在遠(yuǎn)距離地下核爆炸的監(jiān)測分析中，地震被列主要的技術(shù)手段。經(jīng)過半個世紀(jì)的研究，國際上對地下核爆炸與天然地震的分類問題提出了多種識別特征，如mb:Ms，P波初動、P波復(fù)雜度、P/S幅值比等。隨著全球及各國密集臺網(wǎng)的建立，區(qū)域及地方記錄中將會有更多的小震級地震、爆炸、礦震、滑坡等事件，多類型的地震分類也將面臨更多的挑戰(zhàn)。近些年，人工智能方法在地震數(shù)據(jù)處理中顯示出強大的適用性，在地震分類中也得到了廣泛應(yīng)用。目前國內(nèi)外大部分研究集中在局部地區(qū)的地震與爆炸或者地震與非天然地震的兩分類問題，對地震事件的多分類問題、礦區(qū)誘發(fā)地震的特征分析、大范圍分類模型的構(gòu)建都有待進(jìn)一步研究。

中國地震局地球物理研究所邊銀菊研究員團(tuán)隊針對中國中東部地區(qū)天然地震、爆炸、礦震三類事件的分類問題，通過幅值比、高低頻能量比、拐角頻率、波形持續(xù)時間、復(fù)雜度、過零率、倒譜復(fù)雜度、瞬時頻率復(fù)雜度等特征量化方法，建立了36維單臺與多臺平均的特征提取數(shù)據(jù)集。同時作為對比，通過多窗口譜分析技術(shù)基于地震波形建立了60維單臺與多臺平均的振幅譜數(shù)據(jù)集。利用多種人工智能方法，包括支持向量機（SVM）、極端梯度提升（XGBoost）、長短期記憶網(wǎng)絡(luò)（LSTM）、殘差神經(jīng)網(wǎng)絡(luò)（Resnet）和長短時記憶全卷積網(wǎng)絡(luò)（LSTM-FCN），分別構(gòu)建了二分類和三分類模型，對比了不同數(shù)據(jù)集的分類能力，分析了分類能力隨震中距的變化，評估了分類模型的泛化能力。

研究結(jié)果表明，不同 AI 模型在特征提取數(shù)據(jù)集上的分類準(zhǔn)確率均高于振幅譜數(shù)據(jù)集，表明特征量化方法可以更好地突出不同類型地震事件之間的差異。多臺平均數(shù)據(jù)集的準(zhǔn)確率比單臺數(shù)據(jù)集高 5%–8%。地震/礦震分類模型性能最好，其次是地震/爆炸和爆炸/礦震，平均分類準(zhǔn)確率分別為97.4%~98.4%、96.5%~97.6%，和 88.8%–90.6%。在模型泛化能力測試中，基于特征提取數(shù)據(jù)集構(gòu)建的分類模型的泛化能力較強，其中兩分類模型的測試準(zhǔn)確率和F1-Scores均超過90%。幾種人工智能方法中，XGBoost 和 LSTM 對不同數(shù)據(jù)集構(gòu)建的分類模型均表現(xiàn)出色，表明這兩種方法在地震事件分類中具有良好的應(yīng)用前景。

該項研究構(gòu)建的中國中東部地區(qū)地震、爆炸、礦震的兩分類與三分類模型，可適用于更廣泛地區(qū)的非天然地震分類與編目中，研究方法也可應(yīng)用于礦區(qū)微震分類。通過地震分類工作建立準(zhǔn)確的天然地震目錄、爆炸目錄、礦震目錄，對地震活動性研究、突發(fā)爆炸災(zāi)害分析、采礦誘發(fā)地震活動性評估等都有重要的意義。該成果于2023年發(fā)表在學(xué)術(shù)期刊《Seismological Research Letters》上，（Wang Tingting, Bian Yinju, Zhang Yixiao, Hou Xiaolin, Using Artificial Intelligence Methods to Classify Different Seismic Events. Seismological Research Letters,2023,94, 1–16）。研究受自主立項(0722006)、核查項目共同資助。

圖1 地震、爆炸、礦震的特征值分布

圖2 特征重要度分析與特征選擇

圖3 不同人工智能方法構(gòu)建的二分類模型的識別準(zhǔn)確率和 (ROC) 曲線

圖4 分類能力隨震中距的變化

【作者簡介】

王婷婷，非天然地震研究室，副研究員，主要從事特殊事件監(jiān)測、爆炸當(dāng)量估算、天然地震與非天然地震性質(zhì)分類識別等研究。