中科院/斯坦福大学Science子刊: 基于深度学习的噪声抑制改进地震监测

城市地区的地震风险最高，因为人口密度高且基础设施广泛而脆弱。理想情况下，城市地区密集的地震监测工作将被用来描述对城市构成最直接威胁的断层系统。然而，人口和基础设施导致风险暴露程度高，也使地震监测难以进行，这是由于城市中产生的各种类型地震噪声和仪器部署的后勤困难造成的。

为此，中科院地质与地球物理研究所赵亮研究员、美国斯坦福大学Gregory C. Beroza等人开发了一种基于深度学习的去噪算法并将其命名为UrbanDenoiser，以滤除在城市环境中记录的地震数据中存在的强噪声水平。其中，作者通过使用波形数据集训练深度神经网络来开发UrbanDenoiser，该数据集结合了来自城市长滩密集阵列的丰富噪声源和来自圣哈辛托农村密集阵列的高信噪比（SNR）地震信号。

UrbanDenoiser的架构基于DeepDenoiser算法，但DeepDenoiser不能很好地推广到长滩数据集。本研究数据集包含80000个噪声样本和33751个信号样本并随机分为训练集、验证集和测试集，通过将信号训练集与从噪声训练集中随机选择的噪声样本重复组合并在窗口中随机移动波形。神经网络的输入是噪声波形的二维时频表示，预测目标是恢复信号和噪声的两个掩码，作者使用相同的程序为验证集生成地震波形并将其应用于网络的超参数微调。

图1. 原始数据和去噪数据的地震定位结果

作为验证，作者将UrbanDenoiser应用于密集阵列和区域地震网络。对长滩密集阵列数据的应用表明，该算法能够使用大部分以前无法使用的地震数据进行地震分析，如以人为噪声为主的白天数据。基于去噪数据的地震定位结果显示出与原始数据不同的分布模式，这更新了对发震特征的认识。

UrbanDenoiser对区域地震台网数据的应用表明，该算法可以提高不同震级地震的SNR且可从噪声数据中恢复地震信号，其中SNR底限接近0 dB。对于拉哈布拉地震序列，作者在去噪数据中观察到的检测数量大约是现有区域地震目录中检测列表的4倍。检测/定位结果仅包含地震事件，排除了大振幅非地震源。总之，这项研究表明，使用深度学习过滤噪声预处理后的地震检测和定位将有助于改进城市环境中的地震监测。

图2. UrbanDenoiser在拉哈布拉地震序列区域地震网络中的应用

Toward improved urban earthquake monitoring through deep-learning-based noise suppression, Science Advances 2022. DOI: 10.1126/sciadv.abl3564

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/14/dd3cbcd904/

中科院/斯坦福大学Science子刊: 基于深度学习的噪声抑制改进地震监测

相关推荐