Earthquake detection using convolutional neural network and its optimization
-
摘要: 本文以西昌台阵观测的8 321次近震数据为例，详细介绍了利用深度卷积神经网络检测地震的数据处理流程，包括数据预处理、模型训练、波形长度、网络层数、学习率和概率阈值等关键参数对检测结果的影响，并将训练得到的最优模型，应用于事件波形和连续波形的检测。研究表明，数据预处理和数据增强可以提升模型的检测精度和抗干扰能力。用于模型训练的波形窗口长度可近似于S-P到时差的最大值。不同网络层数（5—8层）的检测结果差别不大。对于地震检测，学习率设为10−4—10−3较为合适。卷积神经网络检测出的地震数量与选择的概率阈值有关，通过绘制精确率-召回率变化曲线，可以为选择合适的概率阈值提供参考。本文为进一步利用深度学习算法提高地震检测效果提供了参考。Abstract: Earthquake detection is the key step of automatic processing such as earthquake quick report and earthquake early warning. In recent years, the use of deep learning algorithm to detect earthquakes has developed rapidly. However, there are few detailed researches on data processing flow and neural network parameter optimization. Taking 8 321 near earthquake data observed by Xichang array as an example, this paper introduces in detail the data processing flow of detecting earthquakes by using the deep convolution neural network, such as data preprocessing, model training, waveform length, network layers, learning rate and probability threshold on the detection results. Then we detect the continuous waveform with the optimal model. Our research shows that data preprocessing, data augmentation can improve the detection accuracy and anti-interference ability of the model. The length of waveform window used for model training can be approximated to the maximum value from arrival time difference between S- and P- wave. The detection results of different network layers （5—8 layers） are similar. For seismic detection, it is more appropriate to set the learning rate as 10−4—10−3. The earthquakes detected by convolution neural network are related to the probability threshold. By drawing the tradeoff curve of precision with recall rate, it can provide a reference for selecting the appropriate probability threshold. This paper provides an important reference for further study of earthquake detection with deep learning algorithm.
-
Keywords:
- deep learning /
- convolutional neural network /
- earthquake detection /
- model training /
