基于卷积神经网络的单台震中距估计

摘要

单台震中距估计是现场地震预警的重要工作之一。针对传统的B-Δ方法在震中距估计中存在的利用P波信息有限且预测误差较大的局限性，使用日本K-NET台网的强震动数据，将3 s时间窗长度的三分量加速度波形作为输入，利用卷积神经网络直接从波形中提取特征信息，建立了基于卷积神经网络的单台震中距估计(Convolutional Neural Network for epicentral Distance estimation, CNN-Dis)模型。研究结果表明：在测试数据集中，通过对输入数据和标签进行归一化处理，CNN-Dis模型震中距估计的平均绝对误差和标准差分别是28.119 6和34.682 7 km,且优于未进行归一化处理的模型的性能；对比传统的B-Δ方法，CNN-Dis模型提高了震中距估计的可靠性；与内陆地震事件相比，CNN-Dis模型对于海域地震的震中距估计也有相对可靠的结果。所构建的CNN-Dis模型在一定程度上提高了震中距估计的准确性，为地震预警技术迭代与性能优化提供了有力的支持。

关键词

地震预警 / 机器学习 / 卷积神经网络 / 震中距估计 / P波 / 归一化