PhaseNet论文阅读总结

PhaseNet论文阅读总结

PhaseNet: a deep-neural-network-based seismic arrival-time pickingmethod

背景

• 地震监测和定位是地震学的基础

  • 地震目录的质量主要取决于到达时间测量的数量和精度
  • 相位拾取一般都是网络分析员来执行
  • 但是地震仪越来越多，数据流增加，人工拾取难以进行

• 相位拾取中S波最难

  • S波是从P波的散射波中出现的
  • S波可以减少基于P波对地震位置的深度原点权衡
  • S波结构对强地面运动预测很重要

过去的研究

• 短期平均/长期平均(STA/LTA)方法

  • 该方法记录短期窗口中的能量和长期窗口中的能量之比
  • 高于阈值的峰值，标识P、S到达
  • 该方法容易收到噪声的影响，准确度比较低

• 统计模型

  • 基于高阶统计（峰度和偏度）的方法识别从高斯型到非高斯的转变，这与地震事件的发生相吻合

• 浅层神经网络

  • 根据四个手动定义的特征对传统的浅层神经网络进行测试
  • 方差、偏度的绝对值、风度以及基于滑动窗口预测的偏度和峰度的组合
  • 大多数相位选择都是比较侧重P波

• 尽管有了上面工作，但是自动拾取的准确性还是不行

  • 因为地震波行由于多种效应而高度复杂
  • 传统的自动拾取算法都是手动定义特征 还需要仔细进行数据处理

论文idea

• 深度神经网络不是使用人工定义的特征，而是从标记数据上学习特征
• 输入：未经过过滤的三分量地震波行 垂直 南北 东西
• 输出：三种概率分布：P S 噪声
• P波和S波概率分布的峰值被设计为对应于预测的P S 到达时间
• 高准确率和召回率

数据集

• 北加州
• 779514条记录
• 分为训练集 验证机和测试数据集 623054 77866 78592
• 训练集和验证集用于训练和微调参数 模型选择
• 测试集用于评估性能
• 该数据集涵盖了广泛的信噪比SNR 各种仪器

数据预处理

• 随机选择一个包含P S到达时间的30S时间窗口作为phaseNet输入
  • 100Hz采样，然后这是原始数据集最常见的采样率，那么输入的波形每一个分量都有3001个数据点
  • 通过减去均值 然后除以标准差 来对每一个分量的波形进行归一化

模型

• PhaseNet的架构是修改U-Net网络得到的

• U-Net网络是一种用于生物医学图像处理的深度神经网络方法，旨在定位图像中的属性

• 将时间序列的属性定位为三类：P波 S波 噪声

• 输入是地震三分量地震图

• 输出是P S 噪声概率分布

• 输入和输出序列包含3001个数据点 30S 100HZ采样

• 输入地震数据经过四个下采样阶段和四个上采样阶段

• 在一个阶段 使用一维卷积和RELU

• 下采样从地震数据中提取有用信息将其缩小为更少的神经元

• 上采样将琪扩展为每一个时间点的P S 噪声的概率分布

• 输入维度是3 x 3001

• 输出是3 x 3001 p s 噪声 在每一个采样点的概率

实验

• 评价指标：精确率 召回率 F1分数

• 自动和人工标记的P和s到达时间的时间残差分布
• P picks的残差分布比S picks窄 P波更容易被挑选
• 与AR选择器相比PhaseNet的P和S选择的残差分布更窄

• 不同仪器上面的测试
  

• 不同信噪比

• 根据 log10(SNR) 的值将测试集分为 10 个不同的类别。 为每个类别计算精度、召回率和 F1 分数。

• 即使对于低 SNR 数据，PhaseNet 的精度也很高，而召回率变得相对较小。