基于通道及多头注意力机制的深度学习模型对短周期密集台阵资料进行震相识别
陈枭1
沈旭章2
黄昱涵2
黄河3
1.中山大学地球科学与工程学院,广州 510275;广东省地球动力作用与地质灾害重点实验室,广州 510275;四川大学水利水电学院,成都 6100652.中山大学地球科学与工程学院,广州 510275;广东省地球动力作用与地质灾害重点实验室,广州 5102753.地理信息工程国家重点实验室,西安 710054;西安测绘研究所,西安 710054
摘要：震相识别作为地震学中最为基础也最为重要的工作,其准确性对于区域地震活动性的深入分析以及地下结构精细探测至关重要.随着地震观测数据的海量增长与机器学习技术的飞速进步,多种基于机器学习的震相识别方法应运而生,如Eqtransformer与Phasenet等,显著推动了该领域的发展.然而,这些模型在处理短周期密集台阵数据时,常面临小微震漏检率高及部分中强地震波形识别不全的挑战.为应对上述问题,本文提出融合通道注意力机制与多头注意力机制的微震震相识别模型.该模型通过残差连接有效融合粗粒度与细粒度特征,利用通道注意力机制优化特征表示,并借助多头注意力机制增强模型对关键信息的聚焦能力.鉴于训练数据多源自信噪比较高的宽频带地震仪,本文采取策略性数据增强方法,以 6∶4的比例构建加噪(包含高斯随机白噪声与STEAD数据集噪声)与未加噪数据集,旨在提升模型在复杂野外噪声环境下的泛化能力.实验结果显示,相较于Eqtransformer与Phasenet等现有模型,本研究提出的模型Deepphase不仅较大程度上提高小微震的识别率,还优化P波与S波到时的识别精度.此外,该模型展现出快速的识别速度,能够在 10分钟内完成单台站一个月数据的全面识别,体现其在大数据处理中的高效性.本研究通过引入先进的注意力机制与深度学习架构,成功构建一种高效且精确的微震震相识别模型.该模型在提升小微震识别能力、增强模型泛化性以及加速识别过程方面均表现出色,为微震检测提供有力工具.
关键词：震相识别深度学习微震识别机器学习
分类号：P315(大地（岩石界）物理学（固体地球物理学）)TP18(自动化基础理论)
资助基金：国家自然科学基金(42230305)次青藏高原综合科学考察研究(关键地区岩石圈精细结构与浅部响应(20190ZKK0701))(20190ZKK0701)
论文发表日期：2025-09-30
在线出版日期：2025-10-28（本平台首次上网日期，不代表文献的发表时间）
页数：11( 815-825 )
英文信息