基于人工智能的地震信号检测器和相位选取器

PyPI Conda Read the Docs PyPI - License Conda GitHub last commit

描述

EQTransformer 是一个基于具有注意力机制的深度神经网络的人工智能地震信号检测器和相位(P&S)选取器。它具有专门为地震信号设计的分层架构。EQTransformer 已在全球地震数据上进行了训练，可以同时高效地执行检测和到达时间选取。除了预测概率外，它还可以提供模型不确定性的估计。

EQTransformer Python 3软件包包括用于下载连续地震数据、预处理、使用预训练模型执行地震信号检测和相位(P & S)选取、构建和测试新模型以及执行简单相位关联的模块。

开发者: S. Mostafa Mousavi (smousavi05@gmail.com)

链接
安装
教程
相关软件包
快速示例
参考文献
测试集
贡献
报告错误
使用EqT的研究

链接

文档: https://rebrand.ly/EQT-documentations
论文: https://rdcu.be/b58li

安装

EQTransformer 支持多种平台，包括macOS、Windows和Linux操作系统。请注意，您需要安装Python 3.x (3.6或3.7)。可以使用以下选项安装 EQTransformer Python软件包:

通过Anaconda(推荐):

conda create -n eqt python=3.7

conda activate eqt

conda install -c smousavi05 eqtransformer

注意：有时您需要多次重复执行最后一行才能成功。

通过PyPI:

如果您的机器上已经安装了 Obspy，您可以通过PyPI获取 EQTransformer:

pip install EQTransformer

从源代码:

可以从 GitHub仓库 下载 EQTransformer 的源代码。

注意: GitHub版本已修改为适用于Tensorflow 2.5.0

您可以克隆公共仓库:

git clone git://github.com/smousavi05/EQTransformer

或者(如果您在Colab上工作)

pip install git+https://github.com/smousavi05/EQTransformer

获得源代码副本后，您可以进入 EQTransformer 目录并使用以下命令安装:

python setup.py install

如果您之前已安装 EQTransformer Python软件包并想升级到最新版本，可以使用以下命令:

pip install EQTransformer -U

要在M1笔记本电脑上安装EqT (使用python>=3.9)，从源代码(GitHub)安装，需要在setup.py中将tensorflow更改为tensorflow-maco，并按照以下步骤操作:

  conda create -n eqt python=3.10
  conda activate eqt
  conda install -c apple tensorflow-deps
  conda install obspy jupyter pandas
  pip install tensorflow-macos
  python3 setup.py install

教程

请参见:

https://rebrand.ly/EQT-documentations

和/或

https://rebrand.ly/EQT-examples

重要说明:

两个模型(即原始模型和保守模型)在网络架构上没有太大区别(只有1或2层)。主要区别来自训练过程和训练期间用于数据增强的超参数。

原始模型(论文中的模型)已经过优化以最小化漏报率(最大化检测到的事件数量)。当您的应用中高误报率不是问题时，这是一个不错的选择。例如，在事件定位工作流程中，大多数误报将在关联、定位和 - 特别是 - 重新定位过程中自动被移除。您可以使用更高的阈值(P和S约为0.3，检测约为0.5)来使用原始模型。

保守模型则经过优化以最小化误报率(最大化有效检测数量)。当您的应用不能容忍高误报率时，这个模型很有用。例如，在走时层析成像或使用EqT检测到的事件作为模板匹配的模板时。您应该使用更低的阈值(P和S为0.03)来使用此模型。

最佳目录构建建议:

使用原始模型进行检测和拾取，并在最后进行基于互相关的事件重新定位以清除误报。
使用保守模型检测到的事件作为模板事件，然后执行补充模板匹配以检测其余事件。请参见此论文(https://academic.oup.com/gji/advance-article-abstract/doi/10.1093/gji/ggac487/6881721)作为示例。

