地震數(shù)據(jù)增強(qiáng)方法:APPLICATIONS OF DEEP LEARNING IN SEISMOLOGY

Random shift

?隨機(jī)位移（Random shift）技術(shù)對(duì)于提高模型泛化能力的重要性。通過(guò)將地震訓(xùn)練數(shù)據(jù)在時(shí)間上進(jìn)行隨機(jī)位移，可以減少模型對(duì)于特定時(shí)間點(diǎn)的位置偏見(jiàn)，從而提高其對(duì)地震波到達(dá)時(shí)間預(yù)測(cè)的準(zhǔn)確性。

• 目標(biāo)：利用隨機(jī)位移增強(qiáng)地震波到達(dá)時(shí)間（如P波）的預(yù)測(cè)準(zhǔn)確性，通過(guò)在每個(gè)訓(xùn)練周期對(duì)訓(xùn)練波形進(jìn)行不同的時(shí)間位移，增加樣本多樣性，提高模型泛化能力。

• 方法：

  • 無(wú)隨機(jī)位移：固定參考時(shí)間點(diǎn)，導(dǎo)致模型傾向于記住錨點(diǎn)時(shí)間位置而非學(xué)習(xí)更通用的特征。

  • 限制隨機(jī)位移（10-15秒內(nèi)）：顯示出期望相位存在于有限窗口內(nèi)的統(tǒng)計(jì)偏差，對(duì)連續(xù)數(shù)據(jù)的性能有所下降。

  • 完全隨機(jī)位移（0-30秒內(nèi)）：在整個(gè)窗口內(nèi)高激活得分，提高了模型對(duì)于地震檢測(cè)的效能。
    實(shí)驗(yàn)結(jié)果：

  • 對(duì)比了預(yù)先計(jì)算的固定隨機(jī)位移與動(dòng)態(tài)隨機(jī)位移（即訓(xùn)練時(shí)實(shí)時(shí)計(jì)算，使每個(gè)樣本在每個(gè)周期都有不同的位移）。動(dòng)態(tài)隨機(jī)位移在精確度、召回率和F1分?jǐn)?shù)上均優(yōu)于固定隨機(jī)位移，顯示出更好的性能。

Superimposing events

?這段論文摘要指出，在訓(xùn)練地震檢測(cè)模型時(shí)，通常使用的單一事件數(shù)據(jù)可能導(dǎo)致模型學(xué)習(xí)到只在時(shí)間窗口內(nèi)期待一個(gè)事件的偏見(jiàn)，從而忽略掉同時(shí)存在的較小事件。這種偏見(jiàn)對(duì)于設(shè)計(jì)用來(lái)在時(shí)間窗口內(nèi)檢測(cè)每個(gè)事件的基于語(yǔ)義分割的方法尤為不利。為了讓模型能夠適應(yīng)正常地震以及如地震群和誘發(fā)地震這樣的極端情況，提出了一種有效的數(shù)據(jù)增強(qiáng)方法：事件疊加。

?事件疊加的目的與效果
目的：通過(guò)人工方式將兩個(gè)或更多的時(shí)間序列合并（疊加），模擬在短時(shí)間窗口內(nèi)發(fā)生多個(gè)事件的情況，以此來(lái)消除數(shù)據(jù)中只存在一個(gè)事件的偏見(jiàn)。

效果：使用事件疊加的模型能夠檢測(cè)到靠近較大事件的較小事件，提高了對(duì)小事件的檢測(cè)能力。實(shí)際數(shù)據(jù)中事件波形可能完全重疊，但為了避免訓(xùn)練數(shù)據(jù)導(dǎo)致的假陽(yáng)性增加，通常不會(huì)合成這些完全重疊的情況

• 應(yīng)用場(chǎng)景：盡管在實(shí)際數(shù)據(jù)處理中，可能會(huì)避免使用完全重疊的事件波形，但在特殊應(yīng)用中，如為了真實(shí)再現(xiàn)地震群，疊加大量重疊事件可能是有用的。
  技術(shù)細(xì)節(jié)：在疊加過(guò)程中，還會(huì)應(yīng)用隨機(jī)比例于事件振幅之間，這進(jìn)一步增強(qiáng)了神經(jīng)網(wǎng)絡(luò)檢測(cè)同時(shí)發(fā)生的小地震的能力

