李力 張建國(guó) 李盛樂(lè)

摘要：基于余震識(shí)別自動(dòng)化對(duì)地震監(jiān)測(cè)、災(zāi)后應(yīng)急、確定發(fā)震構(gòu)造、分析預(yù)報(bào)和科學(xué)研究的重要意義，總結(jié)和分析了余震自動(dòng)識(shí)別技術(shù)的現(xiàn)狀和未來(lái)發(fā)展。首先，總結(jié)單臺(tái)震相到時(shí)自動(dòng)拾取方法及其特征函數(shù)，包括單特征方法、互相關(guān)方法和機(jī)器學(xué)習(xí)方法。其次，分別總結(jié)基于震相走時(shí)的常規(guī)識(shí)別方法和基于特征函數(shù)的偏移疊加方法。最后，對(duì)余震識(shí)別技術(shù)的未來(lái)發(fā)展進(jìn)行分析和展望，認(rèn)為偏移疊加方法的性能改進(jìn)將成為未來(lái)余震識(shí)別的重點(diǎn)發(fā)展方向，深度學(xué)習(xí)方法作為一種新技術(shù)，將在包括震相拾取和余震識(shí)別在內(nèi)的地震數(shù)據(jù)處理領(lǐng)域發(fā)揮重要作用。

關(guān)鍵詞：余震；自動(dòng)識(shí)別；震相自動(dòng)拾??；走時(shí)定位；偏移疊加

中圖分類號(hào)：P315.61 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1000-0666（2018）01-0001-13

0 引言

破壞性地震發(fā)生之后，隨之而來(lái)的是大量的余震，從連續(xù)波形中識(shí)別余震是開(kāi)展余震震級(jí)測(cè)定、震源機(jī)制解反演等后續(xù)監(jiān)測(cè)工作的基礎(chǔ)。余震信息是評(píng)估災(zāi)情和指導(dǎo)救援力量部署（張?zhí)K平等，2013；鄭韻，2015）、確定發(fā)震構(gòu)造和揭示隱伏斷層（黃媛等，2008；徐錫偉等，2008，2013a，b）、判定震后趨勢(shì)（莊建倉(cāng)，馬麗，2000；宋金，蔣海昆，2009；余娜等，2016）的重要依據(jù)，也是震后地下速度結(jié)構(gòu)變化、余震遷移等科研工作的基礎(chǔ)數(shù)據(jù)。人工識(shí)別余震是一項(xiàng)十分耗時(shí)且枯燥的工作，結(jié)果中不可避免地會(huì)引人主觀因素，隨著觀測(cè)臺(tái)網(wǎng)的建設(shè)，數(shù)據(jù)的產(chǎn)出量越來(lái)越大，完全由人工處理變得越來(lái)越不現(xiàn)實(shí)。大震之后，識(shí)別高頻度的余震需要持續(xù)投入大量的時(shí)間和人力，這讓有限的監(jiān)測(cè)資源更加捉襟見(jiàn)肘，數(shù)據(jù)產(chǎn)出時(shí)效也受到限制。

余震識(shí)別的自動(dòng)化有重要的應(yīng)用和科研價(jià)值，但是現(xiàn)有技術(shù)仍然有很多問(wèn)題亟待解決和完善，地震監(jiān)測(cè)領(lǐng)域也沒(méi)有專門的余震自動(dòng)識(shí)別系統(tǒng)。為了提高對(duì)余震自動(dòng)識(shí)別技術(shù)的關(guān)注和投入，2017年5月中國(guó)地震局地球物理研究所和阿里云聯(lián)合舉辦余震捕捉AI大賽，吸引來(lái)自國(guó)內(nèi)外的近千支隊(duì)伍報(bào)名參賽，一時(shí)間余震自動(dòng)識(shí)別成為地震領(lǐng)域的熱門話題和技術(shù)熱點(diǎn)。

