融合时空注意力机制的P波到时拾取网络_李宇.pdf

2023，59（6）地震编目为地震活动分析与评价、地质构造研究与地震预测提供基础数据，编目内容包括地震定位、震相分析与震级测定等1。震相分析是地震编目中最重要的工作内容，分析结果的完整性与准确性直接影响着编目质量，其主要任务包含震相识别与到时拾取。地震P波（primary wave）是地震发生后最先到达地表的波形，是震相分析中出现最频繁的波形。针对P波到时的精确拾取是当前地震信号处理领域研究的难点和热点。融合时空注意力机制的P波到时拾取网络李宇1，韩晓红1，张玲2，张海轩3，李钢21.太原理工大学 大数据学院，太原 0300002.太原理工大学 软件学院，太原 0300003.太原理工大学 信息与计算机学院，太原 030000摘要：针对现有地震到时拾取算法精度较低、鲁棒性较差等问题，设计了一种基于深度学习的地震P波到时拾取网络，该网络为编解码结构，可实现地震波形序列的逐点预测。网络编码器对输入数据进行多尺度特征提取与融合，提高特征利用率；利用多尺度残差结构深度挖掘数据中隐藏特征信息，提升模型非线性拟合能力；在解码网络中加入时空注意力机制，提高网络对到时特征的感知能力；提出深层编码特征融合模块，在保证特征完整性的同时有效避免融合特征过程中出现的特征序列污染问题。实验结果表明，提出的网络在0.1 s、0.2 s、0.3 s三个误差阈值下，拾取命中率分别为75.04%、94.6%、97.37%，平均绝对误差和均方误差为0.092 s、0.036，相比现有传统方法与深度学习到时拾取方法，具有更高的P波到时拾取精度。关键词：震相到时拾取；深度学习；序列处理；时空注意力；特征融合文献标志码：A中图分类号：TP391doi：10.3778/j.issn.1002-8331.2109-0428Seismic P-Wave First-Arrival Picking Model Based on Spatiotemporal Attention MechanismLI Yu1,HAN Xiaohong1,ZHANG Ling2,ZHANG Haixuan3,LI Gang21.College of Data Science,Taiyuan University of Technology,Taiyuan 030000,China2.College of Software,Taiyuan University of Technology,Taiyuan 030000,China3.College of Information and Computer,Taiyuan University of Technology,Taiyuan 030000,ChinaAbstract：Aiming at the problems of low accuracy and poor robustness of the existing earthquake first-arrival pickingalgorithm,a seismic P-wave arrival picking network based on deep learning is designed.This network is encoder-decoderstructure,which can identify seismic signal sequence point by point.The encoder uses multi-scale feature extractor for fea-ture extraction and fusion of input data to improve feature utilization ratio.The multi-scale residual structure is used todeeply mine the hidden feature information in the data to improve the nonlinear fitting ability of the model.Then,the spa-tiotemporal attention mechanism is added to the decoder to improve the network s perception of the first-arrival features.Finally,a deep coding feature fusion module is proposed to effectively avoid the pollution of feature sequence while ensur-ing the integrity of features.The experimental results show that under the three error thresholds of 0.1 s,0.2 s and 0.3 s,the picking hit rate of the proposed network are 75.04%,94.6%and 97.37%,respectively,the mean absolute error andmean square error are 0.092 s and 0.036.Compared with the existing traditional and deep learning first-arrival pickingmethods,it has higher P-wave first-arrival picking accuracy.Key words：phase arrive picking;deep learning;sequence processing;spatiotemporal attention;feature fusion基金项目：国家自然科学基金（61976150）；山西省自然科学基金（201901D111091）；山西省回国留学人员科研资助项目（HGKY2019024）。