• 結(jié)束波形的估計(jì)：由于大多數(shù)數(shù)據(jù)集不提供波形結(jié)束（或地震尾波）的信息，可以使用P波和S波到達(dá)時(shí)間之間的時(shí)間差來(lái)大致估計(jì)地震尾波的結(jié)束，或者使用與尾波震級(jí)估計(jì)類(lèi)似的基于信封函數(shù)的測(cè)量方法。

• 通過(guò)引入這種事件疊加的數(shù)據(jù)增強(qiáng)方法，可以顯著提高模型在復(fù)雜地震活動(dòng)情況下的泛化能力和準(zhǔn)確性，尤其是在檢測(cè)地震群和誘發(fā)地震這類(lèi)信息密集且地震頻繁發(fā)生的極端情況時(shí)。這種方法不僅增加了訓(xùn)練數(shù)據(jù)的多樣性，還幫助模型學(xué)會(huì)在多事件情況下進(jìn)行有效檢測(cè)，從而提高了地震監(jiān)測(cè)和預(yù)警系統(tǒng)的整體性能

Superposing noise

?在處理信噪比（SNR）低的地震數(shù)據(jù)時(shí)，通過(guò)向信號(hào)中疊加噪聲來(lái)提高神經(jīng)網(wǎng)絡(luò)的性能是一種直接且有效的方法。這種增強(qiáng)技術(shù)不僅能夠保持高SNR數(shù)據(jù)的標(biāo)簽高可靠性，而且由于增強(qiáng)后的弱信號(hào)是已知高SNR信號(hào)的衰減版本，因此它們的標(biāo)簽比低SNR信號(hào)上的標(biāo)簽更準(zhǔn)確。通過(guò)控制信號(hào)與疊加噪聲之間的比例，可以影響神經(jīng)網(wǎng)絡(luò)的檢測(cè)極限。特別地，通過(guò)疊加強(qiáng)噪聲，我們可以推動(dòng)神經(jīng)網(wǎng)絡(luò)檢測(cè)隱藏在背景噪聲中的微弱信號(hào)；然而，需要注意的是，這可能同時(shí)增加了假陽(yáng)性的潛在風(fēng)險(xiǎn)。

• 保持高可靠性：即使在疊加了強(qiáng)噪聲的情況下，也能保持來(lái)自高SNR數(shù)據(jù)的標(biāo)簽的高可靠性。
• 提高泛化能力：這種方法也是一種有效的減少小訓(xùn)練數(shù)據(jù)集過(guò)擬合的方式，因?yàn)樵肼晿颖救菀讖倪B續(xù)的地震記錄或合成的隨機(jī)噪聲中獲得。
• 實(shí)驗(yàn)證明，與未疊加噪聲相比，通過(guò)疊加噪聲進(jìn)行訓(xùn)練，即使是在較小的訓(xùn)練數(shù)據(jù)集上，也能在高SNR測(cè)試樣本上獲得高精確度、召回率和F1分?jǐn)?shù)。然而，當(dāng)僅使用高質(zhì)量樣本進(jìn)行訓(xùn)練時(shí)，對(duì)于低SNR測(cè)試樣本的召回率明顯較低。在使用疊加噪聲作為增強(qiáng)方法進(jìn)行訓(xùn)練后，低SNR數(shù)據(jù)的召回率和F1分?jǐn)?shù)顯著提高，同時(shí)高SNR數(shù)據(jù)的性能得到維持
• 噪聲選擇：應(yīng)根據(jù)具體環(huán)境選擇疊加的噪聲類(lèi)型，如針對(duì)鉆孔數(shù)據(jù)、城市數(shù)據(jù)、海底地震儀（OBS）數(shù)據(jù)的應(yīng)用
• 使用現(xiàn)實(shí)地震噪聲：使用現(xiàn)場(chǎng)地震儀記錄的真實(shí)地震噪聲可以獲得更為現(xiàn)實(shí)的增強(qiáng)效果和更好的性能，但需要注意避免包含未被檢測(cè)到的事件在噪聲窗口內(nèi)，這可能無(wú)意中增加了數(shù)據(jù)集中的誤標(biāo)率，從而降低性能。
• 疊加噪聲的增強(qiáng)技術(shù)提供了一種提高神經(jīng)網(wǎng)絡(luò)在處理低SNR地震數(shù)據(jù)性能的有效方法。它不僅可以幫助網(wǎng)絡(luò)更好地泛化到復(fù)雜數(shù)據(jù)上，還可以通過(guò)適當(dāng)?shù)脑肼曔x擇和控制，進(jìn)一步優(yōu)化模型的檢測(cè)能力，尤其是在挑戰(zhàn)性的低SNR環(huán)境中。然而，在實(shí)施這種增強(qiáng)技術(shù)時(shí)，需要謹(jǐn)慎處理，確保不會(huì)引入誤標(biāo)問(wèn)題，同時(shí)避免對(duì)特定類(lèi)型的儀器產(chǎn)生偏見(jiàn)。

