Earthquake Transformer — модель глубокого обучения с механизмом внимания для одновременного обнаружения землетрясений и определения фаз

Earthquake transformer—an attentive deep-learning model for simultaneous earthquake detection and phase picking
S. Mostafa Mousavi, William L. Ellsworth, Weiqiang Zhu, Lindsay Chuang, Gregory C. Beroza
2020-08-07

обнаружение землетрясенийEarthquake Transformerиерархический механизм вниманиямониторинг микро землетрясенийопределение сейсмических фаз
Обнаружение сигналов землетрясений и определение сейсмических фаз являются сложными задачами при обработке зашумлённых данных и мониторинге микро­землетрясений. В данной работе представлена глобальная модель глубокого обучения для одновременного обнаружения землетрясений и определения фаз. Совместное выполнение этих взаимосвязанных задач повышает эффективность модели в каждой из них за счёт объединения информации о фазах и полной форме волны сигналов землетрясений с использованием иерархического механизма внимания. Показано, что наша модель превосходит ранее разработанные алгоритмы глубокого обучения, а также традиционные алгоритмы определения фаз и обнаружения землетрясений. При применении модели к непрерывным данным за 5 недель, зарегистрированным во время серии из 2000 землетрясений в Тоттори (Япония), удалось обнаружить и локализовать в два раза больше землетрясений, используя лишь часть сейсмических станций (менее 1/3). Модель определяет фазы P и S с точностью, близкой к точности ручной разметки, выполненной аналитиками; однако её высокая эффективность и повышенная чувствительность могут обеспечить обнаружение и характеристику большего числа событий, включая более слабые.
1
Иерархический механизм внимания объединяет информацию о фазах и полной форме сигнала, одновременно повышая качество обнаружения и выделения фаз.
2
При применении к пяти неделям данных от 2000 землетрясений Тоттори модель обнаружила и локализовала вдвое больше землетрясений, используя менее трети сейсмических станций.
3
Точность выделения P- и S-фаз близка к точности ручной разметки аналитиков, а более высокая эффективность и чувствительность позволяют обнаруживать и характеризовать более мелкие события.
4
Модель превосходит предыдущие методы глубокого обучения и традиционные алгоритмы обнаружения землетрясений и выделения фаз.
5
В работе представлена глобальная модель глубокого обучения, одновременно выполняющая обнаружение землетрясений и выделение сейсмических P- и S-фаз.

сейсмические сигналы и сейсмические события, включая землетрясения Тоттори 2000 года в Японии, зарегистрированные в непрерывных сейсмических данных

одновременное обнаружение землетрясений, определение местоположения событий и выделение P- и S-фаз в зашумлённых непрерывных сейсмических данных, включая эффективность и чувствительность при выявлении малых событий

Publication Details
Publication Date
2020-08-07
Journal
Publisher
ISSN
Cited by
1275
Access Type
Author Information
Authors
S. Mostafa Mousavi
William L. Ellsworth
Weiqiang Zhu
Lindsay Chuang
Gregory C. Beroza
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%