- Xichang array
-
引言
近年来，随着卫星遥感技术的不断发展，地震受灾区域的高分辨率遥感影像凭借其覆盖范围广、信息量大、处理时间短等优势，逐步成为政府部门和研究人员等进行灾害检测和损失评估的数据源，在其基础上对灾区建筑物损毁情况进行计算机解译与评估，可以有效地提高灾害管理工作的效率，是灾后恢复重建、开展防灾减灾措施的必要步骤。
传统的遥感影像分类方法有目视解译和基于像元的非监督分类、监督分类法，在高分辨率遥感影像地物识别分类中已经得到广泛应用（Benediktsson et al，1990；赵萍等，2005；Turker，Koc-San，2015；李强等，2018，2019；牟多铎，刘磊，2019；Li et al，2019），但由于存在“椒盐噪声”等现象，这些方法在震害建筑物信息提取中的分类效果不是很理想。1999年，Baatz和Schäpe （1999）提出的面向对象遥感影像分类方法有效地解决了这些问题，Hussain等（2013）基于遥感影像的变化检测比较了多种基于像元与基于对象的方法，并表明基于对象的方法更加有助于提高分类结果。近20年来，面向对象方法在地物信息提取中得到了广泛应用：陈云浩等（2006）针对光学遥感影像，以北京城市土地利用分类为例，对面向对象分类方法的规则进行了讨论；Alonso-Benito等（2013）将面向对象方法与支持向量机（support vector machines，缩写为SVM）、神经网络、最大似然法三种基于像元的分类方法进行比较，应用于森林易燃植被的分类提取，结果表明面向对象的分类精度明显高于基于像元的分类方法；张峰等（2008）通过面向对象与SVM方法相结合成功提取了多源影像数据中的建筑物信息；游永发等（2019）采用面向对象与形态学相结合，提出了一种高分辨率遥感影像建筑物信息分级提取的方法，其提取精度均大于90%。目前国内外很多研究人员已将面向对象分类方法成功应用于遥感影像中震害建筑物的检测与提取：Gulsen等（2011）、Li等（2011）、龚丽霞等（2013）、王东明和许立红（2016）基于面向对象分别对汶川、海地、玉树、尼泊尔地震的高分辨率遥感影像中的建筑物信息进行了提取，均得到了较好的分类结果，提取精度均较高；赵妍（2017）针对高分辨率遥感影像的建筑物震害信息，基于面向对象方法提出了一系列变化检测的技术流程，实现了对震害建筑物信息的有效提取。
大多数研究人员将面向对象方法应用于震害建筑物识别时，都是基于多尺度分割，采用人工调试或前人经验来确定最终分割尺度，耗时耗力。因此本文在利用面向对象方法分类时，为了避免出现分割不足或过度分割的现象，拟采用影像分割尺度参数（estimation of scale parameters，缩写为ESP）算法自动选择最优分割尺度，结合最邻近分类构建特征规则集，以期提高高分辨率遥感影像中震害建筑物识别的准确度，从而满足震害快速评估的需求。
1. 研究方法
面向对象以分割后的对象为最小分类单元，对具有同质性像元所组成的多边形对象进行分析，该方法不仅要考虑图像的光谱特征，还需要考虑图像的纹理、几何、上下文特征等来进行统计分析（吴剑，2010）。图1给出了本文数据处理的主要流程，首先对影像进行最优分割尺度研究，即基于ESP算法选出最优分割尺度，然后根据其得到的影像对象进行特征选择与提取，结合最邻近分类和制定的规则集进行面向对象分类，最后进行精度验证并优化分类结果。
1.1 遥感震害建筑物特征定义
在正常情况下，遥感影像中的建筑物一般具有相似且规则的几何形态，光谱特征虽各有不同，但经过量化后均表现为像元值或是较高的灰度值，在纹理特征方面，遥感建筑物顶部与周围环境相比更加明显，且有完整的纹理结构；而在地震过后，不同类型的建筑物也会发生不同程度的毁坏与倒塌，其外形轮廓特征呈现非规则的状态，部分损毁建筑物灰度值发生变化，在影像上呈暗灰色或黑色，虽然房屋间隔可以辨认，但已经不具备完整且规则的几何形态和纹理结构（张景发等，2017）。根据这些特征本文将震害建筑物分为基本完好（包括完好、轻微破坏）、中度破坏、完全损毁（包括全毁、多数倒塌）三大类。
1.2 多尺度分割
影像分割技术是面向对象分类中至关重要的一步，它对地物目标的分类结果的好坏有直接的影响。目前最常用的是多尺度分割技术，简单来说，多尺度分割就是在不同的尺度上将影像分割成有意义的影像多边形。Drăguţ等（2010）使用eCognition软件研究了多尺度分割的参数，并在建筑物的分割和提取中取得了良好的结果。
