实践中的机器学习事件检测工作流程：2019年杜雷斯余震序列的案例研究
摘要：机器学习（ML）方法在最近几年在地震事件检测任务上展示出异常的性能。随着现在可以用于检测地震活动的众多ML技术的出现，将这些方法应用于实践中有助于进一步凸显它们相对于传统方法的优势。构建这样的工作流还可以在实际数据上对最新算法进行基准比较。我们结合最新的地震事件检测方法，对阿尔巴尼亚2019年Durrës地震的一个18天余震活动期间进行了分析。我们测试了两种基于相位关联的事件检测方法，即EarthQuake Transformer（EQT；Mousavi等人，2020）的端到端地震检测工作流程，以及PhaseNet（Zhu＆Beroza，2019）挑选器与Hyperbolic Event eXtractor（Woollam等人，2020）联合使用的关联器。这两种ML方法与由两个独立操作的地震专家编制的数据集进行基准测试，这两位专家处理了这18天期间一部分事件。总共，PhaseNet和HEX识别出3,551个事件，EQT使用较大的目录检测出1,110个事件，其中PhaseNet和HEX达到了~1的完备度。我们使用相同的最小1D速度模型重新定位得到的目录，计算了震中位置和相位拾取的统计数据。我们发现，ML方法产生的结果与手动拾取器一致，偏差不大于不同拾取器之间的偏差。在重新定位后，得到的匹配良好，与手动拾取类似，但ML拾取器（尤其是PhaseNet）每个事件的拾取次数增加，震中误差较小。每小时关联事件的数量在地震较少的时段增加，并且最小震级事件在这些时段内被检测到，我们认为这表明了真实事件的关联。
作者：Jack Woollam, Vincent Van der Heiden, Andreas Rietbrock, Bernd Schurr, Frederik Tilmann, Edmond Dushi
论文ID：2205.12033
分类：Geophysics
分类简称：physics.geo-ph
提交时间：2022-05-25