[Literature Reading]Deep-Learning-Based Seismic-Signal P-Wave First-Arrival Picking Detection Using Spectrogram Images

Abstract

• P波首波拾取（First-Arrival Picking, FAP） 对多个工业领域至关重要，包括煤炭与石油勘探、隧道施工、水力压裂和地震预警系统。
• 现有方法包括：
  • 人工识别：耗时且易受主观误差影响。
  • STA/LTA 算法：基于短时平均（STA）/长时平均（LTA） 的比值计算，但在实时背景噪声下性能下降。
• 本研究提出了一种基于 U-Net 深度学习模型的新方法，结合 频谱图转换（Spectrogram Transformation） 处理地震信号，以提高P波FAP的检测精度。
• 数据处理步骤：
  1. 模拟地震信号：使用 随机模型仿真程序 生成类似于韩国地震环境的地震信号。
  2. 添加高斯白噪声（WGN），模拟真实环境中的背景噪声。
  3. 转换为二维频谱图，用于 U-Net 模型训练，确保高精度P波FAP检测。
• 实验结果： 均方误差（MSE） 平均绝对误差（MAE） 均方根误差（RMSE）

---

Introduction

1. 研究背景

• 微震监测技术（Microseismic Monitoring Technology） 的核心在于 精准检测 P 波首波（FAP, First-Arrival Picking）。
• 微震事件来源：
  • 自然微震：构造活动、火山喷发。
  • 工业诱发微震：煤炭与石油勘探、隧道施工、水力压裂、地热发电。
• 水力压裂（Hydraulic Fracturing） 作为 页岩气开采的核心技术，但 可能增加地震活动风险：高压流体注入 导致 孔隙压力变化，可能诱发地震。

2. 现有 P 波 FAP 检测方法及其局限性

• 人工检测（Manual Detection）：
  • 依赖地震学家的经验，但 耗时、数据密集，易受主观误差影响，降低可靠性。
• STA/LTA 算法（Short-Term Average / Long-Term Average）：
  • 计算 短时平均（STA）/ 长时平均（LTA） 的比值，检测信号突变：

$$ R(t) = \frac{\text{STA}(t)}{\text{LTA}(t)} $$

• 缺点：
  • 易受 背景噪声影响，导致 信号与噪声界限模糊。
  • 对 弱微震事件的检测性能较低。

3. 近年来人工智能（AI）在 P 波 FAP 识别中的应用

• Zhu 等人（2021）：

  • 提出 基于统计分析（DA）、机器学习（Logistic Regression、kNN、SVM）和 CNN 深度学习 的 P 波 FAP 分类模型。
  • CNN 方法超越 STA/LTA 方法，但分类准确率仅 91.71%，仍存在提升空间。

• U-Net 在 FAP 识别中的应用：

  • Zhang 等人（2022）：提出 MT-Net，结合 U-Net 和多通道数据，提高 地震相位和 FAP 识别准确率。
  • Guo（2023）：提出 U-Net++，采用 更深层网络结构，提高检测精度。
  • 问题：
    • 尽管 U-Net 结构表现优异，但在 SSIM（结构相似性）和 PSNR（峰值信噪比） 评估下仍有残留误差，影响检测可靠性。

4. 本研究贡献

..

2.P-wave FAP model

2.1 研究流程

• 使用 SMSIM（随机模型仿真） 生成 不同振幅的地震信号，并 针对韩国地质环境建模。
• 引入高斯白噪声（WGN），模拟 真实背景噪声，并进行 信号预处理：
  • 短时傅里叶变换（STFT） 将 一维信号转换为二维频谱图，便于深度学习提取特征。
• 采用 U-Net 结构 设计 P 波 FAP 检测模型，并 调整超参数 以优化检测性能。
• 模型性能评估 采用 MSE、MAE、RMSE、SSIM 和 PSNR，验证 检测的可靠性和稳定性。

2.2 研究贡献

..