本文同样选择使用eCognition软件进行面向对象方法的数据处理，为了减少由不合适的分割尺度所带来的“过度分割”或“分割不足”的现象，得到最佳分类效果，需要找到震害建筑物的最优分割尺度。本文通过ESP尺度评价工具来估算震害建筑物的最优尺度。该方法由Drăguţ等（2014）提出，被开发为eCognition软件中一种插件工具，用来自动获取最优分割尺度。ESP方法将局部方差VL作为分割对象层的平均标准差，在一定尺度范围内，利用迭代的方法计算影像对象层的局部方差，由于VL值需要根据分割后不同对象间的异质性变化来绘制局部方差与对应尺度的关系图，而从图中得到所对应阈值较为困难，因此该工具引入了VL的变化率RC，通过计算不同的分割尺度参数，将RC作为对象分割最佳尺度参数，以此来判断分割效果。RC的计算方法为
$ {R}_{{\rm{C}}}{\text{＝}}\left(\frac{{L}_{i}{\text{－}}{L}_{i{\text{－}}1}}{{L}_{i{\text{－}}1}}\right){\text{×}} 100{\text{%}}{\text{，}} $
(1) 式中，Li，Li－1分别为目标层第i对象层和第i－1对象层的平均标准差。
根据经验先将形状因子和紧致度两个参数设置为0.5，初始分割尺度设置为100，然后通过ESP算法进行最优分割尺度评估（图2）。当RC值最大，即出现峰值时，该点所对应的分割尺度值就是最优分割尺度。由于影像中存在不同地物，例如植被、阴影、道路等，因此会存在多个最优分割尺度，图中的RC曲线就会出现多个峰值，其对应的值主要有29，39，51，79，95，分别对这五个最优分割尺度进行多尺度分割，从而找出震害建筑物的最优分割尺度。
![]()
图 2 基于ESP算法的最优尺度分割评估结果Figure 2. Evaluation results of optimal segmentation scale based on ESP algorithm通过目视解译，将五个分割结果与影像实际地物相结合，可以看出当分割尺度为29和39时，影像中被分割的建筑物较为破碎；而当分割尺度为79和95时，震害建筑物与多数植被、阴影不能较好的分割开来，存在很多欠分割现象；当分割尺度为51时，影像中建筑物的分割效果最好，因此选择51作为研究区的最优分割尺度。
1.3 最邻近分类
最邻近分类属于监督分类的一种，但面向对象中的最邻近分类是基于影像对象进行分类，有别于基于像元的监督分类，分类精度较高。本文采用最邻近分类器来优化特征空间，寻找分类特征的最佳组合。
由于道路的纹理、几何等特征与建筑物相似，较难区分，因此为了得到更好的分类效果，本文结合ArcGIS将街道信息去除后，再利用eCognition将研究区分为中等破坏、毁坏、基本完好、植被、阴影五大类，一共选择了64个样本对象，基于各类别的样本选择，将形状、纹理、光谱中的40个特征作为初始特征集，通过最邻近分类计算后得到各类别之间所产生的最优特征组合，分别为亮度、均值、标准差、矩形度、紧致度、密度、灰度共生矩阵（gray-level co-occurence matrix，缩写为GLCM）的角二阶矩、同质性、熵以及灰度差分矢量（gray-level difference vector，缩写为GLDV）。根据最优特征组合制定相应的分类规则集（表1），首先对阴影、植被进行分类，再根据震害建筑物的特征，依次对完全损毁、基本完好和中度破坏建筑物进行分类，得到初步分类结果，再对细小图斑作平滑处理，并将错分地物正确归类，最后将各地类合并得到最终结果。
表 1 各地物的特征规则集Table 1. The feature rule set of a variety of surface features地物类别 特征规则集 阴影 亮度≤23 植被 均值≤30.5；矩形度≤0.9；紧致度≥1.61 完全损毁建筑物 GLCM角二阶矩≤0.002；GLCM同质性≤0.06；标准差≥30 基本完好建筑物 标准差≤12或标准差≥20；GLCM熵≥9；4.1≤GLDV熵≤4.3
1.925≤密度≤2.222或1.19≤密度≤1.39中度破坏建筑物 还未分类 注：GLCM为灰度共生矩阵，GLDV为灰度差分矢量。 1.4 精度验证
本文将联合国组织UNITAR/UNOSAT实地调查解译与目视解译结合的结果作为对比基准（图3）。利用总体精度和Kappa系数作为分类精度的评价指标，总体精度表示分类结果与实际地物信息比较后两者相吻合的概率，即地物正确分类数与总数的比值；Kappa系数指通过定量评价分类数据与参考数据来检验两者的一致性，当其值越接近于1时，表明一致性越好，分类精度高。
1.5 研究区概况
海地共和国位于西印度群岛海地岛西部，总人口约有830万，当地时间2010年1月12日下午16时53分，发生了MS7.0大地震，全国大部分地区受灾严重，首都太子港为地震中心，地震导致约42万人伤亡。本文基于预处理后的GeoEye-1卫星影像，以2010年1月12日海地地震后太子港附近灾区为研究区域，其影像分辨率为0.5 m，图像大小为1 209×1 275 （图4）。
2. 结果分析