余震發(fā)生后，其能量以地震波的形式向外傳播，當(dāng)震相到達(dá)各個(gè)觀測(cè)臺(tái)站時(shí)，會(huì)引起波形記錄的變化。自動(dòng)識(shí)別余震時(shí)，首先需要從連續(xù)觀測(cè)波形中提取特征，并自動(dòng)拾取震相到時(shí)，然后聯(lián)合多個(gè)臺(tái)站的數(shù)據(jù)確定余震信息。對(duì)于震相清晰的獨(dú)立地震，可以使用單臺(tái)波形進(jìn)行識(shí)別，并初步確定震源信息。但是余震在時(shí)間上高度密集，并且震級(jí)普遍較小，記錄到的信號(hào)受主震尾波和其他余震的強(qiáng)烈干擾，多臺(tái)聯(lián)合是提高余震識(shí)別可靠性的必要技術(shù)。同時(shí)，余震在構(gòu)造上與主震有密切聯(lián)系，在空間上沿發(fā)震構(gòu)造密集展布，發(fā)震機(jī)理有較高的相似性，這對(duì)于震相識(shí)別和震相聯(lián)合是可以利用的有利條件。傳統(tǒng)震相拾取方法所使用的特征函數(shù)在偏移疊加和人工智能等新技術(shù)中也有非常廣泛的應(yīng)用，因此本文從單特征方法出發(fā)，總結(jié)幾種重要的震相自動(dòng)拾取方法及其特征函數(shù)。然后介紹基于震相走時(shí)定位的常規(guī)方法的發(fā)展，并分析其在余震自動(dòng)識(shí)別中的適用性，最后對(duì)基于特征函數(shù)的偏移疊加方法進(jìn)行綜述，并在此基礎(chǔ)上展望余震自動(dòng)識(shí)別技術(shù)的未來(lái)發(fā)展方向，以期對(duì)開(kāi)展相關(guān)研究工作有所幫助。震相特征的提取是走時(shí)定位和偏移疊加方法的基礎(chǔ)，為便于理解，對(duì)STA/LTA、VAR-AIC、峰度、極性分析等單臺(tái)特征提取算法進(jìn)行了簡(jiǎn)單實(shí)現(xiàn)，相關(guān)示例代碼發(fā)布于github版本庫(kù)https：//github.com/dualli/trigger。

1 震相自動(dòng)拾取方法及其特征函數(shù)

當(dāng)?shù)卣鹫鹣嗟竭_(dá)觀測(cè)臺(tái)站時(shí)，會(huì)改變記錄信號(hào)的能量、頻譜、極性和整體形態(tài)等特征，這些變化可以通過(guò)不同的特征函數(shù)提取，當(dāng)特征函數(shù)達(dá)到設(shè)定閾值時(shí)拾取相應(yīng)的震相到時(shí)。多個(gè)臺(tái)站的特征函數(shù)和震相信息成為后續(xù)地震識(shí)別和定位的基本數(shù)據(jù)。目前，震相自動(dòng)拾取方法種類繁多，前人對(duì)這些方法按照時(shí)間域、頻率域、時(shí)頻域、綜合方法等進(jìn)行過(guò)分類綜述（Withers el al，1998；周彥文，劉希強(qiáng)，2007； Nippress el al，2010；王彩霞等，2013：Ross，Ben-Zion，2014；劉翰林，吳慶舉，2017）。本文選取常用的長(zhǎng)短窗、赤池信息準(zhǔn)則、峰態(tài)和偏態(tài)、偏振分析等單特征方法和基于整體形態(tài)的互相關(guān)方法、基于多特征的機(jī)器學(xué)習(xí)方法，分別闡述基本原理和特征函數(shù)演化，并比較分析其特點(diǎn)。

1.1 長(zhǎng)短窗均值比方法

長(zhǎng)短窗均值比方法（Short-Term-Average/Long-Term-Average，簡(jiǎn)稱STA/LTA）基于震相到達(dá)時(shí)特征值的平均值在短窗口比長(zhǎng)窗口變化快的特點(diǎn)拾取震相。STA/LTA方法的發(fā)展歷史久遠(yuǎn)，應(yīng)用廣泛，形成了反映波形不同變化特點(diǎn)的眾多特征函數(shù)。Stevenson（1976）首次提出長(zhǎng)短窗方法時(shí)，使用振幅的絕對(duì)值|Y（i）|作為特征函數(shù)，其中Y（i）為第i個(gè)采樣點(diǎn)的振幅值。但是使用|Y（i）|或者Y（i）2作為特征函數(shù)時(shí)，長(zhǎng)短窗比值只對(duì)振幅的變化敏感，因此Allen（1978，1982）引入了特征函數(shù)CF=Y（i）2+K（Y（i）-Y（i-1））2，其中K為根據(jù)采樣率和臺(tái)站噪聲特征設(shè)置的權(quán)重常數(shù)，該特征函數(shù)的引入使得長(zhǎng)短窗均值比同時(shí)隨振幅和頻率變化而變化（圖1）。Bear和Kradolfer（1987）使用基于包絡(luò)函數(shù)平方的特征函數(shù)，同時(shí)引入動(dòng)態(tài)閾值，既避免了瞬變?cè)肼曇鸬恼`觸發(fā)，也適用于拾取地方震到遠(yuǎn)震的不同震相，同時(shí)對(duì)低信噪比微震信號(hào)也變得更敏感。為了更好地拾取各種微弱的次生震相，Earle和Shearer（1994）定義了基于Hilbert變換的包絡(luò)函數(shù)作為特征函數(shù)。高淑芳等（2008）也提出了反映振幅和頻率變化的新特征函數(shù)。余建華等（2011）引入加權(quán)系數(shù)法減少震相漏撿率。

