.png){kind=icon}
返回
Predictive modelling of seismic wave fields: learning the transfer function using encoder-decoder networks
.png){kind=icon}
OA
AI
DOI：10.1093/gji/ggaf004.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
如果我们能够预测已不存在的地震台站的时间序列，那将是有益的，对吗？在地球物理数据分析中，这种能力将增强我们研究和监测地震事件及地震噪声的能力，特别是在台站覆盖不完整或台站临时离线的区域。本研究介绍了一种深度学习子领域中编码器-解码器网络的全新改进，该改进被修改用于预测两个地震台站之间的地震波场发展。利用1-D时间序列测量数据，我们的算法旨在通过近似传递函数来学习和预测两个台站之间的信号转换。最初，我们在简化的受控环境中使用合成数据评估这一概念验证，随后纳入在一个包含多条道路、风力涡轮机、油泵机和铁路交通的区域内的地震勘探现场收集的现场数据。在多样化场景中，该模型展示了在各种地震台站配置中学习传递函数的能力。特别是，它在不同数据集中实现了对大多数地震波相位的准确预测。与通过分析历史趋势来估计时间序列预测的编码器-解码器网络显著不同，我们的方法更侧重于近邻位置之间的波传播。因此，该分析结合了相位和振幅信息，并提供了一种基于机器学习技术近似传递函数的新方法。所获得的知识能够用于在临时地震阵列的背景下重建来自缺失、离线或已停用台站的数据，或排除与去噪无关的数据。
Keyword:
Machine learning
Time-series analysis
Seismic interferometry
Seismic noise
Wave propagation