图5为基于面向对象方法进行分类的最终结果。为了更好地评价基于面向对象方法的分类效果，本文采用基于像元的支持向量机法、BP神经网络、基于CART算法的决策树分类与基于对象的面向对象方法进行对比分析。SVM是通过自动搜索对分类有较大区分能力的支持向量，构造最优分割超平面，将类之间的间隔最大化，从而实现训练样本分类；BP神经网络是一种前馈多层的网络结构，按照误差完成反向传播算法训练；基于CART算法的决策树分类属于二分递归分割，通过决策树生成和剪枝进行遥感分类。主要从以下三方面进行比较。
2.1 目视效果
从建筑物震害信息提取的目视结果来看，所有分类结果与实地调查解译的矢量数据结果均存在一定的误差，但面向对象的分类结果与解译结果较为接近，三种基于像元的分类方法都存在过分割现象，即将单体建筑物分成多种类型，分类效果不是很理想。即使完成分类后处理，三种方法仍然会存在很多细小斑块（图6），即“椒盐噪声”现象，产生这一现象的原因是文中三种基于像元的分类方法都是通过样本训练后基于光谱特征进行了信息提取，像元是其最小操作单位，并且未考虑相邻像元之间的关联及纹理、几何形状等特征；而面向对象分类方法处理的最小单位是分割后的对象，除了考虑光谱特征外，还考虑了形状、纹理等特征信息，不仅弥补了基于像元遥感分类方法中特征信息单一的缺点，也有效地避免了“椒盐噪声”现象。
![]()
图 6 基于各种方法的“噪声”现象对比Figure 6. Comparison of “noise” phenomena based on various methods2.2 精度评价
通过计算得到面向对象分类结果的总体精度为87.1%，Kappa系数为0.819 3，识别精度较高，但也存在错分、漏分现象（表2）。从表2中可以看出，分类结果中基本完好和中度破坏建筑物的数量与实地调查解译结果出入较大，但总体数量差别较小。产生这种现象的主要原因是一部分基本完好建筑物的屋顶存在杂物、水坑等，与中度破坏建筑物屋顶的纹理特征相似，导致基本完好建筑物中有一部分被错分为中度破坏建筑物；分类结果中的完全损毁建筑物相对实地调查结果中的数目较少，其主要原因是倒塌建筑物之间互相重叠，且特征相似，在多尺度分割时被分割成为同一对象，而在实地调查解译过程中仍可辨别出每栋建筑物。但这些现象对结果影响较小，因此面向对象方法可以基本满足快速获取震灾区信息的精度要求。
表 2 矢量分类结果中建筑物数量Table 2. The number of buildings achieved from the vector classification results建筑物类型 实地调查所得数据个数 面向对象分类所得数据个数 基本完好建筑物 274 194 中度破坏建筑物 237 308 完全损毁建筑物 235 212 总计 746 714 为了对三种方法的精度和分类效果进行比较，使精度评价更具客观性，本文在处理数据时选用了同一个训练样本，在定义、评价、修改训练样本后，分别采用支持向量机、BP神经网络、基于CART算法的决策树进行分类，经过分类后处理的最终结果如图7所示。
![]()
图 7 BP神经网络（a）、SVM（b）、基于CART算法决策树（c）分类结果Figure 7. Classification results of BP neural network (a)，SVM (b)，decision tree based on CART algorithm method (c)在三种类别中分别选择15处作为训练样本，其余为检验样本，基于面向对象、BP神经网络、SVM、决策树方法进行震害建筑物提取精度评价（表3）。从表3中可以看出，SVM方法分类结果的精度最低，为70.37%，BP神经网络方法和基于CART算法的决策树分类精度也比较低，均在75%左右，而面向对象分类的总体精度为87.1%，比基于像元的三种方法的总体精度提高约10%左右。
表 3 各分类方法的精度评价Table 3. Accuracy evaluation of various classification methods方法 总体精度 Kappa系数 方法 总体精度 Kappa系数 SVM 70.37% 0.5966 基于CART算法决策树 76.22% 0.633 0 BP神经网络 74.96% 0.6537 面向对象 87.10% 0.819 3 由于三种基于像元的分类方法对样本的依赖性较强，其分类结果中存在较多的错分情况，过多地估计了建筑物损坏或倒塌区的范围（表4），可见三种方法对基本完好和中度破坏建筑物难以区分，其错分率均达到30%以上，尤其是基于CART算法的决策树分类，过多的将基本完好和中度破坏建筑物估算为完全损毁建筑物，而面向对象的错分率相较于前三者整体较低，均在20%以下。
