基于Ale xNe t卷积神经网络模型的宁夏天然地震和非天然地震识别研究

任家琪，周少辉，余思汗，胡子琪，唐 浩

（1.宁夏回族自治区地震局，宁夏 银川 750001；2.山东省地震局，山东 济南 250014；3.宁夏土木工程防震减灾工程技术研究中心，宁夏 银川 750021）

0 引言

宁夏回族自治区位于我国西北内陆地区，与内蒙古自治区、甘肃省、陕西省交界且被包络其中。宁夏辖区范围内的地震带和活断层分布广泛，复杂的地质构造和特殊的地理位置导致宁夏天然地震灾害频发，据宁夏测震台网统计，公元646年至今，宁夏破坏性地震（烈度Ⅶ度以上）多达50余次，例如：1739年银川—平罗8级地震，此地震为中国大陆第一个首府城市直下型地震；1920年海原81/2级地震，此地震为20世纪中国大陆最大的地震。宁夏及周边矿产资源丰富、工业园区众多，仅相关部门备案的固定爆破区就有数十家，基本覆盖了宁夏及邻省各市县，据不完全统计，2008年至今，宁夏ML3.0级以上爆破型非天然地震多达30余次。天然地震和非天然地震破坏力巨大且破坏机理不同，直接威胁到人民群众的生命财产安全，此两类地震如何有效识别和区分近年来被震灾救援部门和地震学者高度重视。

殷伟伟等[1]利用震源机制（gCAP法对山西地区的天然地震、塌陷型和爆破型非天然地震进行了识别研究，并提出适用于山西地区的天然地震和非天然地震的识别参数。周少辉等[2]采用VGG16、Goog Le Net等卷积神经网络结构对山东地区的天然地震和非天然地震进行了学习训练，结果表明卷积神经网络结构对天然和非天然地震的准确识别率达到90%以上。刘方斌等[3]利用BP神经网络算法对天然和非天然地震进行地震震相识别，研究表明P波初动方向和振幅比可以作为重要的识别参数。林伟等[4]指出非天然地震的振幅比AS/AP和持续时间τ值比天然地震小。陈润航等[5]基于卷积神经网络对首都圈的天然和非天然地震进行了识别研究，结果表明长短视窗及地震波形信号可以作为参数识别天然和非天然地震。Ross等[6]指出原始地震波形中的震相特征可以作为卷积神经网络模型的重要参数对其进行地震信号识别。

天然地震和非天然地震的精确快速识别对地震机理研究、震后救援等意义重大，本文结合人工神经网络的机器深度学习技术（人工智能），运用AlexNet卷积神经网络模型对宁夏天然地震和非天然地震的原始波形进行模拟训练和深度学习，建立适用于宁夏天然地震和非天然地震的AlexNet卷积神经网络模型分类器，优化识别参数，以达到精确快速识别宁夏天然地震和非天然地震的目的，为宁夏今后针对天然地震和非天然地震的快速识别提供理论参考依据。

1 Ale xNe t卷积神经网络模型

Hubel等[7]研究猫的视觉皮层细胞后提出感受野概念，Fukushima[8]提出卷积神经网络概念（神经认知模型），经过多年发展，卷积神经网络逐步完善并首先运用于计算机视觉领域，其结构一般为输入层、卷积层、池化层、全连接层和输出层。卷积层负责卷积计算，卷积层通过积分变换对输入事件进行滤波并提取特征信号，卷积层的分辨率用卷积层数表示，卷积层数越大，输入事件特征信号提取越精细；池化层的作用是将卷积层提取的事件特征信号进行降维处理，通过最大池化法或平均池化法将事件特征信号进行缩减，从而避免过拟合现象的发生；批量归一化层是将数据进行批量归一化处理，让事件特征信号呈正态分布形式并呈现同一分布规律，批量归一化层可以防止激活函数过早饱和且可以缩短训练时间、优化训练结果；激活层通过激活函数使卷积神经网络具备非线性能力，常见的激活函数有Sigmoid函数、Tanh函数、ReLu函数、Softmax函数等；Dropput层的作用是减少每一层卷积神经网络的过拟合现象；全连接层用于对事件特征信号进行分类。以图像为例，卷积神经网络模型的作用是从输入层导入大量图像数据，其模型将图像中的像素点等重要参数进行复杂运算，通过记忆图像中的关键辨别信息，经过大量计算机人工智能训练以达到精确识别不同图像的目的。卷积层的输出特征公式如下：

式中，M为上层特征子集，l为层数，为

j第l层的第j个特征图，b表示偏置，k表示卷积核，f表示激活函数。

当前人工智能领域中，卷积神经网络模型主要有AlexNet卷积神经网络结构模型、VGG卷积神经网络结构模型、GoogLeNet卷积神经网络结构模型等，上述模型基本原理相同，但是具体算法等略有差异。