作者简介：李宇（1995），男，硕士研究生，CCF学生会员，研究方向为深度学习、地震信号处理；韩晓红（1973），女，博士，教授，研究方向为模式识别；张玲（1985），女，博士，讲师，CCF会员，研究方向为深度学习；张海轩（1996），男，硕士研究生，研究方向为深度学习；李钢（1980），男，通信作者，博士，副教授，CCF会员，研究方向为机器学习，E-mail：。收稿日期：2021-09-26修回日期：2021-11-10文章编号：1002-8331（2023）06-0113-12Computer Engineering and Applications计算机工程与应用113Computer Engineering and Applications计算机工程与应用2023，59（6）目前，地震P波到时拾取主要分为三种方式：人工拾取、传统方法和深度学习方法。其中，人工拾取的方式主要由专业人员对到时信息进行人工识别与标注，是目前拾取精度最高的方法，但拾取效果容易受人为主观因素的影响，导致拾取效率极低；传统算法是目前应用最多的到时拾取方法，其代表性算法有长短时窗比法2、赤池信息准则法3等，此类算法多基于振幅、频率等特征信息建立特征方程进行到时拾取，拥有较高的拾取效率，但检测效果极依赖于阈值的设定且算法鲁棒性较差。近年来，随着深度学习的不断发展和广泛关注，卷积神经网络被广泛地运用在地震到时拾取领域，发展诸如 ConvNetQuake4、PhaseNet5等多种震相识别与到时拾取模型。基于深度学习的方法主要通过对地震信号进行非线性映射建模实现到时拾取，具有较高的拾取效率与较强的鲁棒性，是未来到时拾取技术发展的主要方向。但现有的深度学习到时拾取方法对到时特征的感知能力较弱，识别精度亟待提升。针对地震到时拾取目前存在的问题，本文基于深度学习技术设计了一种低误差 P 波到时拾取鲁棒网络。实验结果表明，在与目前先进的传统算法和深度学习方法的比较中，本文方法总体性能更强，具有更高的P波到时拾取精度。本文主要贡献可概括为以下三个方面：（1）提出了一种新的基于时空注意力与深层编码特征融合的序列检测模型，并将其应用到地震P波到时拾取，该模型采用多尺度特征提取方式分别对数据特征进行深入挖掘，提取其细节特征信息，并采用残差结构增强网络稳定性，加快模型的收敛速度。（2）引入了时空注意力模块，通过分析不同通道与时间步长对网络到时拾取能力的影响，进行特征权重的重分配过程，选择性加强P波到时特征，由此提升网络到时拾取性能。（3）提出了深层编码特征融合机制，针对上采样和编解码特征融合中出现的特征缺失与特征序列污染问题，进行编解码特征的选择性融合。1相关工作自20世纪70年代数字地震仪开始大规模投入使用至今，在大量科研人员的努力下，地震波形到时自动拾取的研究工作取得了较大的进展。目前，地震波形到时拾取的算法主要分为传统方法与深度学习方法两类。1.1传统方法传统方法具有相对明确的数学或物理含义，可通过对波形记录中某一项或几项特征建立特征函数进行到时拾取6，是目前应用最多的地震波形到时拾取方法。例如，长短时窗比法2（short term average/long termaverage，STA/LTA）通过计算短时窗与长时窗的信号平均强度比进行地震事件的判别与到时拾取；赤池信息准则法3（akaike information criterion，AIC）通过使用AIC函数寻求最小值点对到时信息进行拾取；偏态/峰态法（P arrival identification skewness/kurtosis，PAI-S/K）采用信息统计手段，通过高阶统计量检测并拾取 P 波到时；Baer法7-8引入终止阈值，防止了因序列突变而导致的误检；AR-AIC+STA/LTA法9在地震三分量数据上通过累计包络函数用于获取STA/LTA序列，并利用AR-AIC实现P波到时的估算。除上述算法外，一些改进算法10-12在震相识别与到时拾取领域也取得一定的成果。传统方法因其简洁的计算原理与较低的计算资源消耗，得到了广泛的应用，但由于其过于依赖阈值的设定，需专业人员不断进行阈值的调试与优化，且算法鲁棒性与泛化能力较差，对低信噪比数据识别能力较弱13，已难以满足现实需求。1.2深度学习方法近十年来，随着计算机计算能力的迅猛发展，深度学习技术因其出色的特征抽象与数据拟合能力，在各个领域都取得了重大突破。在地震信号处理中，基于深度学习技术的地震分类、震相识别和到时拾取已成为研究的热点。Perol等4构建的ConvNetQuake模型对俄克拉荷马地区的地震事件识别完整度已超越了原有地震目录；Zachary等14构建了具有较强鲁棒性的地震震相识别模型，可有效识别低信噪比数据；Zhu 等5搭建的PhaseNet模型实现了高精度的震相分类与较低误差的到时拾取；赵明等15将PhaseNet模型应用于长宁地震前震目录的构建任务中，也取得了较优的识别性能；蔡振宇等16建立的回归模型实现了汶川余震序列的P波到时的高效拾取；赵明等17构建的U型网络在震相类型识别与到时拾取任务中，与传统方法相比取得了更高的识别性能；Mousavi等18提出的Earthquake Transformer模型具有极高的灵敏度，可实时检测并有效表征微弱的地震事件。综上所述，深度学习算法在地震分类与震相识别方面取得了卓越的成就，但在到时拾取方面，由于模型特征提取能力不足，对地震信号到时特征感知能力弱等问题，导致到时拾取精度较低17。所以，提高到时拾取精度仍是目前亟待解决的问题。2本文方法震相到时的高精度拾取需要网络对数据进行充分的特征提取与时序分析，这对网络性能提出了较高要求。本文基于编解码结构构建了P波到时拾取网络，具体结构如图1所示。本文模型编码器部分借鉴了Incepti