表 4 各分类方法的错分率Table 4. The error rate of various classification methods方法 基本完好 中度破坏 完全损毁 SVM 36.73% 33.22% 18.62% BP神经网络 30.53% 30.24% 16.00% 基于CART算法决策树 37.00% 40.44% 9.08% 面向对象 20.00% 5.56% 14.29% 2.3 时效性评价
本文所有实验均基于双核CPU （1.70 GHz 核 i5-4210U）的Windows操作系统进行。使用eCognition软件对研究区高分辨率遥感影像进行面向对象方法分类的总用时约为20 min；使用ENVI软件进行BP神经网络、SVM、基于CART算法的决策树方法分类时间分别约为10 min，15 min，8 min，处理速度较快。从时间成本上来说，基于像元的三种分类方法的主要成本是在执行监督分类的过程中，仍有较快的处理速度，但其精度较低，分类效果不是很好，适用于震后第一时间对震区的快速评估；而面向对象的分类方法耗费的时间主要在于前期准备工作中，例如在提取地物特征时，需要通过人为观察比较选择最优特征组合中的特征值来制定规则集，耗时较长，但在后期分类时处理时间较短，且分类效果较好，精度高，因此本文研究的面向对象分类方法在基于高分辨率遥感影像的震后灾情准确评估、震害建筑物信息提取时具有良好的可行性。
3. 讨论与结论
本文以海地MS7.0地震为例，选取太子港周围建筑区，基于ESP算法的多尺度分割及面向对象分类对建筑物震害信息进行识别研究，得到以下结论：
基于ESP算法的多尺度分割提高了选择最优分割尺度的效率，并且通过最邻近分类、制定规则集得到了较好的分类结果；通过将基于像元的BP神经网络、SVM、决策树方法的提取结果与面向对象分类进行对比，进一步证明了在基于高分辨率遥感影像提取震害建筑物信息中，基于面向对象的分类方法能够较好地提取震害建筑物信息，并且可以处理遥感影像分类中的噪声问题，比基于像元的分类方法更有效。
但是采用面向对象分类方法受人为因素影响较大，今后计划使用深度学习与面向对象结合的方法对不同区域的震害建筑物进行自动识别分类研究，以期达到更好的分类效果，从而降低面向对象分类的人为因素影响，为震后建筑物的快速评估提供数据支撑。
-
![]()
图 4 卷积、池化、全连接层局部示意图
Figure 4. Schematic diagram of convolution，pooling and fully connected layers
![]()
图 5 训练和验证曲线
Figure 5. The training accuracy，validation accuracy for events and noise and loss function curves
![]()
图 6 预处理前后的训练和验证曲线
Figure 6. Training and validation accuracy curves before and after data preprocess
![]()
图 8 不同窗长的训练步数与训练时间的关系
Figure 8. Relationship between training step and training time for different window lengths
![]()
图 9 P波到时前不同窗长的检测结果
（a） P波到时前窗长为4 s；（b） P波到时前窗长为0—7.5 s的随机值
Figure 9. Detection results of different window lengths before the P-wave arrival
（a） The window length before P-wave arrival is 4 s；（b） The window length beforeP-wave arrival is a random varying between 0 and 7.5 s
![]()
图 11 不同概率阈值的精确率-召回率权衡曲线
Figure 11. Precision-recall tradeoff curves fordifferent probability thresholds
![]()
图 12 筛选前后的地震数量统计
Figure 12. Histogram of earthquakesdetected before and after screening
![]()
图 13 CNN检测出的一个近震波形
地震发震时刻为2018年4月28日23时2分43.8秒；震中位置为 （101.846°E，29.251°N）；震级为ML1.5. 图中仅显示了垂直分量；红线是人工拾取的P波到时；虚线框是检测到的地震窗口
Figure 13. Waveforms of a local earthquake detected with CNN
