卷积神经网络在余震自动识别和中国地震台网地震检测中的应用
卷积神经网络（CNN）是一种深度学习方法，近年来在多个领域取得了优秀的成果。随着地震网络在全球范围的部署，每天产生的大量连续波形记录对数据处理提出了新的要求。传统的波形拾取算法都有一定的局限性，很难同时适用于复杂区域的不同类型地震事件的自动识别与到时挑选。机器学习和深度学习神经网络方法由于具有较强的泛化能力，近些年来受到越来越多关注。
本研究使用汶川地震的10,000多个余震和专家手动挑取的P、S到时，构建了超过65,000个30秒长地震波形片段和超过200,000个噪声片段的高质量训练和测试样本集，并基于该数据集应用8层深度卷积神经网络进行地震与噪音分类。该模型在Tesla P100 GPU单卡（显存12 GB）上训练80,000时间步，最优模型精度可达到99.3%，对8,000段测试地震样本的验证也达到了94%的精度。
CNN模型在微小地震（<2级）检测中具有较高的准确率（55%—73%）和召回率（62%—77%），性能大大超过传统方法。在对实际连续波形的识别实验中，CNN模型显示出优秀的泛化能力，可以检测大约55%一级以上和80%二级以上的CENC目录，证明了卷积神经网络相比传统方法具有较好的泛化能力。
深度卷积神经网络是一种数据驱动技术，其性能强烈依赖于不同类型的地震和噪声样本的数量与空间分布。在不久的将来有望替代人工识别地震与手动挑取初至到时等日常工作，为更高效快速的地震速报与预警提供强有力的技术支撑。
此外，本文还应用CNN模型于441个中国地震台网（CENC）台站，结果显示，该方法可以检测大约55%一级以上和80%二级以上的CENC目录，证明了卷积神经网络相比传统方法具有较好的泛化能力。
此外，本文还对沂沭断裂带的断层结构和介质破碎带的性质进行了研究。野外考察显示，位于莒南县左山次级破裂段出露长度8 km，走向N15—20°E，倾向南东，倾角70°—80°。沂沭断裂带作为郯庐深大断裂的一部分，由4条主干断裂组成了“两堑夹一垒”构造形态，地质时期经过长期相对运动，在断层两侧形成岩石破碎带。
为研究沂沭断裂带的断层结构和介质破碎带的性质，我们在左山场地跨安丘—莒县断层两侧布设了小型台阵，观测和记录断裂带内发生的小震活动；台阵由6套BBVS-120测震仪及相应的数采设备等构成，台阵跨安丘莒县断层，沿垂直断层方向布设；除一套仪器紧邻地表断层外，其余仪器距离断层在数十米到1 km不等。
以2016年5月11日莒县2.7级地震为例，此次地震莒南台阵有4个台站有波形记录，通过波形拾取发现，距离断层较远的台站其Pg震相到时反而比距离断层较近的台更提前到达。对观测波形做基线校正、去漂移等基本处理后，进行1—15 Hz带通滤波，结果发现距离断层较远的两个台（分别约400 m、700 m）出现了特殊震相，该震相在Pg，Sg和Surface波中都出现了。
本文通过应用卷积神经网络在余震自动识别和中国地震台网地震检测中的应用，证明了卷积神经网络相比传统方法具有较好的泛化能力，可以检测大约55%一级以上和80%二级以上的CENC目录，为更高效快速的地震速报与预警提供强有力的技术支撑。此外，本文还对沂沭断裂带的断层结构和介质破碎带的性质进行了研究，结果显示了该方法可以检测大约55%一级以上和80%二级以上的CENC目录，证明了卷积神经网络相比传统方法具有较好的泛化能力。
