CREIME：一种用于地震识别和震级估计的卷积递归模型
摘要：地震学中检测和快速表征地震参数（如震级）的重要性不言而喻，特别是在地震早期预警 (EEW) 应用中。传统上，诸如 STA/LTA 的算法用于事件检测，而从第一次 P 波到达数据中计算得出的频率或振幅域参数有时用来提供（体波）震级的初步估计。由于人工专家在参数确定中的广泛参与，这些方法往往不足以满足需求。而且，这些方法对信噪比敏感，可能会因参数选择而导致虚警或漏警。因此，我们提出了一种多任务深度学习模型 Convolutional Recurrent model for Earthquake Identification and Magnitude Estimation (CREIME)，该模型：（i）从背景地震噪声中检测出第一个地震信号，（ii）确定第一次 P 波到达时间，以及（iii）使用单个台站的原始三分量波形数据来估计震级。考虑到在 EEW 中的速度至关重要，我们使用高达两秒的 P 波信息，据我所知，这相对于以前的研究来说，是一个显著较小的数据窗口（最多为 P 波数据的 5 秒窗口）。为了检验 CREIME 的鲁棒性，我们在两个独立数据集上进行测试，并发现它实现了事件 vs 噪声判别的平均准确度为 98%，并且能够估计第一次 P 波到达时间和震级，其平均均方根误差分别为 0.13 秒和 0.65 单位。我们还将 CREIME 架构与其他基线模型的架构进行比较，通过在相同的数据上训练它们，并与传统算法（如 STA/LTA）进行比较，展示了我们的架构优于这些方法。
作者：Megha Chakraborty, Darius Fenner, Wei Li, Johannes Faber, Kai Zhou, Georg Ruempker, Horst Stoecker, and Nishtha Srivastava
论文ID：2204.02924
分类：Geophysics
分类简称：physics.geo-ph
提交时间：2022-08-10