1.2 赤池信息準(zhǔn)則方法

赤池信息準(zhǔn)則方法（Akaike Information Criteri-on，簡(jiǎn)稱AIC）沿每個(gè)采樣點(diǎn)將信號(hào)分為2段，當(dāng)分割方法與2個(gè)獨(dú)立過(guò)程對(duì)應(yīng)時(shí)，對(duì)應(yīng)的AIC值最小，即全局最小值對(duì)應(yīng)震相到時(shí)。AIC方法也有非常多的變種，以下介紹幾種較為常見(jiàn)的AIC函數(shù)。AR-AIC（Sleeman，Van Eek，1999；Leonard，Kennett，1999）使用自回歸方法計(jì)算AIC值，即分割點(diǎn)對(duì)應(yīng)2個(gè)自回歸過(guò)程，自回歸階數(shù)需要反復(fù)試驗(yàn)得到。Maeda（1985）提出的基于二階統(tǒng)計(jì)量的VAR-AIC方法，可以直接從地震信號(hào)計(jì)算AIC值（圖2）.0劉希強(qiáng)等（2009）提出TOC-AIC方法，使用三階累積量代替方差來(lái)壓制高斯有色噪聲，在低信噪比情況下有更高的精度。趙大鵬等（2012）提出峰度一赤池信息準(zhǔn)則方法（Kurtosis-AIC），使用峰度作為特征函數(shù)替代VAR一AIC中的方差，有效減少了誤報(bào)率和漏報(bào)率。

1.3 偏態(tài)/峰態(tài)方法

偏態(tài)/峰態(tài)方法（P Arrival Identification-Skewness/Kurtosis，簡(jiǎn)稱PAI-S/K）由Saragiotis等（2002）提出，當(dāng)震相到達(dá)觀測(cè)臺(tái)站時(shí)，記錄數(shù)據(jù)的分布由具有高斯性的隨機(jī)噪聲向非高斯性轉(zhuǎn)變。峰態(tài)（Kurtosis）和偏態(tài)（Skewness）是反映數(shù)據(jù)分布形態(tài)的高級(jí)統(tǒng)計(jì)量（Higher-Order Statis-tics，HOS），數(shù)據(jù)服從高斯分布時(shí)峰態(tài)等于3，分布變寬時(shí)小于3，變窄時(shí)大于3，同理偏態(tài)在數(shù)據(jù)對(duì)稱分布時(shí)等于0，左偏時(shí)小于0，右偏時(shí)大于0（圖3）。劉勁松等（2013）引入了新的到時(shí)判定算法，改進(jìn)了PAI-SIK方法的拾取精度。Baillard等（2014）使用滑動(dòng)窗峰態(tài)函數(shù)和極化分析識(shí)別P、S波。峰態(tài)和偏態(tài)值方法有較好的低信噪比拾取能力和精度，屬于常用的震相拾取方法之一（Panagiotakis et al，2008；Kiiperkoch et al，2010；Nippress et al，2010；Hibert et al，2014；Langet etal，2014；Ross，2016）。