Occurrence time：23:02:43.8 on April 28，2018；epicenter location：101.846°E，29.251°N；ML1.5. Only vertical component is shown in the figure. The red line is the manually picked P wave arrivals. The dotted box is the detected earthquake window
表 1 利用不同规模训练集训练得到的CNN模型检测结果对比
Table 1 Comparison of CNN model detection results from different training sets
编号 训练集
地震次数训练集地震
波形条数检测出的地震
波形条数检测出的噪声
波形条数准确率 召回率 精确率 F1 1 1 334 6 595 2 882 2 937 97.02% 96.10% 97.89% 96.99% 2 1 334×3 19 785 2 924 2 936 97.70% 97.50% 97.89% 97.69% 3 1334×6 39 570 2 925 2 938 97.75% 97.53% 97.96% 97.75% 4 3 422 17 465 2 910 2 957 97.82% 97.03% 98.58% 97.79% 5 6 790 34 671 2 929 2 957 98.13% 97.67% 98.59% 98.13% 6 6 790×5 173 355 2 938 2 972 98.53% 97.97% 99.09% 98.53% 注：×号表示数据增强的倍数。测试集中的地震波形条数和噪声波形条数均为2 999条。 
下载: 导出CSV
表 2 采用不同窗长的训练集训练得到的CNN模型检测结果对比
Table 2 Comparison of CNN model detection results by training sets with different window lengths
窗口长度/s 检测出的地震
波形条数检测出的噪声
波形条数准确率 召回率 精确率 F1 10 2 904 2 950 97.60% 96.83% 98.34% 97.58% 15 2 929 2 957 98.13% 97.67% 98.57% 98.12% 20 2 920 2 944 97.77% 97.37% 98.15% 97.76% 25 2 904 2 948 97.57% 96.83% 98.27% 97.54% 30 2 900 2 944 97.43% 96.70% 98.14% 97.41% 35 2 895 2 959 97.60% 96.53% 98.64% 97.57% 40 2 904 2 954 97.67% 96.83% 98.47% 97.64%
下载: 导出CSV
表 3 不同网络层数的检测结果对比
Table 3 Comparison of detection results with different network layers
层数 检测出的地震
波形条数检测出的噪声
波形条数准确率 召回率 精确率 F1 5 2 916 2 963 98.02% 97.23% 98.80% 98.01% 6 2 946 2 933 98.02% 98.23% 97.81% 98.02% 7 2 941 2 952 98.25% 98.07% 98.43% 98.25% 8 2 941 2 939 98.03% 98.07% 98.00% 98.03% 9 2 912 2 982 98.27% 97.10% 99.42% 98.25%
下载: 导出CSV
-
蒋策,吴建平,房立华. 2018. 地震检测与震相自动拾取研究[J]. 地震学报,40(1):45–57. doi: 10.11939/jass.20170093 Jiang C,Wu J P,Fang L H. 2018. Earthquake detection and automatic phase picking[J]. Acta Seismologica Sinica,40(1):45–57 (in Chinese).
刘芳,蒋一然,宁杰远,张建中,赵艳红. 2020. 结合台阵策略的震相拾取深度学习方法[J]. 科学通报,65(11):1016–1026. Liu F,Jiang Y R,Ning J Y,Sun J Z,Zhao Y H. 2020. An array-assisted deep learning approach to seismic phase-picking[J]. Chinese Science Bulletin,65(11):1016–1026 (in Chinese).
