基于深度学习方法检测大同矿区非天然地震事件

2023-12-31郑亚迪赵晓云

山西地震 2023年4期

郑亚迪,赵晓云

(1.山西省地震局,山西太原 030021;2.太原大陆裂谷动力学国家野外科学观测研究站,山西太原 030025)

0 引言

准确高效地检测每一个地震事件是开展地震工作的基础。近年来,深度学习技术的发展,为地震波到时自动拾取和震相自动识别开辟新的思路,在地震信号识别中得到广泛应用,相比传统检测方法其性能更优,不仅计算时间远小于模板匹配类方法[1],且可避免波形数据特征涵盖不全、检测阈值设定等问题。廖诗荣等开发出基于深度学习的实时智能地震处理系统—RISP系统,该系统可实现实时、高精度、高灵敏度的余震序列目录产出[2],在2021年云南漾濞Ms 6.4、2022年门源Ms 6.9和马尔康Ms 5.8等多次地震的余震序列检测中得到较好的应用[2-4]。

山西地区煤炭资源丰富,常年的煤矿开采导致非天然地震事件频发[5],在采矿工程中,岩石破坏以及由此导致的灾害如岩爆、冲击地压、顶底板变形破裂等都属于非天然地震,在一定程度上影响民众的生产生活[6]。因此,对非天然地震进行快速准确的检测,对政府部门应急管理、保障地方经济社会安全有重要作用[7]。大同地区是山西省非天然地震发生较频繁的地区,2022年在山西数字测震台网的基础上,在大同矿区加密布设8个流动测震台站进行试验性观测,为天然与非天然地震的研究提供基础数据。随着台网密度的增大,可监测到的非天然地震明显增加。考虑非天然地震波形的复杂性,本研究在大同非天然地震试验台网数据的基础上,结合固定台站波形数据,引入基于深度学习的微震检测方法,对山西大同矿区非天然地震的震相加以识别。通过震相关联、定位、震级测定、事件类型人工判定,产出更加完整的非天然地震目录,并与人工编目的非天然地震目录进行对比,同时检测基于深度学习方法在山西大同台网的应用效果。

1 研究数据及方法

1.1 数据选取

为提升研究区非天然地震的监控能力,在非天然地震事件频发区域形成更加科学、合理的监测布局,山西大同非天然地震试验台网于2022年5月优化改造完成,在大同矿区布设8个三分量中长周期一体化地震仪,平均台间距为5 km。本研究选取2022年6月1日0时0分至8月31日24时0分大同试验区域(北纬39.6°～40.2°,东经112.5°～113.4°)加密台网8个台站、山西地震台网及邻省台网共32个台站(见图1)记录到的连续地震波形,分别通过实时智能地震处理系统和人工处理,产出非天然地震目录及观测报告。

图1 研究区域台站分布图Fig.1 Distribution map of seismic stations in the study area

实时智能地震处理系统对选取时段连续波形进行处理,将研究区内检测的事件波形逐一截取,剔除其中的天然地震,通过人工分析确定含有非天然地震信号的所有事件,产出非天然地震编目结果。RISP系统共产出非天然地震目录8 649条(以下简称自动编目),拾取震相196 453个。在研究区内,人工编目非天然地震事件共1 096条(以下简称人工编目),分析震相21 119个。

1.2 研究方法

本研究使用廖诗荣等开发的地震编目实时处理系统(RISP)。该系统以深度学习技术为基础,从Jopens系统调取实时地震波形或直接读取离线数据,采用PhaseNet和EQTransformer[8-9]模型进行波形数据的震相识别并拾取到时,运用基于组触发和等时差八叉树搜索相结合的方法进行震相关联[4],采用NLLoc等方法进行定位,按照震级国家标准自动量取振幅、计算震级。本次研究的事件触发最小阈值设置为5个震相。

2 检测结果对比分析

2.1 检测事件数量对比

自动和人工编目观测报告统计结果显示,2022年6月1日至8月31日研究区内人工编目识别出的非天然地震事件有1 096个,震级分布在ML0.2～2.8;自动编目检测出非天然地震事件8 649个,震级分布在ML-0.4～2.8,比人工目录多7 553条,是人工编目数量的7.9倍。由此看出,自动编目非天然地震数量明显多于人工编目数量。