False positive noise

• 在處理低信噪比（SNR）地震數(shù)據(jù)時(shí)，向地震信號(hào)中疊加噪聲被證明是提高神經(jīng)網(wǎng)絡(luò)性能的有效方法。此外，向訓(xùn)練數(shù)據(jù)集中添加非地震信號(hào)（即誤報(bào)信號(hào)）也是一種處理復(fù)雜噪聲效應(yīng)（如城市振動(dòng)產(chǎn)生的形狀脈沖）的方式，特別是對(duì)于訓(xùn)練神經(jīng)網(wǎng)絡(luò)以識(shí)別負(fù)樣本（即降低誤報(bào)率）十分有效。

• 由于連續(xù)地震數(shù)據(jù)中復(fù)雜的噪聲和非穩(wěn)定噪聲源，小規(guī)模的訓(xùn)練數(shù)據(jù)集只能覆蓋有限的噪聲范圍。因此，僅基于有限噪聲樣本訓(xùn)練的神經(jīng)網(wǎng)絡(luò)可能會(huì)在未見(jiàn)過(guò)的、具有類(lèi)似地震信號(hào)特征的噪聲上產(chǎn)生許多誤報(bào)。為了解決這個(gè)問(wèn)題，我們可以向訓(xùn)練數(shù)據(jù)集中添加這些誤報(bào)噪聲樣本或合成類(lèi)似的非地震信號(hào)，以重新訓(xùn)練或微調(diào)神經(jīng)網(wǎng)絡(luò)，學(xué)習(xí)識(shí)別這些誤報(bào)并糾正其預(yù)測(cè)。

• 面對(duì)數(shù)據(jù)缺失：在地震數(shù)據(jù)采集中，由于儀器或傳輸錯(cuò)誤，數(shù)據(jù)部分缺失是常見(jiàn)的，這可能導(dǎo)致連續(xù)數(shù)據(jù)中出現(xiàn)突變，進(jìn)而產(chǎn)生誤報(bào)。通過(guò)將類(lèi)似的噪聲樣本加入訓(xùn)練數(shù)據(jù)，可以有效抑制此類(lèi)誤報(bào)預(yù)測(cè)

• 處理人為活動(dòng)噪聲：同樣的邏輯也適用于其他常見(jiàn)的誤報(bào)噪聲類(lèi)型，例如人類(lèi)活動(dòng)產(chǎn)生的脈沖信號(hào)。

• 在實(shí)踐中，鑒于需要廣泛的測(cè)試數(shù)據(jù)和手動(dòng)檢查，識(shí)別不同類(lèi)別的常見(jiàn)誤報(bào)挑戰(zhàn)重重。為了提高識(shí)別誤報(bào)樣本的效率，可以采用主動(dòng)學(xué)習(xí)策略。由于在應(yīng)用過(guò)程中，從大量未標(biāo)記樣本中手動(dòng)識(shí)別誤報(bào)往往困難重重，主動(dòng)學(xué)習(xí)旨在設(shè)計(jì)策略對(duì)這些未標(biāo)記樣本進(jìn)行排序，并首先標(biāo)注最具信息量的樣本，例如不確定性最大的樣本。這些樣本更有可能被識(shí)別為誤報(bào)或漏報(bào)，將它們加入訓(xùn)練可以提高學(xué)習(xí)效率