李安. 2019. 基于深度学习的地震事件与震相自动识别[D]. 北京: 中国地震局地球物理研究所: 40–41. Li A. 2019. Automatic Recognition of Seismic Events and Phase Picking Based on Deep Learning[D]. Beijing: Institute of Geophysics, China Earthquake Administration: 40–41 （in Chinese）.
杨旭,李永华,苏伟,孙莲. 2019. 基于优化参数的地震P、S波震相到时自动拾取及质量评估[J]. 地球物理学报,62(11):4290–4299. doi: 10.6038/cjg2019M0059 Yang X,Li Y H,Su W,Sun L. 2019. Optimized automatic pickers and quality assessment:Application to identification of local and regional P and S wave phases[J]. Chinese Journal of Geophysics,62(11):4290–4299 (in Chinese).
于子叶,储日升,盛敏汉. 2018. 深度神经网络拾取地震P和S波到时[J]. 地球物理学报,61(12):151–164. Yu Z Y,Chu R S,Sheng M H. 2018. Pick onset time of P and S phase by deep neural network[J]. Chinese Journal of Geophysics,61(12):4873–4886 (in Chinese).
赵明,陈石,房立华,David A Y. 2019. 基于U形卷积神经网络的震相识别与到时拾取方法研究[J]. 地球物理学报,62(8):3034–3042. Zhao M,Chen S,Fang L H,David A Y. 2019b. Earthquake phase arrival auto-picking based on U-shaped convolutional neural network[J]. Chinese Journal of Geophysics,62(8):3034–3042 (in Chinese).
Allen R V. 1978. Automatic earthquake recognition and timing from single traces[J]. Bull Seismol Soc Am,68(5):1521–1532.
Baer M,Kradolfer U. 1987. An Automatic phase picker for local and teleseismic events[J]. Bull Seismol Soc Am,77(4):1437–1445.
Baillard C,Crawford W C,Ballu V,Hibert C,Mangeney A. 2014. An automatic kurtosis- based P- and S- phase picker designed for local seismic networks[J]. Bull Seismol Soc Am,104(1):394–409.
Dokht R M H,Kao H,Visser R,Smith B. 2019. Seismic event and phase detection using time–frequency representation and convolutional neural networks[J]. Seismol Res Lett,90(2A):481–490.
Earle P S,Shearer P M. 1994. Characterization of global seismograms using an automatic-picking algorithm[J]. Bull Seismol Soc Am,84(2):366–376.
Gibbons S J,Ringdal F. 2006. The detection of low magnitude seismic events using array-based waveform correlation[J]. Geophys J Int,165(1):149–166.
Haykin, Simon S. 2010. Neural Networks and Learning Machines[M]. Third Edition. Prentice Hall: Pearson Education India: 146–147.
Hensman P, Masko D. 2015. The Impact of Imbalanced Training Data for Convolutional Neural Networks[M]. Sweden: KTH Royal Institute of Technology: 1–28.
Kingma, Diederik P, Jimmy Ba. 2015. Adam: A method for stochastic optimization[EB/OL] [2020–12–17]. https://arxiv.org/abs/1412.6980.
Kriegerowski M,Petersen G M,Vasyura-Bathke H,Ohrnberger M. 2018. A deep convolutional neural network for localization of clustered earthquakes based on multistation full waveforms[J]. Seismol Res Lett,90(2A):510–516.
Krizhevsky A, Sutskever I, Hinton G E. 2012. Imagenet classification with deep convolutional neural networks[C]//Advances in Neural Information Processing Systems. Tahoe: NV: 1097–1105.
Mousavi S M,Zhu W Q,Sheng Y X,Beroza G C. 2019. CRED:A deep residual network of convolutional and recurrent units for earthquake signal detection[J]. Scientific Reports,9(1):1–14.