1.4 偏振分析方法

常用的2種偏振分析方法是協(xié)方差矩陣方法和奇異值分解方法，在多數(shù)情況下二者效果接近。偏振分析的思想最早由Flinn（1965）提出，他使用協(xié)方差矩陣的本征值分解來(lái)識(shí)別S波偏振，進(jìn)而約束震源機(jī)制解。Montalbetti和Kanasewieh（1970）首次詳細(xì)闡述如何用對(duì)稱本征問(wèn)題來(lái)進(jìn)行偏振分析。分解有限長(zhǎng)度三分量數(shù)據(jù)的協(xié)方差矩陣，得到本征值和本征向量矩陣，可以用來(lái)計(jì)算質(zhì)點(diǎn)運(yùn)動(dòng)的多種偏振特征，沿著時(shí)間軸滑動(dòng)窗口，重復(fù)計(jì)算就可以得到偏振特性隨時(shí)間的變化（圖4），進(jìn)而完成P或S波能量壓制、波形分解等操作，是提升S震相拾取率的常用方法（Jurkevies，1988；Robertset al，1989；Bai，Kennett，2000：Diallo et al，2006：Amoroso et al，2012；Ross et al，2014，2016）。Jackson等（1991）首次引入奇異值分解方法（Singular Value Decomposition，簡(jiǎn)稱SVD）進(jìn)行偏振分析，一步即可完成數(shù)據(jù)的分解操作。在沿時(shí)間軸滑動(dòng)時(shí)，傳統(tǒng)的偏振分析方法要使用窗口內(nèi)數(shù)據(jù)重復(fù)求解協(xié)方差矩陣，Rosenberger（2010）引入迭代奇異值分解法，通過(guò)追加數(shù)據(jù)矢量來(lái)更新解，提升了奇異值分解方法的計(jì)算效率，使其適用于實(shí)時(shí)數(shù)據(jù)處理。Kurzon等（2014）基于迭代奇異值分解方法將地震波形實(shí)時(shí)分解成P分量和S分量，然后使用視出射角、奇異值、信噪比拾取器拾取P、S震相，并且嘗試多種指示變量來(lái)增強(qiáng)P、S波的拾取。

1.5 互相關(guān)方法

互相關(guān)系數(shù)是描述2段信號(hào)相似程度的量，地震波形的相似性主要由震源機(jī)制和經(jīng)過(guò)的路徑?jīng)Q定，因此互相關(guān)方法可以將事件波形作為模板，從連續(xù)波形中尋找相似地震（Poupinet et al，1984；Rubin，2002；Schaff，Richards，2004，2011），該方法對(duì)于拾取低信噪比震相和震顫等特殊信號(hào)非常有用（Shelly et al，2007；Peng，Gomberg，2010），能檢測(cè)到比正式目錄震級(jí)低1級(jí)的地震事件（Schaff，2010；Schaff，Waldhauser，2010；Gib-blon，Ringdal，2006）。Yang等（2009）提出聯(lián)合三分量的滑動(dòng)窗互相關(guān)方法（Sliding-WindowCross-correlation，簡(jiǎn)稱SCC），比單獨(dú)的三分量互相關(guān)方法拾取到更多低信噪比震相。

互相關(guān)方法必須先制作好模板，并且靈敏度高度依賴模板和待檢測(cè)信號(hào)的相似性，Brown等（2008）提出自相關(guān)方法來(lái)，能夠從連續(xù)波形中提取模板，但是計(jì)算十分耗時(shí)。Yoon等（2015）基于數(shù)據(jù)挖掘算法提出（Fingerprint And SimilarityThresholding，簡(jiǎn)稱FAST），用關(guān)鍵特征代替波形，速度是自相關(guān)方法的140倍，能夠在2h內(nèi)處理單臺(tái)一周的連續(xù)波形數(shù)據(jù)。FAST方法有效地提升了模板的制作速度，但是運(yùn)算量依然會(huì)隨數(shù)據(jù)長(zhǎng)度的增加而快速增長(zhǎng)，處理長(zhǎng)達(dá)數(shù)月甚至數(shù)年的余震活動(dòng)數(shù)據(jù)時(shí)，運(yùn)算效率依然是需要解決的問(wèn)題。Shelly等（2007）為了拾取更多的低頻地震，嘗試降低時(shí)間精度來(lái)延拓互相關(guān)系數(shù)的時(shí)間范圍，提高對(duì)空間位置變化的適應(yīng)性。

