[论文解读] Signal-based Bayesian Seismic Monitoring

David A. Moore, Stuart Russell|arXiv (Cornell University)|Mar 2, 2017

Seismology and Earthquake Studies参考文献 17被引用 5

一句话总结

该论文提出SIGVISA，一种基于信号的贝叶斯地震监测系统，通过在小波参数上使用高斯过程直接对原始地震波形进行建模，以预测波形波动。通过整合物理先验并实现跨台站的联合推断，SIGVISA在相同精度下检测到的事件数量是以往基于检测的方法的三倍，平均定位误差降低为原来的四分之一，并显著提升了对低震级和新发事件的敏感度。

ABSTRACT

Detecting weak seismic events from noisy sensors is a difficult perceptual task. We formulate this task as Bayesian inference and propose a generative model of seismic events and signals across a network of spatially distributed stations. Our system, SIGVISA, is the first to directly model seismic waveforms, allowing it to incorporate a rich representation of the physics underlying the signal generation process. We use Gaussian processes over wavelet parameters to predict detailed waveform fluctuations based on historical events, while degrading smoothly to simple parametric envelopes in regions with no historical seismicity. Evaluating on data from the western US, we recover three times as many events as previous work, and reduce mean location errors by a factor of four while greatly increasing sensitivity to low-magnitude events.

研究动机与目标

• 通过直接对原始波形进行建模，而非依赖预处理后的检测结果，提升在噪声大、空间分布式的传感器网络中的地震事件检测能力。
• 解决基于检测的系统因阈值设定和信号损失而漏检低震级和新发事件的局限性。
• 开发一种生成式概率模型，整合地震波传播的物理知识及路径相关的调制特性。
• 利用贝叶斯方法实现在多个台站之间的联合推断，结合初至时间与波形相关性。
• 提升对无附近历史地震活动事件的敏感度，这是核禁试条约监测中的关键需求。

提出的方法

• 将地震事件检测建模为贝叶斯推断问题，采用包含事件位置、震源时间与相位振幅等隐变量的生成模型。
• 利用小波系数上的高斯过程对波形波动进行建模，基于历史事件实现细节刻画，并在地震活动稀少区域平滑退化为参数化包络。
• 引入基于物理的走时模型（例如，Kennett & Engdahl, 1991）以根据事件-台站几何关系与速度结构预测相位到时时间。
• 采用MCMC推断方法计算事件历史的后验分布，结合自下而上的信号证据与自上而下的物理约束。
• 利用台站间的波形相关性提升检测与定位精度，尤其对重复事件效果显著。
• 将多站数据整合进统一的概率框架，联合推理事件发生时间、位置与信号结构。

实验结果

研究问题

• RQ1 基于原始地震波形的贝叶斯生成模型是否能在事件召回率与定位精度上超越基于检测的系统？
• RQ2 波形建模在多大程度上能提升对历史数据中不存在的低震级与新发地震事件的检测能力？
• RQ3 基于信号的模型在多大程度上能结合初至时间与波形相关性以改善事件定位？
• RQ4 通过小波参数上的高斯过程对波形波动进行建模，是否能在地震活动稀少区域实现更好的泛化能力？
• RQ5 该系统能否在无附近历史地震活动的事件上保持高性能，这是核监测中的关键挑战？

主要发现

• SIGVISA在51%的精确率下达到19.3%的召回率，是基线SEL3系统（6.4%召回率）的三倍，且在相同精确率水平下表现更优。
• 与以往方法相比，平均定位误差降低了四倍，显著提升了事件定位精度。
• 在高灵敏度模式下，系统检测到所有参考事件的33%，其中包括六个被所有其他基于IMS的系统遗漏的真实事件。
• SIGVISA对新发事件保持了强劲性能——在三个月窗口（2008年1月至3月）内检测到24个中的6个，精确率与精度水平下与其它系统相当或更优。
• 对于两个未列入参考公报的事件，模型预测与实测信号之间表现出强烈对应关系，提示真实事件清单可能存在漏报。
• 系统显著提升了对低震级事件的敏感度，这些事件常因信噪比较低而被基于阈值的检测系统遗漏。