[论文解读] Combining Deep Learning with Physics Based Features in Explosion-Earthquake Discrimination

Qingkai Kong, Ruijia Wang+4 more|arXiv (Cornell University)|Mar 11, 2022

Seismology and Earthquake Studies参考文献 35被引用 72

一句话总结

该论文提出了一种混合深度学习模型，将基于物理的地震特征（如高频P/S振幅比和ML–MC震级差值）与卷积神经网络提取的波形特征相结合，以提升对地震与爆炸的区分能力。特征融合显著增强了模型在新区域的泛化能力，Grad-CAM可视化结果表明，该模型在决策时聚焦于P波和S波的不同频带。

ABSTRACT

This paper combines the power of deep-learning with the generalizability of physics-based features, to present an advanced method for seismic discrimination between earthquakes and explosions. The proposed method contains two branches: a deep learning branch operating directly on seismic waveforms or spectrograms, and a second branch operating on physics-based parametric features. These features are high-frequency P/S amplitude ratios and the difference between local magnitude (ML) and coda duration magnitude (MC). The combination achieves better generalization performance when applied to new regions than models that are developed solely with deep learning. We also examined which parts of the waveform data dominate deep learning decisions (i.e., via Grad-CAM). Such visualization provides a window into the black-box nature of the machine-learning models and offers new insight into how the deep learning derived models use data to make the decisions.

研究动机与目标

• 提升深度学习模型在新地理区域中对爆炸与地震区分任务的泛化能力。
• 将具有物理可解释性的地震特征（如P/S振幅比、ML–MC差异）整合进深度学习框架，以增强模型鲁棒性。
• 利用Grad-CAM等可解释性技术，探究深度学习模型在分类决策中依赖的具体波形成分。
• 证明结合数据驱动特征与物理信息特征，可实现更可靠且可迁移的地震震源分类。

提出的方法

• 采用双分支神经网络架构：一个分支通过卷积和循环层处理原始地震波形或语谱图，另一个分支处理人工构建的物理特征。
• 基于物理的特征包括高频P/S振幅比以及本地震级（ML）与尾波持续时间震级（MC）之间的差异，这些特征已知可有效区分爆炸源与构造源。
• 将两个分支的特征拼接后，通过全连接层进行最终分类。
• 通过Grad-CAM实现模型可解释性，可视化时间序列与语谱图输入上的注意力图，识别影响预测结果的波形区域。
• 通过随机采样每个事件的起始时间实施数据增强，提升训练数据多样性并平衡类别分布。
• 模型在四个区域数据集（SPE、BASE、MSH、SSIP）上进行训练与评估，采用一致的预处理流程：去趋势处理、汉宁窗加权、1–20 Hz带通滤波，并重采样至40 Hz。

实验结果

研究问题

• RQ1 将基于物理的特征与深度学习结合，能否提升在新区域中爆炸-地震区分任务的模型泛化能力？
• RQ2 深度学习模型在分类决策中最依赖地震波形的哪些部分？
• RQ3 当模型应用于训练区域外的数据时，基于物理的特征在性能提升中起到何种作用？
• RQ4 深度学习分支与物理特征分支在决策过程中相互补充的程度如何？
• RQ5 如Grad-CAM等可视化技术能否揭示与地震学认知一致的有意义模式？

主要发现

• 与仅使用波形的深度学习模型相比，混合模型在未见区域数据上表现出更优的泛化性能。
• 引入基于物理的特征可提升模型在新区域的表现，表明这些特征提供了深度学习分支未能完全捕捉的信息。
• Grad-CAM可视化显示，深度学习模型在P波和S波中聚焦于不同频带，且对高频成分的关注达到峰值。
• 模型对P波和S波相位的关注与地震学知识一致，支持所学习特征的物理可解释性。
• 尾波，特别是较长时间段的尾波，也对区分结果有贡献，尤其在远距离情况下更为显著。
• 模型对特定频带的依赖性提示未来可探索动态或自适应P/S比计算方法。