Надёжное распознавание сейсмических сигналов и шумов в реальном времени с помощью машинного обучения

Reliable Real‐Time Seismic Signal/Noise Discrimination With Machine Learning
Zefeng Li, Suraj Nair, Zachary E. Ross, Egill Hauksson, Yisong Yue, Egill Hauksson, Men‐Andrin Meier, Jennifer R. Andrews, Anshul Ramachandran, Ashwin Balakrishna, Peter Kundzicz
2018-12-31

сверточные нейронные сетираннее предупреждение о землетрясенияхгенеративно-состязательная сетьслучайный лесдискриминация сейсмических сигналов и шумов
В системах оперативного оповещения о землетрясениях (EEW) каждый достаточно импульсивный сигнал потенциально может быть первым свидетельством развивающегося сильного землетрясения. Однако чаще всего импульсивные сигналы являются лишь мешающими сигналами. Одна из наиболее фундаментальных и сложных задач EEW заключается в быстром и надёжном распознавании реальных сигналов локальных землетрясений среди всех остальных сигналов. Такое распознавание неизбежно основывается на крайне ограниченной информации — обычно на сейсмических волновых формах продолжительностью несколько секунд, зарегистрированных небольшим числом станций. В результате современные системы EEW испытывают трудности с предотвращением ошибок распознавания и характеризуются ложными срабатываниями и пропусками оповещений. В данном исследовании показано, как современные классификаторы машинного обучения могут существенно повысить качество распознавания сигналов и шумов в реальном времени. Мы разработали и сопоставили ряд нелинейных классификаторов с различной глубиной архитектуры, включая полносвязные, сверточные и рекуррентные нейронные сети, а также модель, объединяющую генеративно-состязательную сеть со случайным лесом. Все классификаторы обучались на одном и том же наборе данных, включающем 374 тыс. записей локальных землетрясений (M3.0–9.1) и 946 тыс. импульсивных шумовых сигналов. Установлено, что все классификаторы превосходят существующие простые линейные классификаторы, а наибольшее улучшение обеспечивают сложные модели, обученные непосредственно на исходных сигналах. При использовании фрагментов волновых форм длительностью 3 с сверточная нейронная сеть и классификатор на основе генеративно-состязательной сети в сочетании со случайным лесом достигают точности 99,5% и полноты 99,3% на независимом наборе валидационных данных. Большинство ошибок классификации связано с импульсивными телесейсмическими записями и неправильно размеченными записями в наборе данных. Полученные результаты показывают, что классификаторы машинного обучения могут существенно повысить надёжность и оперативность оповещений EEW.
1
Все нелинейные классификаторы превосходят существующие простые линейные классификаторы, причем наибольшее улучшение дают сложные модели, обученные непосредственно на исходных волновых формах.
2
Современные классификаторы машинного обучения существенно улучшают различение локальных землетрясений и импульсных шумов в системах раннего предупреждения о землетрясениях.
3
Большинство оставшихся ошибок связано с импульсными телесейсмическими записями и неправильно размеченными данными, что указывает на основные источники ошибок классификации.
4
В исследовании сравниваются полносвязные, сверточные, рекуррентные классификаторы и модель, объединяющая генеративно-состязательную сеть со случайным лесом; обучение выполнено на 374 000 записях локальных землетрясений и 946 000 импульсных шумовых сигналов.
5
Используя фрагменты волновых форм длительностью всего 3 секунды, сверточная модель и модель с генеративно-состязательной сетью и случайным лесом достигают точности 99,5% и полноты 99,3% на независимом наборе валидации.

Сейсмические сигналы в реальном времени, включая волновые записи локальных землетрясений и импульсные шумовые сигналы, используемые для раннего предупреждения о землетрясениях

Надёжное быстрое различение сигналов локальных землетрясений и импульсных шумов и его влияние на эффективность оповещения системы раннего предупреждения о землетрясениях

Publication Details
Publication Date
2018-12-31
Journal
Publisher
ISSN
Cited by
175
Access Type
Author Information
Authors
Zefeng Li
Suraj Nair
Zachary E. Ross
Egill Hauksson
Yisong Yue
Egill Hauksson
Men‐Andrin Meier
Jennifer R. Andrews
Anshul Ramachandran
Ashwin Balakrishna
Peter Kundzicz
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%