• 在地震信號(hào)處理和模型訓(xùn)練中引入適當(dāng)?shù)臄?shù)據(jù)增強(qiáng)策略，如疊加噪聲和添加非地震誤報(bào)信號(hào)，可以顯著提高模型在處理復(fù)雜噪聲和低SNR條件下的性能和魯棒性。同時(shí)，采用主動(dòng)學(xué)習(xí)策略可以有效地提高識(shí)別和處理誤報(bào)樣本的效率，進(jìn)一步優(yōu)化模型的預(yù)測(cè)準(zhǔn)確性。這些策略的綜合應(yīng)用將大大提升地震數(shù)據(jù)處理模型的實(shí)用價(jià)值和可靠性

Channel dropout

?在現(xiàn)代地震學(xué)中，三分量地震數(shù)據(jù)是最常見(jiàn)的數(shù)據(jù)形式；然而，在許多歷史檔案中，單一通道記錄占主導(dǎo)地位，并且在一些部署中仍在使用。此外，在三分量記錄中，由于儀器故障或遙測(cè)錯(cuò)誤，一個(gè)通道失效并不罕見(jiàn)。數(shù)據(jù)增強(qiáng)是一種有效的策略，可以提高模型使用三分量數(shù)據(jù)對(duì)單通道數(shù)據(jù)進(jìn)行訓(xùn)練的性能。一種合適的方法是使用類(lèi)似于dropout的技術(shù)。在輸入層，我們隨機(jī)地從ENZ輸入通道中丟棄一個(gè)或兩個(gè)通道。這種通道dropout訓(xùn)練神經(jīng)網(wǎng)絡(luò)也能夠?qū)θ笔ǖ赖臄?shù)據(jù)進(jìn)行預(yù)測(cè)。對(duì)于像相位關(guān)聯(lián)這樣的應(yīng)用，其中基于來(lái)自多個(gè)站點(diǎn)的數(shù)據(jù)進(jìn)行訓(xùn)練，我們可以采用類(lèi)似的方法，在訓(xùn)練期間從部分站點(diǎn)丟棄數(shù)據(jù)。這可以防止網(wǎng)絡(luò)過(guò)度擬合于主導(dǎo)站點(diǎn)，并增加神經(jīng)網(wǎng)絡(luò)在一些站點(diǎn)的數(shù)據(jù)缺失或損壞時(shí)的魯棒性

• 比較了使用和不使用通道dropout的訓(xùn)練性能。將訓(xùn)練好的模型應(yīng)用于高質(zhì)量測(cè)試數(shù)據(jù)（SNR > 20dB）上，并檢查不同組件上的性能。兩種模型顯示出與三分量數(shù)據(jù)相似的性能；然而，經(jīng)過(guò)通道dropout訓(xùn)練的模型在單一組件數(shù)據(jù)上表現(xiàn)更好。在單一E、N、Z和EN組件組合上的性能是有啟示性的，并反映了神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)區(qū)分P波和S波的信息。僅使用Z組件進(jìn)行P波到達(dá)時(shí)間的拾取的性能分?jǐn)?shù)與使用所有ENZ組件相似，反映出Z組件提供了用于拾取P波到達(dá)時(shí)間的大部分信息。相比之下，水平的EN組件包含了拾取S波到達(dá)時(shí)間的必要信息。這與P波和S波的偏振一致。P波在垂直組件上顯示得更強(qiáng)，而S波在水平組件上顯示得更明顯。

• 增強(qiáng)模型泛化能力：通過(guò)引入通道dropout，模型能更好地適應(yīng)在實(shí)際應(yīng)用中可能遇到的數(shù)據(jù)缺失情況，如某一通道的失效

• 提高單一組件數(shù)據(jù)的性能：通過(guò)模擬通道缺失的情況，模型在處理單一通道數(shù)據(jù)時(shí)的性能得到提高，這對(duì)于歷史數(shù)據(jù)分析或特定部署場(chǎng)景下的數(shù)據(jù)處理尤其重要

• 防止過(guò)擬合：這種方法還可以幫助防止模型在特定站點(diǎn)或通道上過(guò)度擬合，增強(qiáng)模型對(duì)不同站點(diǎn)數(shù)據(jù)的泛化能力

• 通道dropout是一種有效的數(shù)據(jù)增強(qiáng)技術(shù)，可以提高地震信號(hào)處理模型在面對(duì)復(fù)雜、不完整數(shù)據(jù)時(shí)的性能和魯棒性。這種方法通過(guò)模擬通道失效的情況，訓(xùn)練模型在缺失一部分?jǐn)?shù)據(jù)時(shí)也能進(jìn)行有效的地震波形識(shí)別和相位拾取，特別是對(duì)于P波和S波的區(qū)分。