---

3. Experimental Details

3.1 地震信号数据

1. 真实数据集的挑战

• 采集真实地震信号需要 安装传感器，并进行 人工核验 P 波 FAP，但 数据获取成本高，难以满足深度学习训练需求。

2. 使用 SMSIM 生成合成地震数据- 采用 SMSIM（随机模型仿真），加入高斯白噪声（WGN）

3. 频谱图转换- 通过 短时傅里叶变换（STFT） 将 地震波形转换为频谱图，增强 P 波特征提取能力。

4. 数据覆盖范围

• 生成数据涵盖 不同震级、震源深度、震中距，并包括 高噪声环境下的信号，提高模型的泛化能力。
• 表 2 详细列出了 应力降、质量因子、震级和震中距，确保数据符合 真实地震的传播特性。
• 图 2 结果表明 信号振幅随震级增加而增大，随震中距增加而减小，验证了 SMSIM 生成数据的合理性。

3.2 WGN（白高斯噪声）在地震信号处理中的应用

1. WGN 的基本概念

• 白高斯噪声（White Gaussian Noise, WGN） 是信号处理和概率论中的关键概念，表示服从高斯分布的随机噪声。
• WGN 的特点：
  • 均值为 0，方差为 ( \sigma^2 )，满足正态分布。
  • 可用于模拟环境背景噪声，广泛应用于 信号分析、通信系统设计、实验与仿真 等领域。
• 数学模型：

$$ \text{PDF}(x) = \frac{1}{\sigma \sqrt{2\pi}} \times \exp \left( -\frac{1}{2} \left( \frac{x - \mu}{\sigma} \right)^2 \right) $$

• ( \mu )：均值（本研究中 ( \mu = 0 )）。
• ( \sigma )：标准差，控制噪声强度。

2. WGN 在地震信号处理中的作用

• 用于添加噪声，模拟真实环境下的地震数据。
• 用于建立噪声模型，提高地震数据分析的可靠性。
• WGN 可以表示为时间序列信号：

$$ x(t) = N(0, \sigma^2) $$

• ( x(t) )：时间 ( t ) 处的噪声值，服从高斯分布。
• 噪声信号的生成：
  • 通过向原始信号 ( s(t) ) 添加 WGN，得到噪声信号：

$$ p(t) = s(t) + x(t) $$

• ( p(t) )：添加 WGN 后的信号。
• ( s(t) )：原始地震信号。
• ( x(t) )：WGN 噪声。

3. SNR（信噪比）计算

• SNR（Signal-to-Noise Ratio） 用于衡量信号相对于噪声的相对强度：

$$ \text{SNR} = \frac{P_s}{P_n} = 10 \log_{10} \left( \frac{\sigma_s}{\sigma_n} \right) $$

• ( P_s )：信号功率。
• ( P_n )：噪声功率。
• ( \sigma_s ) 和 ( \sigma_n ) 分别是信号和噪声的标准差。
• 总信号功率计算：

$$ P = L \times \frac{1}{N} \sum_{i=0}^{N-1} |S_i|^2 $$

• ( P )：信号功率。
• ( L )：缩放因子，调节噪声水平。
• ( N )：信号样本数。
• ( S_i )：单个信号样本点的值。

4. WGN 对地震信号的影响

• 影响因素：
  • 震中距（Epicentral Distance）：
    • 震中距越近 → 信号振幅大，WGN 影响小。
    • 震中距越远 → 信号振幅衰减，WGN 影响增大。
  • 震级（Magnitude）：
    • 震级高 → 信号能量大，WGN 干扰小。
    • 震级低 → 信号能量小，WGN 影响显著。
• 实验验证（图 3, 4）：
  • 使用 WGN 合成地震信号，测试不同 SNR 对信号的影响。
  • SNR 变化情况：
    • SNR 高（> 0 dB） → 信号清晰，WGN 影响小。
    • SNR 低（≤ -10 dB） → 信号模糊，WGN 影响显著。
  • 不同噪声环境下的数据集：
    • 清晰的 P 波 FAP 信号（低噪声）。
    • 模糊的 P 波 FAP 信号（中等噪声）。
    • 高背景噪声下的 P 波 FAP 信号（高噪声）。

5. 研究贡献

• 构建 WGN 合成地震数据集，提高模型的 抗噪性。
• 调整 SNR（-1, -5, -10 dB），生成 30,000 条地震信号，测试 深度学习模型在不同噪声水平下的检测能力。
• 证明 WGN 影响随震级、震中距变化：
  • 震级高、震中距短 → 信号强，WGN 影响小。
  • 震级低、震中距长 → 信号弱，WGN 影响大。

3.3 频谱图转换（Spectrogram Transformation）

1. 研究目标

• 采用 STFT（短时傅里叶变换）进行频谱图转换，分析 30,000 条地震信号 的时频特性。
• 研究不同窗口大小（Window Size）对 P 波 FAP 识别的影响，优化频谱图生成策略，以增强深度学习模型的检测能力。

2. STFT 变换原理

• STFT（短时傅里叶变换） 将 一维时间信号转换为二维频谱图：

$$ STFT(t, \omega) = \int_{-\infty}^{\infty} x(\tau) \omega(\tau - t) e^{-j\omega\tau} d\tau $$

