天然地震与人工爆破特征识别研究综述＊

唐婷婷 余 思 陈江贻

（江西省地震局，南昌 330039）

引言

非天然地震事件主要包括爆破、塌陷、矿震、核试验等，其中爆破是非天然地震事件中记录最多的事件类型。小震级天然地震与小当量矿山爆破波形相似，地震监测工作人员直接依据记录到的波形很容易产生误报现象，影响地震速报时间、速报精度、地震编目以及天然地震的监测预警。因此，地震类型的识别具有十分重要的科学意义和现实意义，如何快速正确区分天然地震和人工爆破成为亟待解决的问题。

自20世纪50年代以来，多种地震与爆破的识别特征、特征提取和识别方法等相继提出并得到广泛研究，地震事件识别精度持续提升。地震事件识别主要包括3个基本步骤，即地震事件信号预处理、地震特征提取与地震事件分类（图1）。其中地震事件波形特征提取是地震事件分类识别的关键步骤，通过特征提取得到表达能力强、抗噪能力好的有效特征仍然是地震信号处理领域的研究难点和热点之一。

图1 地震事件识别的主要步骤Fig. 1 The main procedures of earthquake identification

1 地震事件识别特征

目前，针对如何识别天然地震与人工爆破的特征很多，如发震时间、地点，初动方向等。现将所有常用特征及其适用性进行系统总结如下（表1）。实际应用中，依靠单项特征判别地震与爆破识别速度快，而根据研究区域事件数据特点及处理数据所用算法筛选合适的多个特征共同组合成适合该区域的综合识别特征，其涵盖的信息更为丰富，更有利于提高地震与爆破识别的准确性。

2 地震事件特征提取方法

人工爆破与天然地震识别方法一般要从原始地震数据中提取特征，再将这些提取的特征以特征量的形式输入到分类器进行地震事件类型分类。特征提取方法作为地震事件人工智能识别的核心内容得到快速发展，地震事件倒谱域、时间域、频率域等有效特征提取方法不断拓展，主要包括倒谱分析、傅里叶变换、小波变换和希尔伯特-黄变换。

2.1 基于倒谱分析的特征提取法

倒谱是对数倒频率谱的简称，用来描述地震和爆破引起的地震回波，可用下面的式子来表示：

具体计算过程如图2所示。Bogert等[1]最早提出基于倒谱分析的天然地震与人工爆破识别方法。该方法通过对大量天然地震与人工爆破的地震记录实施倒谱分析，提取事件的倒谱参量C，根据天然地震C值大，人工爆破C值小进行识别[2-3]。陈银燕[4]将语音识别的方法运用到天然地震和人工爆破识别中，从地震与爆破波形中提取美尔倒谱系数（简称MFCC）特征和线性预测倒谱系数特征（简称LPCC）识别事件类型，实验结果表明，该特征具有一定的可行性和有效性。

图2 倒谱计算过程Fig. 2 Cepstral calculating process

2.2 基于傅里叶变换的特征提取法

傅里叶变换是时频分析的基础，在时频分析研究中得到广泛应用。傅里叶变换可以得到信号对应的频谱，但完全丢失时间信息，因此，为了反映地震事件信号的时变特征，一般采用短时傅里叶变换得到地震事件信号频率随时间的变化情况[5]。短时傅里叶的基本思想是用一个固定长度的窗函数对信号进行截取，并对窗函数内的信号进行傅里叶变换，即可得到该时刻该段信号的傅里叶变换。通过窗函数在整个时间轴上的平移，最终得到不同时刻的傅里叶变换，即信号频率分布随时间的变化关系。其基本运算公式如下：

式中，ω（n－m）为采用的时间窗，n为时间点，ω为频率点，m为变换参数。

常见的窗函数主要包括：矩形窗、三角窗、海明窗和高斯窗。因海明窗计算迅速且第一旁瓣相对主瓣衰减更快，能量集中在主瓣可减小频率泄露，因此，一般选择海明窗作为窗函数对地震事件信号进行时频计算。崔鑫等[6]、荣伟健等[7]、高家乙等[8]利用短时傅里叶变换发现天然地震的时频呈现“多峰”特征，人工爆破则相对“少峰”，天然地震的时频峰值分布在较宽的频率范围内，人工爆破的峰值则分布在低频的狭窄范围内。

