长短期记忆网络在P波初至震相识别中的实验研究
王天哲
张万佶
祁善博
江国明
陆内火山与地震教育部重点实验室(中国地质大学,北京),北京 100083;中国地质大学(北京)地球物理与信息技术学院,北京 100083
摘要：初至震相的识别是地震数据处理中的基本内容.由于人工识别效率较低,且受到人为主观因素的影响,因此近年来陆续发展出许多自动识别初至震相的方法.然而,这些自动识别方法主要基于背景噪声和地震信号的差异,并且通常需要一个阈值,因此难以在复杂的地震区域实施或应对海量的地震数据.为克服这些不足,本文搭建 7层基于长短期记忆网络(Lstm)的卷积循环神经网络,开展P波初至震相识别的实验研究,并利用南加州公开的数据集对新建的卷积循环神经网络进行训练和测试.通过与传统的卷积神经网络、自动识别算法、Pick-Net、EQtransformer网络等进行对比,本研究搭建的卷积循环神经网络的识别精度相对较高,因此可直接使用地震波形数据作为时间序列进行训练.此外,虽然本研究建立的卷积循环神经网络只有 7层网络,但基本达到复杂网络模型的震相识别精度,充分说明卷积循环神经网络的优势.综上,本研究提出的基于时间序列卷积循环神经网络为P波初至震相的自动识别提供一种新思路,为快速精准的自动识别震相问题提供技术支持.
关键词：深度学习初至震相卷积循环神经网络长短期记忆网络时间序列
分类号：TP183(自动化基础理论)P315(大地（岩石界）物理学（固体地球物理学）)
资助基金：国家科技重大专项(2024ZD1000100)
论文发表日期：2025-03-31
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：11( 205-215 )
英文信息