內蒙古阿拉善地區(qū)爆破和地震自動識別研究

張帆，韓曉明，郝美仙，張暉

（內蒙古地震局，呼和浩特010051）

內蒙古阿拉善地區(qū)爆破和地震自動識別研究

張帆，韓曉明，郝美仙，張暉

（內蒙古地震局，呼和浩特010051）

結合使用基于統(tǒng)計的時空特征參數和基于小波分析的頻譜特征參數，使用BP神經網絡對內蒙古阿拉善地區(qū)的地震和爆破進行自動識別。結果表明：使用的方法可以得到較高的識別率。

天然地震；爆破；BP神經網絡；小波分析；自動識別

0 引言

地震自動定位和速報技術已經廣泛應用與地震監(jiān)測，雖然震相的模式識別已經較多研究成果，但應用較為有限，主要的限制是地震和爆破特征的復雜性和區(qū)域差異。在以往的監(jiān)測實踐中，事件類型的判別主要靠監(jiān)測工作者的經驗。事件分類的自動化，可以為監(jiān)測人員提供有效的參考，提高地震監(jiān)測的效率和質量。

國內外許多學者對天然地震和人工爆破的識別方法進行了廣泛和深入的研究，已發(fā)現地震信號的時域，時頻，譜和震相等方面的許多有用識別判據，如P波與S波的振幅比，P波初至，P波初至振幅與P波位移最大振幅比，震源深度，震級比，拐角頻率，瞬態(tài)譜，波形相關性，功率譜，倒譜，譜比，卓越周期，復雜性等。獲取了這些識別判據,即提取特征數據后，選擇合適的識別算法就可以對待判事件進行識別分類，識別算法主要有人工神經網絡、支持向量機、Fisher線性判別、最小距離法、Bayes方法、模糊模式識別方法等。

內蒙古阿拉善地區(qū)是天然地震和人工爆破較多地區(qū)，作者在前人成果的基礎上，針對內蒙古阿拉善地區(qū)的天人地震和爆破事件，提取事件的時空參數和小波能量比，使用BP神經網絡進行天然地震和爆破的自動分類，達到較高的識別率。

1 原理和方法

1.1 參數選取和算法

事件的波形中蘊含了震源的信息，天然地震和爆破事件在時間和空間分布上也有差異，為了對地震事件和爆破事件進行分類，首先要從事件參數和波形中提取有識別意義的參數，主要包括時間和空間特征參數和時域和頻域特征參數。我們選取小波能量比作為反映波形特征的參數，此外選取震中位置、發(fā)震時刻作為時空特征參數。使用人工神經網絡作為識別算法。

1.2 小波能量比的提取

小波變換的概念是由法國從事石油信號處理的工程師J.Morlet在1974年首先提出的，通過物理的直觀和信號處理的實際經驗的需要建立了反演公式，當時未能得到數學家的認可。早在七十年代A.Calderon表示定理的發(fā)現、Hardy空間的原子分解和無條件基的深入研究為小波變換的誕生做了理論上的準備，而且J.O.Stromberg還構造了歷史上非常類似于當前的小波基；1986年著名數學家Y.Meyer偶然構造出一個真正的小波基，并與S.Mallat合作建立了構造小波基的統(tǒng)一方法加多尺度分析之后，小波分析才開始蓬勃發(fā)展起來。它與Fourier變換、窗口Fourier變換（Gabor變換）相比，這是一個時間和頻率的局域變換，因而能有效的從信號中提取信息，通過伸縮和平移等運算功能對函數或信號進行多尺度細化分析（Multiscale Analysis），解決了Fourier變換不能解決的許多困難問題，從而小波變化被譽為“數學顯微鏡”，是調和分析發(fā)展史上里程碑式的進展。