2.3 基于小波变换的特征提取法

令L2（R）表示定义在实轴上、可测的平方可积函数空间，对于任意信号f（t）∈L2（R）的连续小波变换为：

献文考[9-11]参[12-13][14-20][18, 20][11, 18]、间不孤定进径等初P波因动工时波上一法路人破面量段有方播构录破与爆的定结记爆金传波，具况质形工于里弱法震情点应息生波介波人地的缺限区局地产利，无相信克，减球分分然等围定破瑞据用量过正，部天相范固爆的场全判利测性通校响、地，部下于级助要的限要径影级响晰向用震用点近完辅主点局需路异震影清动适破适地①是②①立的②行差受素不初只爆、地倍性间便了了大特了时方点明明级放率 明续观观优震的观观持直小仪、频响直直 直波取 减震数影尾量：育破发爆、，P 波向能方可动震值间间机长地工阈布初，也不时人然波时随征优分量上续特天面震点发地震震最限分向持与破别利地地到象直能下波震爆识瑞然然得 有垂可向尾地工用具地场有面态天天算＞动然人常常破石往利计＞天＞状破破据短（△≤100 km）的震初破往瑞破爆采通间同地爆般；工后的波爆爆数量时相然工爆一性人，如之期弦工工本分续级天人工间律分定正据直上持震与人时规部固S波周大，呈波根台垂向波波震①有②点在较波的 Pc/Sm：人可Pm/Sm：人样 近P波向方尾体 地然位比记断 1 天方值台判Table 1 The common characteristics for earthquake and explosion identification站幅各动的、台S波的后比初间表径与正值过时路、传，P波校幅通续法法持方播减的波理衰录尾处响距记：；0，无站据小影中=台数则；震为台数大的破源距震值比各台过均值的准爆地记录震中后据≥80%，向向的记弱震经平幅正判上动各用术S波校初动晰1，偏下动减及向初向初中型件采算与减动动晰－1，偏间于类事了以般的为角一录P波 ∑衰P波初清为初清 ① 记 ②≥50%，为处件 记③事一均每平和比和比大声幅幅幅幅律最噪振振振振征规动大大大（从近接特点）初最最最间到）体向时始段具、地间波Rg波面P波S波（Pc/Sm）P波S波（Pm/Sm）方续开间时期型动持幅时震周利水平分量振幅比初波振的发短（瑞 P波尾S波平水数参征事件波形直观特征特

1 表献续文考29-30][9, 31][32, 34-35][32, 34-35]参[2-4, 21][22-23][22, 24][6-8, 25-28][18-19, [32-35]介通大播性径，具要较传匀路性需量线均播关响数作射非传相影杂的的点的定距函，工复间质缺效中基证算站介有式一性震取验计台球理模在限存局受选法到地合减级定换方源和赖衰震一变验波实震径响依质与有小过受路影信宽据阈例带数优析点波波本最分优全滤样到用，对感据得量敏根算，定使号不可计值1同0.3 s ，破区破定震布C＞爆约频爆稳地分量工期高慢工不然值参人破周于减人震率破震震破天峰谱与爆越卓处衰＞地频爆地地爆多倒震工均般量震然时工然然工①②地人地然＞一能然天人瞬天天0.7 s平人，：天＞＞＞＞的地＞下1天震段破震破破震单峰C＜调值地然约爆频值爆爆地破同均工稳然工工然爆相：天期低快平人平天人人天工图零量级比周于减率率人谱非参倒，无谱震相越卓处衰频频倒波波均般量峰时①降②体类平一能顶瞬（Zhao-Atlas-A时为取第子从和；和为，分值幅模的求取和本值值法斯的果母值样幅方克点结，分幅形f处；理-马拐算本波处各计值样的率限限据斯法换拉式上数X(t)2dt幅形刻频下下数换方公系形波线中上上度变论换关C■ B 波的C时谱的的法法叶-阿杂曲相的刻第频段段方方里分换复率自刻|x(f)|df|x(f)|df叶频频析析析傅赵频变性WD理n∑i=1(gi+1-gi)2频③Marks）时的率X(t)2dt/t时B时到刻L1 L2里分分分时线包态频时向■H1■H2谱谱谱短非波稳时分B■ A 到B时倒波波①②Hilbert-Huang变特析小非瞬IFC=：瞬gi Hilbert-Huang变三C=X（t）为第刻从SR=x（f）：傅H1，L1：低H2，L2：高征率C特频数度体数率幅期率时系杂具参频振周频比关复比谱角大越势量瞬相形谱倒拐最卓优能P波自波频数参征震源参数特征特

式中，Wf（a，b）为连续小波变换系数；a为时间尺度因子，反映小波的周期长度；b为时间位置因子，反映时间上的平移。

小波变换是地震事件提取特征向量比较常见的一种方法，目前基于小波变换的特征提取已经做了大量的研究。刘希强等[36]用精细构造小波分解信号“能量”线性度DWEL识别天然地震和人工爆破。和雪松等[37]用小波包将信号变换到频域，再用奇异值作为统计工具，提取天然地震和人工爆破的能量识别因子。为了弥补小波变换在高频部分分辨率差的问题，曾宪伟等[29]用小波包方法对信号空间进行多尺度分解，得到信号在不同频带上的能量分布，定义小波包分量比（不同频带能量比）为特征向量。针对窗长对识别率存在影响的问题，黄明汉等[38]通过对地震和爆破事件经4层小波包变换，提取不同窗长的香农熵特征进行分类检验，研究结果确定信号窗长度最佳值为2 000。