Resampling

• 在深度學(xué)習(xí)中，使用不平衡數(shù)據(jù)集進(jìn)行有效訓(xùn)練可能會(huì)面臨挑戰(zhàn)。這個(gè)問(wèn)題在使用地震信號(hào)訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)尤其顯著，因?yàn)榈卣鹫鸺?jí)分布的不平衡性。根據(jù)古騰堡-里克特定律（Gutenberg-Richter law, 1944），地震震級(jí)與地震數(shù)量之間存在冪律關(guān)系，這意味著相對(duì)于小震級(jí)地震，用于訓(xùn)練的大震級(jí)地震數(shù)量要少得多。這種不平衡直接影響了使用神經(jīng)網(wǎng)絡(luò)進(jìn)行震級(jí)估計(jì)等應(yīng)用的效果。類(lèi)似的問(wèn)題也存在于距離、深度、地理位置、構(gòu)造背景、震源機(jī)制、震級(jí)類(lèi)型、儀器類(lèi)型以及特定訓(xùn)練集中的信噪比等方面。地震監(jiān)測(cè)網(wǎng)絡(luò)的臺(tái)站覆蓋和配置也在不同網(wǎng)絡(luò)間有顯著的差異。這些不平衡可能降低基于特定數(shù)據(jù)集訓(xùn)練的模型對(duì)更廣泛地震范圍的泛化能力。因此，在構(gòu)建訓(xùn)練數(shù)據(jù)集期間，調(diào)查數(shù)據(jù)屬性是必要的?；谶@樣的初步調(diào)查，可以開(kāi)發(fā)適當(dāng)?shù)闹夭蓸臃椒▉?lái)解決數(shù)據(jù)集內(nèi)可能存在的不平衡問(wèn)題。
• 隨機(jī)重采樣：通過(guò)訓(xùn)練期間過(guò)采樣少數(shù)類(lèi)或欠采樣多數(shù)類(lèi)來(lái)處理不平衡問(wèn)題，以便類(lèi)分布不會(huì)偏向于少數(shù)特定類(lèi)，從而通過(guò)在更平衡的樣本分布上訓(xùn)練獲得更好的泛化能力
• 重采樣的副作用：欠采樣多數(shù)類(lèi)可能會(huì)導(dǎo)致丟失部分訓(xùn)練數(shù)據(jù)并減少訓(xùn)練規(guī)模。極端過(guò)采樣，通過(guò)重復(fù)少數(shù)幾個(gè)相似震級(jí)或同一地區(qū)的少數(shù)樣本，也可能使神經(jīng)網(wǎng)絡(luò)偏向于簡(jiǎn)單記憶這些樣本，這顯然不利于泛化。此外，過(guò)采樣對(duì)于大地震的應(yīng)用可能有限，不僅因?yàn)榇笫录^罕見(jiàn)，而且它們比小事件更復(fù)雜，通常展示出涉及多個(gè)斷層的復(fù)雜空間和時(shí)間的破裂模式。
• 結(jié)合過(guò)采樣與上述討論的增強(qiáng)方法可能是增加少數(shù)樣本比例和多樣性的更有效方式。另一種選擇可能是使用更高級(jí)的方法合成訓(xùn)練樣本，如SMOTE（Chawla et al., 2002）、ADASYN（He et al., 2008）和GAN（Goodfellow et al., 2014）

重采樣

?波形數(shù)據(jù)重采樣是一個(gè)常見(jiàn)的數(shù)據(jù)處理技術(shù)，用于改變波形數(shù)據(jù)的采樣率，即每秒鐘的樣本數(shù)。這一技術(shù)在信號(hào)處理和地震數(shù)據(jù)分析中尤其重要，因?yàn)椴煌膫鞲衅骰驍?shù)據(jù)收集設(shè)備可能以不同的采樣率記錄數(shù)據(jù)，而數(shù)據(jù)分析、特征提取或模型訓(xùn)練往往需要統(tǒng)一的采樣率。重采樣可以增加（過(guò)采樣）或減少（欠采樣）波形數(shù)據(jù)的樣本數(shù)，以匹配目標(biāo)采樣率。過(guò)采樣可能需要插值以生成新的樣本點(diǎn)，而欠采樣可能需要去除某些樣本或?qū)υ紭颖具M(jìn)行平均。