如果您发现一些较大的事件被遗漏而较小的事件被检测到: 对移动窗口使用更大的重叠值(例如0.9)。

注意：要运行notebook示例，您可能需要在安装 EQTransformer 的相同环境中重新安装jupyter。

快速示例


    from EQTransformer.core.mseed_predictor import mseed_predictor
    
    mseed_predictor(input_dir='downloads_mseeds',   
                    input_model='ModelsAndSampleData/EqT_model.h5',
                    stations_json='station_list.json',
                    output_dir='detection_results',
                    detection_threshold=0.2,                
                    P_threshold=0.1,
                    S_threshold=0.1, 
                    number_of_plots=10,
                    plot_mode='time_frequency',
                    batch_size=500,
                    overlap=0.3)

参考文献

Mousavi, S.M., Ellsworth, W.L., Zhu, W., Chuang, L, Y., and Beroza, G, C. Earthquake transformer—an attentive deep-learning model for simultaneous earthquake detection and phase picking. Nat Commun 11, 3952 (2020). https://doi.org/10.1038/s41467-020-17591-w

BibTeX:

@article{mousavi2020earthquake,
    title={Earthquake transformer—an attentive deep-learning model for simultaneous earthquake detection and phase picking},
    author={Mousavi, S Mostafa and Ellsworth, William L and Zhu, Weiqiang and Chuang, Lindsay Y and Beroza, Gregory C},
    journal={Nature Communications},
    volume={11},
    number={1},
    pages={1--12},
    year={2020},
    publisher={Nature Publishing Group}
}

许可证

EQTransformer包根据MIT许可证分发，这是一个宽松的开源（自由软件）许可证。

如果您认为EqT在您的实验中没有检测到所有事件或产生了太多假阳性，请告诉我们。我们一直对了解更多分布外情况感兴趣，以便能够改进我们的模型。

测试集

ModelsAndSampleData文件夹中的test.npy文件包含了论文中使用的测试集的波形名称。根据这些波形名称，您可以从STEAD检索我们的测试数据及其标签。将您的模型应用于这些测试波形，您可以直接将您的模型的性能与论文中表1、2和3中的性能进行比较。 STEAD中的其余波形分别用于训练（85%）和验证（5%）。

贡献

如果您想作为开发者为项目做出贡献，请按照以下说明开始：

复刻EQTransformer项目（https://github.com/smousavi05/EQTransformer）
创建您的功能分支（git checkout -b my-new-feature）
提交您的更改（git commit -am 'Add some feature'）
推送到分支（git push origin my-new-feature）
创建一个新的拉取请求

报告错误

在提交新的错误报告之前，请查看https://github.com/smousavi05/EQTransformer/issues?q=is%3Aissue+is%3Aclosed，了解已经报告/修复的问题/错误列表。