图2显示人工编目和自动编目事件震级对比结果。当ML<1.5时,自动编目事件个数明显多于人工编目;当ML≥1.5时,人工编目与自动编目产出的事件数量基本一致。由此可见,在微小地震识别方面,基于深度学习的微震检测优势显著,与颜利君等得出的结论相近[2]。

图2 人工编目和自动编目震级结果对比图Fig.2 Comparison of magnitude results between manual and automated catalogs

研究中,以人工编目事件的发震时刻和震源位置为对象,与自动编目产出事件进行对比匹配,设置发震时刻偏差小于3 s、震源位置偏差小于15 km的匹配为同一事件。通过震相对比,自动编目有953个事件与人工编目结果匹配对应,检测匹配率达86.9%;多检测出事件7 553个;漏检测事件143个,漏检率为13.1%。图3为人工编目与自动编目的非天然地震震中分布图。可知两种目录的非天然地震大部分集中在大同非天然地震试验台网台站附近,自动编目检测事件的分布更密集,明显多于人工编目事件;自动编目比人工编目多检测出的非天然事件在整个研究区域内几乎均匀分布。由此看出,相比人工编目,对于监测能力稍弱的试验台网周边,基于深度学习的微震检测具有较好的检测能力。

图3 人工编目与自动编目的非天然地震震中分布图Fig.3 Distribution map of non-natural seismic epicenters in manual and automated catalogs

2.2 发震时刻对比

图4a所示的自动目录与人工目录匹配成功事件发震时刻的偏差统计结果表明,发震时刻偏差为负值的事件数相对较多,即自动拾取事件发震时刻早于人工编目的事件较多,占匹配事件的56.5%;发震时刻偏差小于等于±0.5 s的事件有719个,占总匹配事件的75.4%;发震时刻偏差小于等于±1 s的事件有872个,占比91.5%;发震时刻偏差小于等于±1.5 s的事件有921个,占比96.6%;发震时刻偏差小于等于±2 s的事件有938个,占比98.4%。

图4 自动编目与人工编目匹配非天然地震事件偏差统计图Fig.4 Statistical analysis of deviations in non-natural seismic events between automated and manual catalogs

2.3 震源位置偏差对比

图4b的自动编目与人工编目匹配事件震源位置偏差统计结果显示,自动编目与人工编目事件的震源位置偏差在5 km以内的共有791个,占匹配事件总数的83.0%;震源位置偏差在10 km以内的有911个,占比95.6%。图4c为自动编目与人工编目匹配事件的震源深度偏差统计,由于非天然地震事件发生在浅地表,日常的人工编目非天然地震震源深度设置为固定值0,因此自动编目与人工编目事件的深度偏差均为正值,偏差在2 km以内的事件有573个,占匹配事件的60.1%。

2.4 震级对比

图4d的自动目录与人工目录匹配成功事件ML震级偏差统计结果显示,自动编目与人工编目事件的震级偏差为负值的事件数较多,即自动拾取事件震级小于人工编目的占总匹配事件的72.4%;震级偏差在±0.3以内的有773个,占81.1%;震级偏差在±0.5以内的有907个,占95.2%;震级偏差在±1.0以内的有945个,占匹配事件的99.2%。

2.5 震相到时对比

统计自动目录与人工目录匹配事件的P、S波震相到时偏差显示(见图5),自动拾取的震相中有3 845个P波和4 039个S波,分别与人工拾取的P、S波震相匹配,匹配率分别为76.1%和89.3%。P、S波到时偏差均呈正态分布,P波到时偏差主要分布在±0.3 s以内,S波的在±0.6 s以内;P波到时偏差收敛性更好,系统对P波到时的识别精度相对更高[10],对S波的识别精度低于P波。S波到时偏差为正值的事件数较多,说明存在较多自动编目拾取的S波震相晚于人工识别S波震相到时的情况[2]。

图5 自动编目与人工编目匹配非天然地震事件P、S波到时偏差统计图Fig.5 Statistical analysis of P and S wave arrival time deviations in matched non-natural seismic events between automated and manual catalogs