• 統(tǒng)一不同數(shù)據(jù)源的采樣率：當(dāng)你的數(shù)據(jù)來(lái)自不同的傳感器，它們的采樣率可能不一致，重采樣可以將所有數(shù)據(jù)統(tǒng)一到相同的采樣率，便于后續(xù)處理
• 數(shù)據(jù)降噪：通過(guò)降低采樣率，可以在一定程度上減少數(shù)據(jù)中的高頻噪聲
• 提高算法效率：在某些情況下，降低數(shù)據(jù)的采樣率可以減少數(shù)據(jù)量，從而提高算法的計(jì)算效率，特別是在處理長(zhǎng)時(shí)間序列數(shù)據(jù)時(shí)

import numpy as np
from scipy.signal import resample

# 假設(shè)原始數(shù)據(jù)
fs_original = 1000  # 原始采樣率為1000Hz
fs_target = 500  # 目標(biāo)采樣率為500Hz
t = np.arange(0, 1, 1/fs_original)  # 生成1秒的測(cè)試信號(hào)時(shí)間軸
data_original = np.sin(2 * np.pi * 5 * t)  # 生成一個(gè)頻率為5Hz的正弦波作為測(cè)試信號(hào)

# 計(jì)算目標(biāo)采樣點(diǎn)數(shù)
n_samples_target = int(len(data_original) * fs_target / fs_original)

# 重采樣
data_resampled = resample(data_original, n_samples_target)

# 驗(yàn)證
print(f"Original number of samples: {len(data_original)}")
print(f"Resampled number of samples: {len(data_resampled)}")

• 這段代碼首先創(chuàng)建了一個(gè)頻率為5Hz、持續(xù)時(shí)間為1秒的正弦波，原始采樣率為1000Hz。目標(biāo)是將這段數(shù)據(jù)重采樣到500Hz。通過(guò)計(jì)算目標(biāo)采樣點(diǎn)數(shù)，并使用resample函數(shù)，我們將數(shù)據(jù)從1000Hz重采樣到500Hz