• ( x(\tau) )：原始信号函数。
• ( \omega(\tau - t) )：窗口函数（控制计算区域）。
• 离散化计算：

$$ STFT(m, l) = \sum_{n=-\infty}^{\infty} x(n) \omega(n - m) e^{-2\pi j n l / L} $$

• 由于地震信号是离散的，STFT 通过 分段计算 进行时频分析。

3. 频谱图转换的实验

• 使用 Python SciPy 进行 STFT 计算，并尝试不同窗口大小：
  • 窗口小 → 时间分辨率高，频率分辨率低，导致 P 波 FAP 参考点模糊。
  • 窗口大 → 频率分辨率高，时间分辨率低，使 P 波 FAP 关键点变得不清晰。
  • 目标：找到最佳窗口大小，确保 FAP 识别的准确性。

4. 频谱图数据集

• 数据预处理（图 6 展示示例）：
  1. SMSIM 生成原始地震信号。
  2. 转换为频谱图，分析其时频特性。
  3. 加入 WGN 噪声，模拟真实环境中的噪声信号。
  4. 构建 P 波 FAP 标注点，用于监督学习。
• 数据构建：
  • 30,000 张频谱图 作为 U-Net 输入。
  • 30,000 个 P 波 FAP 参考点 作为 U-Net 目标输出。
  • 总数据量：60,000 个数据点，训练集 60%，验证集 20%，测试集 20%。

5. 研究贡献

• 验证窗口大小对 P 波 FAP 识别的影响，优化 STFT 计算策略。
• 构建 30,000 条高质量频谱图数据集，提升深度学习模型的训练效果。
• 综合测试不同 SNR（信噪比）条件，确保模型在高噪声环境下仍能稳定识别 P 波 FAP。

3.4. U-Net Model

3.4.1 U-Net 结构

• U-Net 由 编码器（Encoder）和解码器（Decoder） 组成，采用 对称结构 。
• 编码器：卷积（Conv 3×3）+ ReLU + 最大池化（Max Pooling）。
• 解码器：上采样（Upsampling）+ 反卷积（Conv Transpose）。
• 采用 跳跃连接（Skip Connections），增强 P 波 FAP 识别能力。
• 研究优化 窗口大小、卷积层深度 以适配地震信号数据。

3.4.2 超参数优化（Hyperparameter Optimization）

1. 训练参数

• 优化器：Adam（自适应优化）
• 学习率：0.01, 0.001, 0.0001, 0.00001（逐步降低）
• 批量大小：64
• 训练周期：100
• 损失函数：MSE（均方误差）

2. 学习率调整（ReduceLROnPlateau）

• Patience：2（若 2 个 Epoch 训练无提升，则调整学习率）
• 最小学习率：0.001 × 当前学习率
• 衰减因子：0.5（每次调整学习率 × 0.5）

3. 模型检查点（ModelCheckpoint）

• 基于 PSNR 选择最佳模型
• 每 1 个 Epoch 进行检查点保存

3.4.3 模型评估指标（Model Evaluation Metrics）

1. 主要评估指标

• MSE（均方误差）：
  • 衡量预测图像与真实图像之间的像素级误差。

$$ MSE = \frac{1}{N} \sum_{i=1}^{n} (\hat{y}_i - y_i)^2 $$

• MSE 越低，模型精度越高。

• PSNR（峰值信噪比）：

  • 衡量预测图像与真实图像之间的质量损失。

$$ PSNR = 10 \log_{10} \left( \frac{R^2}{MSE} \right) $$

• PSNR 越高，图像质量越好。

• SSIM（结构相似性指数）：

  • 衡量图像在亮度、对比度和结构上的相似性。

$$ SSIM(x, y) = \frac{(2\mu_x\mu_y + c_1)(2\sigma_{xy} + c_2)}{(\mu_x^2 + \mu_y^2 + c_1)(\sigma_x^2 + \sigma_y^2 + c_2)} $$

• SSIM 越接近 1，图像相似度越高。

---

4. Experimental Results

4.1 U-Net 训练与验证结果

1. 训练趋势

• 随着 Epoch 增加，MSE 下降，SSIM & PSNR 上升，模型稳定收敛。
• 窗口大小 64 & 重叠 32 是最优选择，MSE = 0.006, SSIM = 0.943, PSNR = 22.296。

2. 不同 SNR 的影响

..