1.6 機(jī)器學(xué)習(xí)方法

機(jī)器學(xué)習(xí)（Machine Learning，簡(jiǎn)稱ML）是一類從數(shù)據(jù)中尋找潛在模式，進(jìn)而提升性能的龐大算法集合的總稱，大致分為經(jīng)典機(jī)器學(xué)習(xí)算法和人工神經(jīng)網(wǎng)絡(luò)算法（Artificial Neural Networks，簡(jiǎn)稱ANN），這2種算法都包括樣本數(shù)據(jù)訓(xùn)練模型和模型預(yù)測(cè)新數(shù)據(jù)的2個(gè)階段。ANN是ML的子集，用簡(jiǎn)單數(shù)學(xué)函數(shù)構(gòu)建神經(jīng)元網(wǎng)絡(luò)，模擬高度復(fù)雜的非線性關(guān)系，孔令文（2014）按照網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了分類。ML在地震數(shù)據(jù)處理的很多領(lǐng)域均有應(yīng)用，但是主要集中在處理分類問(wèn)題。Rawles和Thurber（2015）在微震定位中使用鄰域法測(cè)定潛在震相的類別和到時(shí)。Kortstrom等（2016）使用支持向量機(jī)方法，基于多頻帶不同震相段的特征函數(shù)值，從監(jiān)測(cè)系統(tǒng)自動(dòng)識(shí)別的地震中分離出爆破和誤觸發(fā)事件。Maggi等（2017）使用隨機(jī)森林方法實(shí)現(xiàn)1套自動(dòng)地震事件分類器，使用多個(gè)臺(tái)站的波形和頻譜特征組合，對(duì)留尼旺火山島的地震事件進(jìn)行分類。曲均浩等（2012）使用反向傳播神經(jīng)網(wǎng)絡(luò)分類近震和遠(yuǎn)震。Esposito等（2013）使用多層感知機(jī)分類意大利南部斯特龍博利火山的滑坡和其他事件。Horstmann等（2013）使用自組織映射神經(jīng)網(wǎng)絡(luò)檢測(cè)和分類地震。Giudicepietro等（2017）使用多層感知機(jī)分類地方震、區(qū)域震和遠(yuǎn)震。

震相自動(dòng)拾取主要采用反向傳播神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network，簡(jiǎn)稱BPNN），Wang和Teng（1995，1997）設(shè)計(jì)使用長(zhǎng)短窗序列和滑動(dòng)窗頻率譜作為輸入的神經(jīng)網(wǎng)絡(luò)算法，與STA/LTA相比，在拾取精度和低信噪比適應(yīng)性上取得一定優(yōu)勢(shì)。Dai和Mocbeth（1995）對(duì)ANN在震相到時(shí)拾取方面的性能進(jìn)行了測(cè)試。張范民等（1998）使用三分量地震數(shù)據(jù)的矢量模作為ANN輸入，確定震相類型和拾取到時(shí)。Zhao和Takano（1999）使用BPNN從IRIS數(shù)據(jù)中拾取初至，用于地幔結(jié)構(gòu)層析成像研究。Gentili和Michelini（2006）用具有高泛化能力的樹(shù)形神經(jīng)網(wǎng)絡(luò)IU-ANT2拾取P和S震相。

1.7 總結(jié)與分析

STA/LTA、AIC、PAI-S/K、偏振分析屬于單特征方法，所使用的特征函數(shù)反映波形記錄的某一項(xiàng)或幾項(xiàng)特征，有相對(duì)明確的物理含義，都發(fā)展出了大量的衍生變種和組合算法。其中STA/LTA方法的突出優(yōu)點(diǎn)是計(jì)算簡(jiǎn)單快速，不需要先驗(yàn)信息，只使用震相監(jiān)測(cè)點(diǎn)之后少量的采樣點(diǎn)（圖1a），因此適用于對(duì)實(shí)時(shí)性和處理效率要求較高的地震監(jiān)測(cè)、地震預(yù)警和大數(shù)據(jù)量處理。STA/LTA方法的缺點(diǎn)之一是低信噪比時(shí)，到時(shí)拾取精度會(huì)受到影響，因此通常配合其他方法進(jìn)行精確拾取。而Lomax等（2012）基于多頻帶濾波和Bear和Kradolfer（1987）的方法提出FilterPicker方法，較好地解決了余震震相受其他地震尾波干擾的問(wèn)題。STA/LTA方法的另一個(gè)缺點(diǎn)是需要根據(jù)不同應(yīng)用調(diào)整參數(shù)和選擇特征函數(shù)，Vassallo等（2012）對(duì)自動(dòng)拾取方法的優(yōu)化策略進(jìn)行了研究，劉晗和張建中（2014）對(duì)各種特征函數(shù)和改進(jìn)算法進(jìn)行了分析。