Augmentation for synthetic data generation

• 在某些應(yīng)用中，增強(qiáng)技術(shù)可以用來(lái)生成半合成訓(xùn)練數(shù)據(jù)。例如，在地震去噪問(wèn)題和對(duì)掃描的模擬地震圖進(jìn)行地震檢測(cè)的研究中，由于真實(shí)的基準(zhǔn)數(shù)據(jù)（訓(xùn)練目標(biāo)）未知且手工標(biāo)記難以實(shí)現(xiàn)，可以利用增強(qiáng)技術(shù)從豐富的地震波形數(shù)據(jù)中合成訓(xùn)練輸入和目標(biāo)對(duì)。例如，通過(guò)基于高信噪比（SNR）的地震信號(hào)和一組噪聲波形生成準(zhǔn)確的去噪掩碼作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練目標(biāo)，這種增強(qiáng)提供了足夠大數(shù)量的訓(xùn)練樣本，通過(guò)在訓(xùn)練過(guò)程中隨機(jī)組合信號(hào)和噪聲以及隨機(jī)比例來(lái)實(shí)現(xiàn)。這樣，神經(jīng)網(wǎng)絡(luò)被訓(xùn)練學(xué)習(xí)一個(gè)挑戰(zhàn)性的逆過(guò)程，以分離信號(hào)和噪聲，與合成過(guò)程相反
• 裁剪波形常見(jiàn)于中等到大型地震在附近的弱動(dòng)作儀器上的記錄。由于真實(shí)的未裁剪波形無(wú)法在臺(tái)站觀察到，我們不能直接從歷史波形數(shù)據(jù)中獲取訓(xùn)練數(shù)據(jù)。然而，我們可以通過(guò)手動(dòng)裁剪這些波形來(lái)合成訓(xùn)練數(shù)據(jù)。這樣，神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)是合成裁剪的波形，訓(xùn)練目標(biāo)是真實(shí)的未裁剪波形，從而我們可以通過(guò)增強(qiáng)輕松地收集大量訓(xùn)練數(shù)據(jù)。像去噪一樣，這種增強(qiáng)的優(yōu)點(diǎn)是它來(lái)自已知（未裁剪）真實(shí)標(biāo)簽的信號(hào)，并提供準(zhǔn)確的訓(xùn)練標(biāo)簽
• 應(yīng)用增強(qiáng)技術(shù)合成訓(xùn)練數(shù)據(jù)解決了一些應(yīng)用中未知真實(shí)標(biāo)簽的問(wèn)題。這個(gè)想法類(lèi)似于使用數(shù)值模擬生成訓(xùn)練數(shù)據(jù)；然而，增強(qiáng)方法基于真實(shí)地震波形生成訓(xùn)練數(shù)據(jù)，這既高效又能產(chǎn)生現(xiàn)實(shí)的樣本。通過(guò)半合成數(shù)據(jù)訓(xùn)練的模型能夠更好地從數(shù)據(jù)中泛化到真實(shí)地震記錄。如果我們將數(shù)據(jù)生成過(guò)程視為一個(gè)正向操作，神經(jīng)網(wǎng)絡(luò)本質(zhì)上學(xué)習(xí)了從合成訓(xùn)練數(shù)據(jù)到真實(shí)感興趣信號(hào)的逆建模
• 在缺少標(biāo)簽且真實(shí)數(shù)據(jù)稀缺的情況下，數(shù)值模擬可能成為訓(xùn)練數(shù)據(jù)的來(lái)源，例如大型復(fù)雜地震的有限斷層建模。在這種情況下，我們可以將合成的地震波形與真實(shí)噪聲結(jié)合，生成訓(xùn)練數(shù)據(jù)以提高對(duì)大震級(jí)地震的檢測(cè)能力。然而，使用模擬數(shù)據(jù)訓(xùn)練的模型在應(yīng)用于真實(shí)地震數(shù)據(jù)時(shí)可能存在泛化問(wèn)題?？赡苄枰谏贁?shù)真實(shí)地震波形上進(jìn)行模型微調(diào)或遷移學(xué)習(xí)，以縮小泛化差距。計(jì)算機(jī)視覺(jué)中的許多其他算法也可以用來(lái)彌合模擬與真實(shí)世界之間的領(lǐng)域差距，如對(duì)抗性判別域適應(yīng)（Tzeng et al., 2017）。大地震的重要性為未來(lái)在這個(gè)方向的研究提供了強(qiáng)烈的動(dòng)機(jī)

總結(jié)

?我們介紹并討論了幾種能夠提升深度學(xué)習(xí)方法在地震學(xué)應(yīng)用中性能的增強(qiáng)技術(shù)。結(jié)合這些增強(qiáng)技術(shù)可以便捷地增加可能的訓(xùn)練樣本數(shù)，并即使在小訓(xùn)練數(shù)據(jù)集上也能改善模型的泛化能力。除了上述討論的增強(qiáng)技術(shù)外，圖像和語(yǔ)音處理中使用的其他增強(qiáng)方法也可以應(yīng)用于地震數(shù)據(jù)，例如：(1) 在不同的狹窄頻帶內(nèi)濾波地震圖；(2) 時(shí)間或頻率伸縮；(3) 通過(guò)零值掩碼部分信號(hào)；(4) 垂直或可能水平翻轉(zhuǎn)信號(hào)；(5) 旋轉(zhuǎn)水平分量以考慮站點(diǎn)定位問(wèn)題并創(chuàng)建新的源站路徑；(6) 使用PCA增強(qiáng)法在三個(gè)分量間進(jìn)行縮放；(7) 特征空間增強(qiáng)。某些增強(qiáng)，如時(shí)間拉伸或垂直翻轉(zhuǎn)，可能導(dǎo)致相位或偏振信息的變化等潛在副作用，因此在選擇增強(qiáng)技術(shù)時(shí)需要一些謹(jǐn)慎

• 除了基于信號(hào)處理的增強(qiáng)外，生成對(duì)抗網(wǎng)絡(luò)（GAN）方法可以用作合成信號(hào)生成器，以制造新的訓(xùn)練樣本?；贏utoML的方法，如AutoAugment，可以用于自動(dòng)搜索不同問(wèn)題和數(shù)據(jù)集的適當(dāng)數(shù)據(jù)增強(qiáng)方法。這些方法對(duì)于地震數(shù)據(jù)的有效性仍是未來(lái)研究的重要領(lǐng)域。