3. 研究贡献

• 确定窗口大小 64 为最优参数，提高 P 波 FAP 识别效果。
• 调整学习率优化高噪声数据处理，提高模型泛化能力。
• U-Net 适用于 SNRdB = -1 至 -10 的地震信号，鲁棒性强。

4.2 U-Net 模型评估与地震信号 P 波 FAP 预测

1. 评估实验

• 目标：测试 U-Net 模型在不同 SNR（信噪比）环境下的 P 波 FAP 识别能力。
• 测试集：共 6000 条数据，窗口大小 64，SNRdB 设定为 -1、-5、-10。
• 评估指标：
  • MSE（均方误差）：预测误差的大小。
  • SSIM（结构相似性指数）：预测图像与真实图像的相似度。
  • PSNR（峰值信噪比）：预测图像的质量。

2. 评估结果

• 整体趋势：
  • MSE 随噪声增加而上升，表示预测误差增大。
  • SSIM 在 SNRdB = -1 时最高，说明低噪声环境下 U-Net 预测最准确。
  • PSNR 在 SNRdB = -10 时明显下降，图像质量受噪声影响较大。

（1）SNRdB = -1（低噪声）

• 最佳预测性能：
  • MSE = 0.006
  • SSIM = 0.943
  • PSNR = 22.23
• 分析：
  • P 波 FAP 特征清晰，U-Net 预测无误。
  • 即使 FAP 位置稍有模糊，模型仍能准确检测。

（2）SNRdB = -5（中等噪声）

• 预测性能：
  • MSE = 0.0061
  • SSIM = 0.943
  • PSNR = 22.18
• 分析：
  • WGN 信号干扰增强，输入图像质量下降。
  • P 波 FAP 仍然可识别，但预测精度略有下降。

（3）SNRdB = -10（高噪声）

• 预测性能：
  • MSE = 0.0064
  • SSIM = 0.942
  • PSNR = 21.92
• 分析：
  • 输入图像质量下降更严重，FAP 变得模糊。
  • 尽管噪声极高，U-Net 仍然能够检测 P 波 FAP，但 SSIM 和 PSNR 明显下降。

3. 预测结果可视化

• 图 11（SNRdB = -1）

  • (a)：FAP 清晰 → 预测无误。
  • (b)：FAP 较模糊 → 仍然预测正确。

• 图 12（SNRdB = -5）

  • WGN 干扰增强，FAP 变得模糊，导致预测精度下降。

• 图 13（SNRdB = -10）

  • 极端噪声环境下，FAP 仍然可识别，但图像质量下降。

---

5.Discussion and Comparison with Similar Works

1. 以往研究的特点

• 使用时序地震信号或添加 WGN 噪声的信号 作为 U-Net 训练数据。
• 主要优化深度学习框架的超参数和结构（如 CNN、RNN、U-Net）。

2. 本研究的创新

• 提出 STFT + U-Net 方法，使用 2D 频谱图 作为输入数据。
• 相比直接使用时序信号，频谱图包含更多 P 波特征信息，提高检测性能。
• STFT + U-Net 在 P 波 FAP 识别中表现更优，提高了 U-Net 对 P 波特征的学习能力。

3. 研究对比

方法	MSE（均方误差）	MAE（平均绝对误差）
以往研究 [25, 27]	0.06	1.21
本研究（STFT + U-Net）	0.0031	0.0177

• MSE 下降 19.35 倍，表明预测误差显著减少。
• MAE 下降 68.42 倍，说明模型预测更接近真实值。

---

6. 结论

1. 研究方法

• 使用 SMSIM 生成地震信号，合成 WGN 模拟噪声。
• 使用 STFT 频谱图转换地震信号，并训练基于 U-Net 的 P 波 FAP 识别模型。
• 通过超参数优化，提高 U-Net 检测 P 波 FAP 的能力。

2. 研究成果

• 模型在无噪声和高噪声环境下均成功检测 P 波 FAP，误差较低。
• 在 SNRdB = -1 至 -10 之间均表现良好，证明模型的抗噪能力。
• 可应用于微震监测、地震预警等多个领域，提高地震事件的预测精度。

3. 现存问题

• PSNR 下降表明高噪声环境仍影响图像质量。
• 需要进一步优化背景噪声去除，提高模型在真实环境中的适应性。

4. 未来研究

• 探索不同深度学习架构（如 Transformer、ResNet）以优化 P 波 FAP 识别。
• 研究新的背景噪声去除方法，减少信号干扰。
• 使用真实地震数据进行训练和验证，提高模型泛化能力。

Paper Link