AIC方法的突出優(yōu)點(diǎn)是到時(shí)拾取精度高。其計(jì)算效率相對(duì)較低，并且假設(shè)背景噪聲和震相信號(hào)是2個(gè)獨(dú)立的過(guò)程，例如，當(dāng)數(shù)據(jù)窗口內(nèi)的震相數(shù)量大于一時(shí)便不符合這一假設(shè)，拾取結(jié)果就會(huì)受到影響。因此，AIC方祛的窗口選擇十分重要，通常使用STA/LTA提供的先驗(yàn)信息進(jìn)行精確拾?。R強(qiáng)等，2013；Bastin et al，2013；牟磊育，吳建平，2015）

PAI-S/K方法與STA/LTA一樣，是常用的初至拾取方法，使用統(tǒng)計(jì)信息代替信噪比，在背景噪聲接近高斯分布時(shí)有很好的拾取精度，計(jì)算簡(jiǎn)單高效，低信噪比環(huán)境下表現(xiàn)更穩(wěn)定。缺點(diǎn)是在背景噪聲不符合高斯分布時(shí)，拾取精度會(huì)受到影響。

偏振分析方法充分利用三分量信號(hào)的運(yùn)動(dòng)特征，可以得到多種偏振特征。震相的類型是前述方法無(wú)法或者很難直接獲取的。由于與P波尾波重疊，出現(xiàn)轉(zhuǎn)換震相，或者可能出現(xiàn)剪切波分裂，拾取S震相變得很困難。通過(guò)偏振分析方法能夠完成震相類型識(shí)別、P波能量壓制，進(jìn)而提高S震相拾取率，這對(duì)于識(shí)別余震很有幫助。

余震與主震在構(gòu)造上有密切聯(lián)系，發(fā)震機(jī)理相似，空間上高度密集，大多數(shù)情況下波形相似度非常高，前述單特征方法都沒(méi)有利用這些特點(diǎn)。由于噪聲分布有隨機(jī)性，互相關(guān)操作時(shí)會(huì)被有效的壓制?；ハ嚓P(guān)方法比對(duì)事件波形，是目前低信噪比拾取能力最強(qiáng)，拾取精度最高的方法。當(dāng)然，事件波形形態(tài)受震源機(jī)制和傳播路徑等與具體事件相關(guān)的因素影響，這也導(dǎo)致波形互相關(guān)方法缺乏通用性。

機(jī)器學(xué)習(xí)算法基于多特征值和概率預(yù)測(cè)，最終的效果主要由具體算法和參數(shù)、特征選擇和訓(xùn)練數(shù)據(jù)決定，震相拾取最常用的是經(jīng)典機(jī)器學(xué)習(xí)算法和BPNN。經(jīng)典機(jī)器學(xué)習(xí)算法需要人工提取和選擇特征值。BPNN實(shí)際上比SVM、隨機(jī)森林等經(jīng)典機(jī)器學(xué)習(xí)方法更早出現(xiàn)，理論上通過(guò)訓(xùn)練可以自行提取特征值，但是層數(shù)增加時(shí)需要訓(xùn)練的權(quán)重系數(shù)很多，容易產(chǎn)生過(guò)擬合，受限于當(dāng)時(shí)的硬件條件通常只采用三層網(wǎng)絡(luò)，依然依賴人為選擇特征，并且反復(fù)調(diào)參試驗(yàn)，實(shí)際使用需要一定的理論基礎(chǔ)和經(jīng)驗(yàn)。經(jīng)典機(jī)器學(xué)習(xí)和全連接神經(jīng)網(wǎng)絡(luò)取得了優(yōu)于傳統(tǒng)算法的低信噪比適應(yīng)性和拾取精度，通用性也要優(yōu)于互相關(guān)方法，但是在實(shí)際監(jiān)測(cè)工作中并沒(méi)有得到廣泛應(yīng)用。

余震震相識(shí)別最大的難度來(lái)源j二震相信號(hào)受到主震和其他余震尾波的強(qiáng)烈干擾，從單臺(tái)拾取震相到時(shí)的角度，F(xiàn)ilterPicker和互相關(guān)方法的適用性和穩(wěn)定性最好。但是隨著偏移疊加技術(shù)的興起，傳統(tǒng)單特征方法所發(fā)展出的眾多特征函數(shù)也可以用于低信噪比環(huán)境下的余震識(shí)別，本文將在第三章中進(jìn)行介紹。

2 走時(shí)定位法研究現(xiàn)狀

基于走時(shí)的常規(guī)方法被地震監(jiān)測(cè)和預(yù)警所普遍采用，可以分為2部分：從連續(xù)觀測(cè)波形中拾取震相；使用震相信息確定震源位置和發(fā)震時(shí)刻（圖5）。一次余震有唯一的初始破裂位置和發(fā)震時(shí)刻，如果已知臺(tái)站的空間位置，使用合適的理論模型可以預(yù)估震相到時(shí)。因此，利用多個(gè)臺(tái)站拾取到的震相，通過(guò)走時(shí)定位方法，能夠?qū)ふ业胶线m的震源位置和發(fā)震時(shí)刻，使得走時(shí)殘差小于設(shè)定閾值，即可識(shí)別出余震。

走時(shí)定位方法通過(guò)最小化觀測(cè)與理論走時(shí)的殘差確定震源位置和發(fā)震時(shí)刻，其發(fā)展已經(jīng)較為成熟，目前的難點(diǎn)在于深度定位（鄭勇，謝祖軍，2017），

常用的走時(shí)定位方法依據(jù)求解方式可分為傳統(tǒng)幾何定位方法、線性定位法和非線性方法，依據(jù)殘差計(jì)算方式可分為絕對(duì)定位方法和相對(duì)定位方法。

幾何定位法使用均勻介質(zhì)走時(shí)方程和幾何知識(shí)，在平面上作圖確定震源點(diǎn)，是早期地震定位中的主要方法，常見(jiàn)的有方位角法、石川法、交切法。雖然精度有限，幾何方法在余震識(shí)別中仍然是有效的約束手段。

線性定位方法最早由Geiger（1912）提出，其基本原理是將關(guān)于震源時(shí)空參數(shù)的非線性方程組作泰勒展開(kāi)，簡(jiǎn)化為線性方程組，用最小二乘法求解，通過(guò)取初值迭代得到震源參數(shù)。由于理論速度模型與真實(shí)速度模型存在偏差，在Geiger方法基礎(chǔ)上衍生出眾多改進(jìn)型方法。Douglas（1967）提出的JED方法和Dewey（1972）提出的JHD方法，認(rèn)為殘差由臺(tái)站下方速度結(jié)構(gòu)的差異引起，引入臺(tái)站校正系數(shù)校正；Crosson（1976）提出的SSH方法，認(rèn)為走時(shí)殘差由速度結(jié)構(gòu)偏差引起，同時(shí)進(jìn)行地震定位和地下速度結(jié)構(gòu)反演。

當(dāng)2次地震發(fā)生在同一個(gè)震源區(qū)，并且震源區(qū)的范圍遠(yuǎn)小于到某個(gè)臺(tái)站的距離，相同震相到達(dá)這個(gè)臺(tái)站所經(jīng)過(guò)的路徑絕大部分是相同的，也就是說(shuō)速度模型引起的走時(shí)殘差近似相等，因此可以假設(shè)2個(gè)震相間的走時(shí)差是由震源間的距離引起的，利用該思想的定位方法稱之為相對(duì)定位方法。主事件方法以一個(gè)定位比較準(zhǔn)確的地震作為參考事件，對(duì)周圍的其他地震進(jìn)行相對(duì)定位（Evernden，1969a，b； Spence，1980），由于被定位事件必須距離參考事件足夠近，主事件方法的定位范圍受到一定限制。Waldhauser（2000）提出雙差定位方法（DD），將震源區(qū)距離較近的地震構(gòu)成地震對(duì)，利用事件對(duì)的走時(shí)差約束相對(duì)位置，由于不需要主事件，適用范圍比主事件更廣。

地震定位是一個(gè)非線性反演問(wèn)題，可以使用非線性最優(yōu)化方法求解，國(guó)內(nèi)也有很多研究，常見(jiàn)的有Powell方法（唐國(guó)興，1979）、遺傳算法（萬(wàn)永革，李鴻吉，1995；周民都等，1999；王文萍，王慶良，1999）、模擬退火法（高星等，2002；孫麗，2016）、網(wǎng)格搜索法（趙仲和，牟磊育，2005；宋維琪，楊曉東，2011）、單純形法（趙珠等，1994）。非線性方法的優(yōu)勢(shì)是可以較好地避免結(jié)果陷人局部極小值，但是運(yùn)算量通常要高于線性方法。

