分布式声音感应数据上的地震到达时间拾取使用半监督学习
摘要：分布式声学传感（DAS）是一种新兴的地震监测和地下成像技术。DAS记录到的地震信号具有一些独特的特征，如未知的耦合效应、强人为噪声和超密集的空间采样。这些方面与传统的由地震网络记录的地震数据不同，使得目前利用DAS进行地震监测变得具有挑战性。需要新的数据分析算法来从DAS数据中提取有用的信息。以往对传统地震数据的研究表明，深度学习模型可以在挑选地震相位上的性能接近于人类分析员。然而，由于缺乏手动标签，对DAS数据进行相位挑选仍然是一个困难的问题。此外，超密集DAS阵列和稀疏地震网络之间的数学结构差异，使得模型微调或迁移学习难以在DAS数据上实施。在这项工作中，我们设计了一种新的方法，利用半监督学习来解决DAS阵列上的相位挑选任务。我们使用预训练的PhaseNet模型作为教师网络，生成DAS数据上P和S到达的噪声标签，并应用高斯混合模型相位关联（GaMMA）方法来改进这些噪声标签以构建训练数据集。我们开发了一个新的深度学习模型，PhaseNet-DAS，来处理DAS阵列的二维时空数据，并在DAS数据上训练模型。这种新的深度学习模型实现了高准确率的挑选和良好的地震检测性能。然后，我们将该模型应用于连续数据处理，并直接从DAS记录中建立地震目录。我们的半监督学习方法为构建有效的DAS深度学习模型提供了一种途径，这些模型有潜力通过大规模光纤网络来提高地震监测效能。
作者：Weiqiang Zhu, Ettore Biondi, Jiaxuan Li, Jiuxun Yin, Zachary E. Ross, Zhongwen Zhan
论文ID：2302.08747
分类：Geophysics
分类简称：physics.geo-ph
提交时间：2023-03-16