Надёжное распознавание сейсмических сигналов и шумов в реальном времени с помощью машинного обучения
Reliable Real‐Time Seismic Signal/Noise Discrimination With Machine Learning
2018-12-31
SCID: 54.1/nxwz6aus
Discuss with AI
сверточные нейронные сетираннее предупреждение о землетрясенияхгенеративно-состязательная сетьслучайный лесдискриминация сейсмических сигналов и шумов
Figures from the paper
Abstract (AI)
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.
Key Findings
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.
Research Object
Сейсмические сигналы в реальном времени, включая волновые записи локальных землетрясений и импульсные шумовые сигналы, используемые для раннего предупреждения о землетрясениях
Research Subject
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
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest