تشخیص خودکار رویدادهای زلزله و خوانش فازهای لرزه ای با استفاده از شبکه های کانولوشنی عمیق
عنوان دوره: نوزدهمین کنفرانس ژئوفیزیک ایران
نویسندگان
1استادیار/دانشگاه زنجان
2هیئت علمی
چکیده
تشخیص خودکار رویدادهای زلزله و خوانش فازهای لرزه‌ای از روی شکل موج‌های پیوسته‌ی ثبت شده در زلزله‌نگارها از اهمیت بسزایی در لرزه‌شناسی برخوردار است. روش‌های متداول در این زمینه شامل نسبت میانگین کوتاه مدت به طولانی مدت و تطبیق الگو هستند. با این وجود، ظهور شبکه‌های عصبی کانولوشنی در سال‌های اخیر و استفاده موفق آنها در زمینه لرزه‌شناسی، تشخیص خودکار زلزله و فازهای لرزه‌ای را متحول کرده است. هدف از این مطالعه ارزیابی این روش‌ها در یک مورد مطالعاتی واقعی است. از این رو، با پیاده‌سازی دو شبکه کانولوشنی بر روی داده‌های 11 روزه پیوسته سه ایستگاه لرزه‌نگاری زلزله 11 آگوست سال 2012 ورزقان-اهر، رویدادهای زلزله تعیین و فازهای لرزه‌ای خوانش شدند. نتایج نشان داد که با استفاده از این شبکه‌ها تعداد رویدادهای زلزله تشخیص داده شده با دقتی بیش از 88%، نسبت به روش‌های متداول یک افزایش 260% نشان می‌دهد. همچنین فازهای لرزه‌ای Pg و Sg به ترتیب با دقتی بیش از 96 و 90% قابل خوانش هستند و می‌توان برای آنها دقت خوانش هم تعیین کرد.
کلیدواژه ها
 
Title
Automatic earthquake detection and phase picking using deep convolutional networks
Authors
Sadegh Karimpouli, Abdolreza Ghods
Abstract
Automatic earthquake detection and phase picking from continuous waveform recorded by seismograms are highly important in seismology. Conventional methods contain short-term/long-term average (STA/LTA) and pattern recognition methods. However, recently, convolutional neural networks emerged as a game changer in machine learning as well as seismology, earthquake detection and phase picking. This study aims to evaluate these methods in a real case study. To this end, we implement two convolutional networks on 11 days continuous seismic waveforms of three seismometers recorded the Varzaghan-Ahar earthquake (11-August-2012), and detect seismic events and pick their corresponding seismic phases. Results show that relative to conventional methods (STA/LTA), the number of detected earthquakes are increased by 260% with a detection accuracy of more than 88%. Also, Pg and Sg phases are picked with an accuracy of more than 96 and 90%, respectively.
Keywords
Earthquake detection, phase picking, Convolutional Neural Network, Deep learning