在https://github.com/smousavi05/EQTransformer/issues报告错误。

如果您要报告一个错误，请包括：

您的操作系统名称和版本。
任何可能有助于解决问题的本地设置详情。
复现错误的详细步骤。

一些使用EqT的研究：

di Uccio, F. S., Scala, A., Festa, G., Picozzi, M., & Beroza, G. C. (2022). 比较和整合人工智能和相似性搜索检测技术：应用于意大利南部的地震序列。Authorea预印本。
Gong, J., & Fan, W. (2022). 戈法尔转换断层最西端的地震活动、断层结构和滑动模式。地球物理研究：固体地球，127(11)，e2022JB024918。
Shiddiqi, H. A., Ottemöller, L., Rondenay, S., Custódio, S., Halpaap, F., & Gahalaut, V. K. (2023). 稳定大陆地区地震簇的比较：挪威北部诺德兰的案例研究。地震学研究快报。
Chin, S. J., Sutherland, R., Savage, M. K., Townend, J., Collot, J., Pelletier, B., ... & Illsley‐Kemp, F. (2022). 西南太平洋新喀里多尼亚南部的地震和地震危险性。地球物理研究：固体地球，e2022JB024207。
Miller, M. S., Pickle, R., Murdie, R., Yuan, H., Allen, T. I., Gessner, K., ... & Whitney, J. (2023). 西南澳大利亚地震网络（SWAN）：记录澳大利亚最活跃地震带的地震。地震学研究快报。
Zhang, Z., Deng, Y., Qiu, H., Peng, Z., & Liu‐Zeng, J. (2022). 利用密集地震阵列记录的数据对青藏高原东北部海原断裂蠕滑段断层带结构进行高分辨率成像。地球物理研究：固体地球，127(9)，e2022JB024468。
Bannister, S., Bertrand, E. A., Heimann, S., Bourguignon, S., Asher, C., Shanks, J., & Harvison, A. (2022). 使用双差地震层析成像技术对陶波火山带奥卡塔伊纳火山中心的亚火山口结构进行局部地震成像。火山学与地热研究杂志，431，107653。
Michailos, K., Carpenter, N. S., & Hetényi, G. (2021). 喜马拉雅山下中深度地震活动的时空演化：对变质作用和构造的启示。地球科学前沿，859。
Gong, J., Fan, W., & Parnell‐Turner, R. (2022). 微地震活动表明东太平洋海隆克布拉达转换断层系统存在非典型的小尺度板块旋转。地球物理研究快报，49(3)，e2021GL097000。
姜程、张鹏、White, M. C.、Pickle, R.、Miller, M. S.（2022）。利用机器学习震相拾取器和自动化工作流程构建班达弧-澳大利亚板块碰撞带的详细地震目录。地震记录，2(1)，1-10。
庄丽英、彭志科、雷兴、王彬、刘杰、翟琦、涂浩（2023）。2010年玉树Mw 6.7级地震的前震发生在伸展阶区附近。地球物理研究：固体地球，128(1)，e2022JB025176。
Kemna, K. B.、Roth, M. P.、Wache, R. M.、Harrington, R. M.、刘洋。小震级事件突显了水力压裂注入参数、地质因素和地震发生之间的相关性。地球物理研究快报，e2022GL099995。
Cianetti, S.、Bruni, R.、Gaviano, S.、Keir, D.、Piccinini, D.、Saccorotti, G.、Giunchi, C.（2021）。深度学习技术在地震序列研究中的比较：以2019年意大利穆杰洛Mw 4.5级地震为例。地球物理研究：固体地球，126(12)，e2021JB023405。
van der Laat, L.、Baldares, R. J.、Chaves, E. J.、Meneses, E.（2021年11月）。OKSP：一种用于哥斯达黎加地震监测的新型深度学习自动事件检测流程。2021年IEEE第三届生物启发处理国际会议（BIP）论文集（第1-6页）。IEEE出版。
Caudron, C.、青木陽介、Lecocq, T.、De Plaen, R.、Soubestre, J.、Mordret, A.、...、寺川寿子（2022）。2014年御岳山水蒸气爆发前的隐藏压力流体。自然通讯，13(1)，1-9。
文绪英、沈旭、周强（2022）。利用机器学习方法和密集节点地震阵列研究北流5.2级地震余震特征。地球物理学报，65(9)，3297-3308。
盛颖、Pepin, K. S.、Ellsworth, W. L.（2022）。德拉瓦盆地地震深度研究：以里夫斯-佩科斯县界为例。地震记录，2(1)，29-37。
Walter, J. I.、Ogwari, P.、Thiel, A.、Ferrer, F.、Woelfel, I.（2021）。easyQuake：为您的区域地震网络或局部地震研究应用机器学习。地震学研究快报，92(1)，555-563。
史鹏、Grigoli, F.、Lanza, F.、Beroza, G. C.、Scarabello, L.、Wiemer, S.（2022）。MALMI：基于机器学习和波形迁移的自动化地震检测和定位工作流程。地震学研究快报。