earthquake Studies被引用 5

一句话总结

本文提出一种一维残差神经网络（ResNet）和一种多分支ResNet，用于在信噪比低的条件下检测小震级地震并分类地震相位（P波、S波、噪声）。模型在南加州地震网络数据上进行训练，地震检测测试准确率达到98.85%，在地震监测任务中相比先前的深度学习方法提升4%，即使在噪声大、振幅小的信号上也表现出色。

ABSTRACT

Reliable earthquake detection and seismic phase classification is often challenging especially in the circumstances of low magnitude events or poor signal-to-noise ratio. With improved seismometers and better global coverage, a sharp increase in the volume of recorded seismic data is witnessed. This makes the handling of the seismic data rather daunting based on traditional approaches and therefore fuels the need for a more robust and reliable method. In this study, we investigate two deep learningbased models, termed 1D ResidualNeuralNetwork (ResNet) and multi-branch ResNet, for tackling the problem of seismic signal detection and phase identification, especially the later can be used in the case where multiple classes is organized in the hierarchical format. These methods are trained and tested on the dataset of the Southern California Seismic Network. Results demonstrate that the proposed methods can achieve robust performance for the detection of seismic signals, and the identification of seismic phases, even when the seismic events are of small magnitude and are masked by noise. Compared with previously proposed deep learning methods, the introduced frameworks achieve 4% improvement in earthquake monitoring, and a slight enhancement in seismic phase classification.

研究动机与目标

• 解决在信噪比低的环境中检测小震级地震并分类地震相位的挑战。
• 克服传统方法（如STA/LTA和AR-AIC）在低信噪比信号下表现不佳及误判率高的局限性。
• 利用深度学习技术实现大规模地震数据集中地震信号检测与相位识别的自动化与更高可靠性。
• 评估一维ResNet与多分支ResNet架构在地震相位分层分类中的性能。
• 展示深度学习模型在真实地震监测应用中对噪声多、复杂数据的鲁棒性与可扩展性。

提出的方法

• 采用带跳跃连接的一维残差神经网络（ResNet34）以缓解梯度消失问题，并提升时间序列地震数据中的特征学习能力。
• 设计一种多分支ResNet架构，将分层结构作为先验知识，以提升对P波、S波和噪声相位的分类性能。
• 使用南加州地震网络（SCSN）数据集中的标注地震波形，通过监督学习方法对两个模型进行训练，相位类别标注为P波、S波或噪声。
• 采用标准深度学习训练流程，包括数据归一化（振幅重标定至绝对最大值）、100Hz重采样，以及用于分类的交叉熵损失函数。
• 应用早停法与模型检查点机制，防止过拟合并确保在测试数据上的最优泛化性能。
• 通过精确率、召回率和F1分数等指标评估性能，同时开展对训练数据划分比例（如50%、90%）的消融实验。

实验结果

研究问题

• RQ1 一维ResNet架构是否能有效检测信噪比低的地震数据中的小震级地震？
• RQ2 具有分层设计的多分支ResNet架构是否相比标准ResNet提升地震相位分类准确率？
• RQ3 所提出的深度学习框架在检测与相位分类性能方面，与先前的最先进方法（如CapsNet和CapsPhase）相比如何？
• RQ4 残差连接与多分支架构的使用在多大程度上增强了地震信号分类中的特征学习能力与模型鲁棒性？
• RQ5 这些模型是否能很好地泛化到对传统检测算法构成挑战的噪声大、振幅小的波形上？

主要发现

• 一维ResNet在地震检测任务中达到98.83%的测试准确率，在地震相位分类中F1分数达到98.76%。
• 多分支ResNet的检测准确率略高，达到98.85%，在地震监测任务中相比CapsNet提升4%。
• 在噪声检测方面，多分支ResNet的F1分数达到99.14%，表现出对背景噪声的卓越鲁棒性。
• 在P波相位分类中，多分支ResNet的F1分数达到98.71%，在精确率与召回率方面均优于CapsPhase。
• 即使在误分类波形上，模型仍保持高性能，如图6所示，表明其对复杂或模糊信号具有强适应能力。
• 分层多分支架构带来了性能提升，尤其在区分S波与噪声方面表现突出，表明结构先验知识在分类中得到了有效利用。