2.4 基于希尔伯特-黄变换（HHT）的特性提取法

希尔伯特-黄变换是一种新的具有自适应性的时频分析方法[39]，包括经验模态分解（EMD）和Hilbert谱分析两大块内容。经验模态分解具有良好的局部特征和自适应性，适用于非平稳信号的滤波和去噪，Hibert变换可以获得具有物理意义的瞬时频率，图3是希尔伯特-黄变换流程图。结合天然地震和人工爆破信号非平稳、非线性的特性以及HHT变换的优势，王玥琪[27]，李锐[30]基于HHT算法对IMF分量进行Hilbert变换，求得瞬时频率构造特征空间识别天然地震与人工爆破。陈奇[40]提出基于EDM的小波阈值去噪方法为了提高地震数据信噪比，最大限度保留有用信息，再利用VAR-AIC算法结合时间窗法提取地震波形特征。

图3 希尔伯特-黄变换流程图Fig. 3 The flow chart of Hilbert-Huang transform （HHT）

2.5 基于深度学习的特征提取法

近年来，作为一种多层神经网络学习算法，深度学习因对输入样本数据强大的特征自动提取能力受到广泛关注。在天然地震和人工爆破分类识别实际应用中，深度学习将特征提取、特征选择和特征分类等功能有机统一，实现了性能与效率的整体优化。深度学习模型中的卷积神经网络有效克服过拟合问题且训练难度低，因而近年来在地震事件研究领域应用广泛。卷积神经网络结构的网络输入是地震事件波形图像，输出是其识别结果，输入图像经过若干个“卷积”和“采样”加工后，在全连接层网络实现与输出目标之间的映射（图4）。Perol等[41]第一个提出基于地震记录的卷积神经网络应用于诱发地震取得良好效果。陈润航等[42]提出以梅尔频率倒谱系数图作为卷积神经网络（CNN）的输入，对神经网络进行训练后用来对地震和爆破进行识别。周少辉等[43]直接选用原始地震波形作为卷积神经网络模型训练与测试的输入数据进行深度学习训练，并分别采用目前主流的AlexNet、VGG16、VGG19和GooleNet 4种卷积神经网络结构进行学习训练，结果表明，AlexNet网络结构的效果最好。卷积神经网络达到一定深度后继续增加层数会出现难以训练和性能退化的问题，而加入辅助模块可以有效缓解过深网络训练中退化与梯度消失问题。隗永刚等[44]提出了具有残差学习模块的残差网络模型应用于天然地震和人工爆破识别，将波形的全部功率谱作为模型训练与测试的输入数据，直接应用深度学习技术从波形功率谱中学习出爆破和地震的频谱特征，在保留原始信息的同时提高了地震事件的识别能力。Mousavi等[45]提出基于分级注意力机制、长短期记忆网络和残差网络结合的网络模型，研究结果证明了基于深度神经网络模型较人工拾取方法拥有更快的检测速度和更高的识别精度。高中强[46]在残差结构中添加SE模块建立ResNet深度增强模型，通过SE模块显示的建模通道间的相互依赖关系自适应重新校准通道间的特征响应，确保更好的提取地震事件图像中“高质量”特征。李进[47]提出了基于多尺度模块和收缩模块混合的残差神经网络模型DRISN，并与Res Net、Google Net深度卷积网络模型等进行实验对比，发现DRISN深度卷积网络模型地震事件识别效果更好。

图4 卷积神经网络结构示意图Fig. 4 The structure diagram of convolutional neural network

3 结语

天然地震与人工爆破分类识别是目前地震事件分类识别领域的研究热点，而与天然地震与人工爆破分类识别相关的研究是一个较为复杂的过程。从特征参数的提取、特征的选择与降维分析，到最终的语音情感识别，每一步都至关重要。其中，天然地震与人工爆破识别特征的提取作为分类识别整个过程的开始阶段，占据十分重要的地位，其提取特征的准确与否决定最终的分类识别效果。

本文通过对天然地震与人工爆破识别特征提取的综述，发现目前虽然已经取得一些成就，但仍存在很多问题值得进一步研究，概括如下：

（1）大规模地震事件数据库构建问题，尤其是人工爆破数据库问题。目前不同研究者采用的地震事件数据库不尽相同，虽然分类识别结果精度较高，但涉及的训练集和测试集数据有限，限制了分类模型的泛化能力。加之深度学习通常需要海量训练样本数据支持才能避免过拟合，数据集也是开发、训练和改进算法的关键。因此，亟需构建大型专业地震事件数据库，增加数据集体量。

（2）特征挖掘是可提升的方向。天然地震与人工爆破识别领域中不同研究者通过实验提出不同特征，但是现有典型特征较少，多为时间域、频率域特征，近期没有提出类似或更优的广泛适用的特征，故特征挖掘需要进一步加强。

（3）特征提取方法需改良，设计应用性能更好的深度模型。为了使基于深度学习的天然地震与人工爆破识别能够从服务器迁移到移动端，需要将基于深度学习的地震事件识别模型进行轻量化处理，缩短天然地震与人工爆破识别时间。