AlexNet卷积神经网络模型是当今计算机人工智能深度学习的重要技术方式之一，已被广泛运用于图像、视频、语音、语言等领域。AlexNet卷积神经网络模型具有多层级结构，具体包含有输入层1个、卷积层5个、全连接层3个，并且全连接层进行了最大池化。AlexNet卷积神经网络模型中：第一层为输入层；第二层至第六层为卷积层，每层包含不同数量的卷积核，卷积运算后使用ReLu激活函数对其结果进行激活运算，激活运算结果经过最大池化处理后进行局部响应归一化处理；第七层至第九层为全连接层，每层包含不同数量的神经元，全连接层对上层的池化结果进行全连接处理，然后使用ReLu激活函数对其进行激活运算，接着对激活结果进行Dropout处理，最终得到Dropout结果。

AlexNet卷积神经网络模型中，采用了矫正线性非饱和激活函数ReLu（ReLu（X）=max（0，X））进行激活处理，相较于饱和函数（Sigmoid和Tanh），其训练时间更快且非线性表达能力更强；AlexNet卷积神经网络模型采用双GPU进行数据训练，以此来弥补CPU计算能力不足的问题；为增强模型性能，AlexNet卷积神经网络模型对部分层级进行了局部响应归一化处理，具体计算公式如下：

式中，N是卷积面（池化面）的总数，n是相邻面的个数，k、α、β是可调参数。

2 宁夏天然地震和非天然地震的特性与差异

天然地震是地球内部结构错动和破裂后快速释放能量的一种自然现象，以弹性波的形式向四周传播导致地面振动。非天然地震包含爆破、塌陷、核试验等形式，通常发生在地表或地下浅层区域，以弹性波的形式向四周传播导致地面振动。天然地震和非天然地震一般包含有纵波、横波和面波，三者由于传播速度不同，纵波会先于横波到达地震台站，面波最后到达；纵波周期较小，面波周期最大，横波周期介于两者之间；三种地震波的振幅特性与其周期特性相似。据宁夏测震台网不完全统计，宁夏当地的非天然地震相较于天然地震，其P波初动一般全部向上，PG波尖锐且初动大；浅层非天然地震总体呈现为大周期，面波发育充分；较深非天然地震初动方向分布不规律，周期相对较小；由于非天然地震多由人为因素引起，所以宁夏非天然地震的发震时间多存在规律性；非天然地震在震级相同情况下，其持续时间相较于天然地震明显偏小；非天然地震的横波和纵波最大振幅比通常大于2；非天然地震的拐角频率小于天然地震（频谱分析）。鉴于天然地震和非天然地震的特性与差异，目前成熟的识别方法有：P波初动、震源深度（非天然地震一般为0）、P波的初动位置和最大位置振幅比、P波和S波振幅比、P波和勒夫波谱振幅比、尾波持续时间等。

3 资料选取

本文从宁夏测震台网选取宁夏境内及周边地震事件共计130个，时间范围为2008年1月1日—2021年1月1日，所有地震事件均含有1个或多个地震台站波形记录，每个地震台站波形记录均为三分向（东西向、南北向和垂直向），所有地震事件均进行了人工编目且震相清晰、信噪比高。地震事件中天然地震共计80个，震级范围为ML≥1.0。地震事件中非天然地震共计50个，其中中国地震局物探中心布设爆破产生的非天然地震8个；甘肃华亭塌陷区爆破产生的非天然地震5个；宁夏固原三关口矿区爆破产生的非天然地震10个，震级范围为1.6≤ML≤2.5；宁夏中卫水泥厂爆破产生的非天然地震8个，震级范围为1.9≤ML≤2.6；宁夏中卫矿区爆破产生的非天然地震15个，震级范围为1.9≤ML≤2.8；宁夏银川矿区爆破产生的非天然地震4个，震级范围为2.5≤ML≤3.1。宁夏测震台网实时传输台站共计27个，为避免卷积神经网络模型的误差率和错误率，本文未将多个地震台站波形记录的地震事件进行阉割，采用全部导入的方式，以此来确保AlexNet卷积神经网络模型能够正确识别宁夏及周边的天然地震和非天然地震中的特征参数。

4 Ale xNe t卷积神经网络模型的构建

宁夏测震台网实时接收地震波形的数字化台站共计27个，当天然地震或非天然地震发生时，依据其能量大小和地震波传播距离，至少有1个台站或多个数字化台站可以实时记录到地震波，所以地震事件中至少包含1个或多个台站波形记录。本文将AlexNet卷积神经网络模型中的分类器分为2个模块：训练模块和测试模块，训练模块用于训练单个地震事件的单个台站波形记录，测试模块用于测试单个地震事件的多个台站波形记录，此目的是先以单条地震波进行特征参数训练，让AlexNet卷积神经网络模型进行天然地震和非天然地震特征参数智能识别，建立初步的参数集，然后导入多个台站波形记录，此方法不仅可以加快参数集的建立，也能够加快天然和非天然地震事件的特征差异分类。