• 增強(qiáng)技術(shù)不僅可以在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)設(shè)計(jì)，而且測(cè)試時(shí)增強(qiáng)也可以幫助提高訓(xùn)練后的預(yù)測(cè)性能。在圖像分類(lèi)中，對(duì)測(cè)試圖像應(yīng)用幾種固定的裁剪和縮放。類(lèi)似于集成學(xué)習(xí)，最終的預(yù)測(cè)得分是通過(guò)對(duì)這些增強(qiáng)的平均來(lái)改進(jìn)的。訓(xùn)練時(shí)和測(cè)試時(shí)的增強(qiáng)服務(wù)于不同的目的，訓(xùn)練時(shí)增強(qiáng)旨在增加訓(xùn)練樣本的多樣性和復(fù)雜性，測(cè)試時(shí)增強(qiáng)旨在通過(guò)采樣合適地代表數(shù)據(jù)特征的某些變換來(lái)使識(shí)別任務(wù)變得更容易，并通過(guò)聚合不同的增強(qiáng)來(lái)使預(yù)測(cè)更加穩(wěn)健。

• 對(duì)于地震數(shù)據(jù)，數(shù)據(jù)預(yù)處理方法，如濾波，可以用作測(cè)試時(shí)增強(qiáng)。濾波可以將信號(hào)轉(zhuǎn)換為訓(xùn)練數(shù)據(jù)集所覆蓋的特定高信噪比頻帶，從而提高在噪聲數(shù)據(jù)上的預(yù)測(cè)準(zhǔn)確性。表4.3顯示了應(yīng)用1Hz高通濾波在測(cè)試數(shù)據(jù)集上的提高預(yù)測(cè)性能。另一種測(cè)試時(shí)增強(qiáng)的潛在方法是將大震中距離波形壓縮到較短的時(shí)間窗口內(nèi)，以減輕由于訓(xùn)練數(shù)據(jù)集中震中距離分布不平衡（91%樣本<40km）造成的學(xué)習(xí)偏差

• 轉(zhuǎn)移學(xué)習(xí)和領(lǐng)域適應(yīng)方法是解決標(biāo)記訓(xùn)練數(shù)據(jù)不足問(wèn)題的另一種方法，這些方法開(kāi)發(fā)用于將從大型訓(xùn)練數(shù)據(jù)集學(xué)到的特征和知識(shí)適應(yīng)到新的數(shù)據(jù)集或任務(wù)上，這通常有更少的訓(xùn)練數(shù)據(jù)。例如，預(yù)先訓(xùn)練好的ImageNet數(shù)據(jù)集模型已被用于廣泛的問(wèn)題，如對(duì)象檢測(cè)、圖像分割、醫(yī)學(xué)圖像識(shí)別和遙感。通常，轉(zhuǎn)移學(xué)習(xí)意味著將在大型數(shù)據(jù)集上訓(xùn)練的低層特征和表示從設(shè)計(jì)任務(wù)轉(zhuǎn)移到不同任務(wù)的新數(shù)據(jù)集上，而領(lǐng)域適應(yīng)指的是同一任務(wù)在兩個(gè)不同數(shù)據(jù)集上的情況。由于地震信號(hào)之間的相似性，預(yù)先訓(xùn)練的深度神經(jīng)網(wǎng)絡(luò)在大型數(shù)據(jù)集（如STEAD）上提取的共同低層特征可以通過(guò)轉(zhuǎn)移學(xué)習(xí)或領(lǐng)域適應(yīng)用于沒(méi)有足夠訓(xùn)練數(shù)據(jù)的應(yīng)用。未監(jiān)督預(yù)訓(xùn)練，如自動(dòng)編碼器，也可以用于轉(zhuǎn)移學(xué)習(xí)中提取良好的數(shù)據(jù)表示。與預(yù)訓(xùn)練相反，自我訓(xùn)練是另一種利用大量未標(biāo)記數(shù)據(jù)的方法文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-845362.html

到了這里，關(guān)于【論文閱讀記錄】地震數(shù)據(jù)增強(qiáng)方法:APPLICATIONS OF DEEP LEARNING IN SEISMOLOGY的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！