تشخیص هوشمند رویداد و مکان زلزله های ایران در شبکه لرزه نگاری کشوری
عنوان دوره: بیستمین کنفرانس ژئوفیزیک ایران
کد مقاله : 1928-NIGS
نویسندگان
1دانشیار/دانشگاه زنجان
2هیئت علمی
چکیده
پایش برخط زلزله در شبکه لرزهنگاری شامل مراحلی از جمله تشخیص و خوانش فازها، ارتباط بین ایستگاهها و مکان-یابی است. در سالهای اخیر، دقت هر یک از این مراحل با استفاده از یادگیری ماشین افزایش یافته است. تمامی این مراحل با استفاده از شبکههای عصبی به صورت یکپارچه قابل تلفیق هستند، به طوری که با ورود دادهها رویداد زلزله و مکان آن به طور همزمان و بدون انجام مراحل میانی تشخیص داده شود. در این مطالعه 27 ایستگاه در شبکه لرزه-نگاری ایران در سال 2018 به کار گرفته شده و با استفاده از کاتالوگهای مربوطه دادههای آموزشی استخراج شدند. جهت کاهش ابعاد دادههای آموزشی و استخراج بهتر ویژگیهای نهفته در شکل موج از دو فیلتر رایج در روشهای تشخیص گفتار استفاده شد. شبکه اول به گونهای آموزش داده شد که قادر است از روی الگوی دادههای ورودی رویداد زلزله را با دقتی بیش از 98% تشخیص دهد. شبکه دوم از شکل موج رویدادها به عنوان ورودی استفاده کرده و قادر است مکان وقوع زلزله را با دقتی بیش از 99% و با میانگین خطای 25 کیلومتر در هر جهت تخمین بزند.
کلیدواژه ها
Title
Intelligent detection of earthquakes events and locations in Iranian seismological network
Authors
Sadegh Karimpouli, Abdolreza Ghods
Abstract
Online monitoring of earthquake in a seismological network involves detection and picking phases, association and location tasks. In recent years, accuracy of each individual step increased by the use of machine learning. However, an end-to-end procedure of all of these steps are also possible using neural networks. In such procedure, seismic waveforms are imported to a neural network and both event and location are detected without implementing the intermediate picking and location steps. In this study, the data of one year (2018) record of 27 stations in the Iranian seismological network are used. Earthquakes events and locations are extracted using available catalogues as training dataset. To reduce the dimension of the training data and extracting more effective features from waveforms, popular filters in speech detection are used. First network is so trained that could detect earthquake events from the patterns of input data by an accuracy of more than 98%. Second network uses this event as the input data and could estimate earthquake location with an accuracy more than 99% and a mean absolute error of 25 km in each direction.
Keywords
Earthquake event and location, Convolutional Neural Network, Deep learning