依据宁夏测震台网提供的天然地震和非天然地震事件波形，本文使用MSDP地震波分析软件对事件波形进行截取，选取震相明显、记录清晰、信噪比高的有效波形建立训练波形集；依据宁夏测震台网编目结果，本文将训练波形集中的事件波形进行了标注，并对其添加天然地震和非天然地震的标签；然后将标签事件波形进行随机分类并打乱次序；使用AlexNet卷积神经网络对上述事件波形进行训练和测试，每次训练和测试中随机选择代价函数Loss，用以评估预测值和真实值的差异；代价函数Loss曲线趋于稳定或呈直线时，对迭代次数和梯度下降速度等参数进行优化后重复训练；AlexNet卷积神经网络达到非天然和天然地震最优识别效果后停止训练。对于多个台站波形记录的地震事件，本文将地震事件波形导入AlexNet卷积神经网络模型，让其自动对地震事件进行综合分类和识别。

本文采用均方根误差值、正确率和漏检率对AlexNet卷积神经网络模型的结果进行评估和检验。均方根误差用于检验模型自动识别的地震事件震相到时和人工标注地震事件震相到时；正确率用于检验模型中地震事件震相到时的正确次数；漏检率用于检验模型中未识别地震事件震相的个数。

AlexNet卷积神经网络模型构建初期，有几处关键点需要着重强调：必须对选定的地震事件进行天然地震和非天然地震的划分及标注，否则会导致模型识别率下降；需要选定信噪比高、记录清晰、波形震相明显的地震事件；此举有助于AlexNet卷积神经网络模型快速生成参数集；每个地区的非天然地震震相略有差异，需要根据当地实际情况进行参数调整。

5 Ale xNe t卷积神经网络模型识别结果

本文将宁夏境内及周边130个地震事件（天然地震80个、非天然地震50个）进行拆分，生成单个台站波形记录后导入AlexNet卷积神经网络模型，经过此模型多次迭代训练后生成训练集和训练参数集，AlexNet卷积神经网络模型训练结果表明：模型训练集对于单个台站波形记录的导入识别准确率高达99%，且未发生不可预估的拟合现象，其训练集Loss函数为0.002。AlexNet卷积神经网络模型针对单个台站波形记录的天然地震和非天然地震能够很好的自动识别，且准确率很高。

单个台站波形记录的地震事件仅是理想状态，因为现实情况下，天然地震或非天然地震一旦发生，会触发多个台站，换言之，一个完整的地震事件会包含多个台站波形记录，AlexNet卷积神经网络模型需要对地震事件中的多个台站波形记录进行逐一识别，对每条记录进行天然或非天然地震识别定性，然后通过算法整体识别此地震事件是天然地震或非天然地震。本文将130个地震事件进行整体导入模型生成测试集和测试参数集，设置阈值为60%，如果地震事件中60%及以上的单个台站波形记录识别为非天然地震，则AlexNet卷积神经网络模型判断此地震事件为非天然地震，AlexNet卷积神经网络模型测试结果表明：模型测试集对于多个台站波形记录的地震事件识别准确率为97.01%，其测试集Loss函数为0.068。AlexNet卷积神经网络模型在经过单个台站波形记录的地震事件训练后，可以很好的识别多个台站波形记录的地震事件，且准确率很高（图1）。

图1 AlexNet卷积神经网络模型训练及测试结果Fig.1 Training and test results of the AlexNet

6 结论

宁夏回族自治区境内及周边天然地震和非天然地震频发，不仅对人民群众的生命财产安全造成威胁，而且非天然地震会造成一定的社会影响，精确快速的识别非天然地震可以第一时间为震害防御救援等相关部门提供参考依据，还可以为宁夏测震台网工作人员对地震事件分析编目提供参考依据。本文基于AlexNet卷积神经网络模型对宁夏天然地震和非天然地震进行了训练和测试，结果标明，对于此次选取的130个地震事件（天然地震80个、非天然地震50个），就单个台站波形记录而言，AlexNet卷积神经网络模型对其地震类型的识别率为99%；就多个台站波形记录的地震事件而言，模型对其地震类型的识别率为97.01%。

综上所述，AlexNet卷积神经网络模型对宁夏及周边的天然地震和非天然地震有很好的识别功能，可以作为宁夏测震台网工作人员的地震分析编目辅助工具，但是本文还存在一些不足：训练和测试的地震事件偏少；宁夏非天然地震类型单一（目前仅有爆破），对于塌陷、核爆、滑坡等其他非天然地震类型研究不足；宁夏非天然地震多为集中爆破点，其爆破波形中的震相等参数类似，导致AlexNet卷积神经网络模型易于分辨其地震类型。