為了詳細的分解和提取事件波形的頻譜特征和實現參數的自動提取，我們使用db4小波，進行四層小波變換對波形進行分解，并提取能量比參數，圖1為小波分解例子。

若s為原始信號，其長度為J，信號采樣點序號為j，Si為信號S分解后的第i個小波系數，其長度為K，k為其樣點序號，則定義小波系數的能量比（Ewt）為：

分解得到的小波尺度能量譜反映信號的能量隨尺度的變化情況，小波時間能量譜反映信號的小波能量沿時間軸的分布。

1.3 時間參數和空間參數的提取

經過對2008年至2014年內蒙古臺網觀測報告的統(tǒng)計分析，我們發(fā)現爆破事件在一天中各時段發(fā)生的比例分布比較不均勻，使用各時段發(fā)生的比例作為時間參數。表1為各時段爆破站總數比例。

圖2為2008至2014年內蒙古地震臺網記錄的地震事件和爆破事件?？梢?，爆破事件發(fā)生在比較集中的幾個區(qū)域，使用所要識別的事件位置附近過去記錄到的爆破數作為空間特征參數。具體方法是計算震中半徑0.5°內的爆破數。

1.4 分類和檢驗

人工神經網絡也簡稱為神經網絡，它是一種模仿動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型。這種網絡依靠系統(tǒng)的復雜程度，通過調整內部大量節(jié)點之間相互連接的關系，從而達到處理信息的目的。BP神經網絡是1986年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W絡，是目前應用最廣泛的神經網絡模型之一。BP網絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規(guī)則是使用最速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。BP神經網絡模型拓撲結構包括輸入層（input）、隱層（hidden layer）和輸出層(output layer)。

圖1 BYT臺NS向記錄4層小波分解系數Fig.1 Four layers warelet decomposition coefficient of NS records of BYT site

表1 各時段爆破比例Table 1 Blasting proportion in each period

使用matlab的神經網絡工具箱實現自動識別功能，使用BP神經網絡隨機選取500條記錄作為訓練集，隨機選取200條為測試集進行訓練和識別，選取tansig作為訓練函數。以選取的特征參數為輸入，事件類型為輸出，人工判定結果為指導，建立三層人工神經網絡。通過隨機抽樣，在事件庫中選取訓練組和檢驗組，對網絡進行訓練并檢驗。

圖2 2008—2014年內蒙古地區(qū)地震和爆破分布圖Fig.2 Distribution map of blastings and earthquakes in Inner Mongolia（2008-2014）

2 數據的搜集和整理

提取時空特征參數的數據為內蒙古地區(qū)2008—2014年觀測報告。圖2為地震事件和爆破事件的分布圖，由圖中可見震分布較離散，在各地區(qū)均有分布，部分區(qū)域較集中；爆破分布較集中，主要分布在阿拉善左旗、寧夏和內蒙古東部部分區(qū)域。圖3為爆破事件在一天中各時段的分布。

使用神經網絡進行自動識別和測試的數據為阿拉善左旗地區(qū)的190個事件的1 322條記錄，其中爆破記錄642條，地震記錄680條，提取時空參數和小波能量比參數。

圖2 爆破事件在一天中各時段的分布Fig.2 Distribution of blasting events in each period of day

3 結果和檢驗

經過小波分析，每條記錄得到6個小波能量比參數以及2個時空特征參數，選取不同的參數和輸入測試識別效果。表2為選取不同的輸入和不同的訓練次數的識別率對比，由對比可知，添加了時空參數后識別率明顯提高，僅使用小波能量比的識別率在90%以下，添加時空參數后識別率提到到95%以上。添加時空參數后，訓練次數在500時，識別最高，為97.5%。圖4為隨機選取50條記錄經過500次訓練的檢驗結果。

表2 不同輸入和參數的識別正確率Table 2 Identification accuracy of different input and parameters

圖4 50條記錄的識別測試結果Fig.4 Identification results of 50 records

4 結語

結合使用基于統(tǒng)計的時空特征參數和基于小波分析的頻譜特征參數，使用BP神經網絡對內蒙古阿拉善地區(qū)的地震和爆破進行自動識別，測試結果表明在本文中使用的方法可以得到較高的識別率。本文使用的特征參數由地震臺網的觀測報告和記錄的事件波形提取，并對神經網絡進行訓練，因此避免了區(qū)域差異對識別造成的影響。