Nair V, Hinton G E. 2010. Rectified linear units improve restricted boltzmann machines[C]//Proceedings of the 27th International Conf. on Machine Learning ICML-10. Haifa: Israel: 807–814.
Ng A Y. 2004. Feature selection, L1 vs L2 regularization, and rotational invariance[C]//Proceedings of the Twenty-First International Conference on Machine Learning. Banff: 78.
Peng Z G,Zhao P. 2009. Migration of early aftershocks following the 2004 Parkfield earthquake[J]. Nat Geosci,2(12):877–881.
Powers,David M W. 2011. Evaluation:From precision,recall and F-measure to roc,informedness,markedness and correlation[J]. J Mach Learning Techn,2(1):37–63.
Perol T,Gharbi M,Denolle M. 2018. Convolutional neural network for earthquake detection and location[J]. Sci Adv,4(2):e1700578.
Ross Z E,Meier M A,Hauksson E,Heaton T H. 2018a. Generalized seismic phase detection with deep learning[J]. Bull Seismol Soc Am,108(5A):2894–2901.
Ross Z E,Meier M A,Hauksson E. 2018b. P wave arrival picking and first-motion polarity determination with deep learning[J]. J Geophys Res,123(6):5120–5129.
Saragiotis C D,Hadjileontiadis L J,Panas S M. 2002. PAI-S/K:A robust automatic seismic P phase arrival identification scheme[J]. IEEE T Geosci Remote,40(6):1395–1404.
Sleeman R,van Eck T V. 1999. Robust automatic P-phase picking:An on-line implementation in the analysis of broadband seismogram recordings[J]. Phys Earth Planet In,113(1-4):0–275.
Wang J,Xiao Z W,Liu C,Zhao D P,Yao Z X. 2019. Deep learning for picking seismic arrival times[J]. J Geophys Res,124(7):6612–6624.
Wilson D R,Martinez T R. 2003. The general inefficiency of batch training for gradient descent learning[J]. Neural Netw,16:1429–1451.
Yoon C E,O’Reilly O,Bergen K J. 2015. Earthquake detection through computationally efficient similarity search[J]. Sci Adv,1(11):e1501057.
Zhou Y J,Yue H,Kong Q K,Zhou S Y. 2019. Hybrid event detection and phase-picking algorithm using convolutional andrecurrent neural networks[J]. Seismol Res Lett,90(3):1079–1087.
Zhu W Q,Beroza G C. 2018. PhaseNet:A deep-neural-network-based seismic arrival-time picking method[J]. Geophys J Int,216(1):261–273.
-
期刊类型引用(6)
1. 王雅如，王昀，江勇勇. 基于改进Unet的地震勘探工区建筑物分割方法研究. 现代电子技术. 2025(03): 135-140 . 
百度学术
2. 齐文文，许冲，乔月霞. 基于谷歌地球引擎和Sentinel-2时序数据的海地多云地区地震滑坡识别. 地震学报. 2024(04): 633-648 . 本站查看
3. 韩军良，韩留生，穆豪祥，张至一，郭宇晨，刘晓亚. 面向对象的土地荒漠化信息提取研究. 测绘科学. 2023(04): 149-160 . 百度学术
4. 罗嘉琦，帅向华，李继赓. 基于深度学习的倾斜摄影建筑物表面损毁信息提取. 中国地震. 2023(02): 271-281 . 百度学术
5. 雷雅婷，沈占锋，许泽宇，王浩宇，李硕，焦淑慧. 基于D-LinkNet的2014年云南鲁甸M_S6.5地震建筑物损毁与重建评估. 地震研究. 2022(04): 608-616 . 百度学术
6. 杜浩国，张方浩，卢永坤，林旭川，邓树荣，曹彦波. 基于多源遥感影像的2021年云南漾濞M_S6.4地震灾区建筑物信息识别与震害分析. 地震研究. 2021(03): 490-498 . 百度学术
其他类型引用(4)
计量
- 文章访问数: 1510
- HTML全文浏览量: 792
- PDF下载量: 182
- 被引次数: 10