相對于地震事件，爆破事件分布較集中，震源位置附近已發(fā)生爆破的數量可以作為爆破和地震分類的輔助判別依據。爆破事件在一天各時段發(fā)生的比例分布比較不均勻，在中午12:00和下午17:00至18:00發(fā)生比例較大，事件所在時段曾經發(fā)生爆破占爆破總數的比例可以作為爆破和地震分類的輔助判別依據[13]。

使用小波分解后的能量比系數和bp神經網絡可以較好的對地震和爆破進行分類，僅使用小波能量比作為輸入，識別率達到87%以上。使用小波分解后的能量比系數和時空參數作為輸入，bp神經網絡的識別率有顯著提高，達到95%以上。

[1]G.R.Dargahi-Noubary.Statistical estimation of corner frequency and its application to seismic eventidentification[J].Soil Dynamics and Earthquake Engineering，1998，17：297-309.

[2]Dargahi-Noubary G R.Disoominkfrcn between gaussian timeseriesbasedontheirspectraldifferences[J]. CommunicationsinStatistics-TheoryandMethods，1992，21（9）：2 439-2 458.

[3]Craig A.Schultz，Stephen C.Myers.Nonstationary Bayesian kriging:a predictive technique to generate spatial corrections for seismic detection,location and identification[J].Physics of the Earth and Planetary Interiors，1999，113：321-338.

[4]鄭秀芬，傅璃.小爆破的識別與判據[R].北京：中國地震局地球物理研究所，2001.

[5]張春賀，鄭秀芬，許紹燮，等.周期-頻度譜在小爆破自動別研究中的應用[J].地震地刺觀測和研究，2006，27（5）：24-28.

[6]邊銀菊.遺傳BP網絡在地震和爆破識別中的應用[J].地震學報，2002，24（5）：516-524.

[7]盧世軍，黃漢明.基于能量比的天然地震與人工爆破自動識別算法研究[J].華南地震，2010，30（1）：34-39.

[8]楊選輝，沈萍，劉希強.地震與核爆識別的小波包分量比方法[J]．地球物理學報，2005，48（1）：148-156．

[9]李發(fā)，張佑龍，汪貴章，等.安徽及周邊地區(qū)小爆破的識別與判據研究[J]．華北地震科學，2012，30（2）：43-47.

[10]劉芳，苗春蘭，高艷玲.內蒙古中西部地區(qū)尾波Q值研究[J].地震，2007，2（27）：72-80.

[11]劉芳，朱智勇.內蒙古中西部地區(qū)的中小地震震源參數[J].華北地震科學，2007，25（2）：10-14.

[12]韓曉明，張建中，薛丁，等.呼和浩特-包頭地區(qū)平均波速比研究[J].中國地震，2010，26（4）：418-425.

[13]霍祝青，王俊，張金川，等.江蘇地區(qū)天然地震與人工爆破識別研究[J].地震工程學報，2015，37（1）：232-234.

Auto Identification of Explosion and Seismic Events in Alashan Area

ZHANG Fan，HAN Xiaoming，HAO Meixian，ZHANG Hui
（Earthquake Administration of Inner Mongolia Autonomous Region，Hohehot 010051，China）

Based on the statistical characteristics of space and time parameters and wavelet analysis，the paper develops a automatic program for identification between earthquakes and blastings by using the BP neural network.The paper uses the method in alashan area in Inner Mongolia，and the test results show that the method used in this article can get higher recognition rate.

The Natural earthquake；Blasting；BP neural network；Wavelet analysis；Automatic identification

P315.31

A

1001-8662（2016）03-0098-06

10.13512/j.hndz.2016.03.014

2015-07-29

測震臺網青年骨干培養(yǎng)專項（項目編號：20140306）；地震科技星火計劃（項目編號：XH14012Y）

張帆（1980-），男，碩士，工程師，主要從事地震觀測和研究工作。

E-mail：spacelessness@163.com.

張帆，韓曉明，郝美仙，等.內蒙古阿拉善地區(qū)爆破和地震自動識別研究[J].華南地震，2016，36（3）：98-103.[ZHANG Fan，HAN Xiaoming，HAO Meixian，et al.Auto Identification of Explosion and Seismic Events in Alashan Area[J].South china journal of seismology，2016，36（3）：98-103.]