研究發(fā)震構(gòu)造的空間展布是余震自動(dòng)識(shí)別的重要應(yīng)用，對(duì)余震的定位精度提出較高的要求，由于絕對(duì)定位會(huì)引入理論模型和真實(shí)地下結(jié)構(gòu)在整個(gè)射線路徑上的偏差，因此無(wú)法滿足精度需求。余震序列在空間上高度密集，這一特征是采用主事件和DD等相對(duì)定位方法的有利條件。DD方法目前是震后重定位余震，確定發(fā)震構(gòu)造最常用的方法（黃媛等，2008；房立華等，2011；蘇金蓉等，2013：張廣偉等，2014）。

3 偏移疊加法研究現(xiàn)狀

基于走時(shí)定位識(shí)別余震只使用震相到時(shí)和類型，識(shí)別能力受制于單臺(tái)震相拾取算法，如果震相引起的特征變化無(wú)法達(dá)到觸發(fā)閾值，顯然無(wú)法通過(guò)聯(lián)合走時(shí)來(lái)定位和識(shí)別余震。一次余震會(huì)引發(fā)多個(gè)臺(tái)站的波形記錄變化，在不同臺(tái)站記錄中獨(dú)立進(jìn)行震相的識(shí)別，沒(méi)有利用這種多臺(tái)站震相信息間的一致性。偏移疊加方法不需要拾取到時(shí)或者識(shí)別震相類型，直接對(duì)齊各個(gè)臺(tái)站的波形或者特征值，加權(quán)平均，能有效壓制噪聲，提高地震識(shí)別準(zhǔn)確率和定位精度。由于石油、頁(yè)巖氣、水庫(kù)監(jiān)測(cè)等領(lǐng)域?qū)φT發(fā)微震監(jiān)測(cè)的投入，偏移疊加方法發(fā)展十分迅速，可以將其分為2類：一類是基于波動(dòng)方程的波場(chǎng)反向傳播聚焦方法，這類方法完全通過(guò)數(shù)值計(jì)算，因而計(jì)算量很大，也容易受強(qiáng)噪聲和地下結(jié)構(gòu)不均勻的影響（Mcmechan et al，1982，1985；Gajewski，Tessmer，2005）；另一類是直接疊加特征函數(shù)的震源掃描方法（Source Scanning Algorithm，簡(jiǎn)稱SSA）及其衍生方法。

SSA由Kao和Shan（2004，2007）提出，在大致確定震源參數(shù)的情況下，搜索潛在震源位置和發(fā)震時(shí)間，疊加各個(gè)臺(tái)站歸一化的記錄振幅絕對(duì)值，得到的亮度函數(shù)最大值點(diǎn)即認(rèn)為是最佳解。Baker等（2005）用P波包絡(luò)進(jìn)行疊加，并引入基爾霍夫重建法（Kirchhoff reconstruction method）。Gharti等（2010）根據(jù)理論預(yù)測(cè)到時(shí)，截取數(shù)據(jù)并旋轉(zhuǎn)至射線路徑，最后同時(shí)使用P波和S波包絡(luò)進(jìn)行疊加。Grigoli等（2013，2014，2016）在SSA方法基礎(chǔ)的上使用STA/LTA作為特征函數(shù)進(jìn)行疊加，并引入主事件方法和震源臺(tái)站修正項(xiàng)，進(jìn)一步提高定位精度。Langet等（2014）則提出基于連續(xù)峰度函數(shù)的偏移疊加識(shí)別微震。

模板匹配技術(shù)（Matched Filter Technique，簡(jiǎn)稱MFT）結(jié)合波形互相關(guān)和臺(tái)陣疊加技術(shù)，將多通道的互相關(guān)波形偏移到模板事件的發(fā)震時(shí)刻，疊加取平均值得到平均互相關(guān)波形，最大值超過(guò)設(shè)定閾值就認(rèn)為檢測(cè)到一次相似地震（Gibbons，Ringdal，2006；Shelly et al，2007；Peng，Zhao，2009），模板的位置視為被匹配地震的位置，模板發(fā)震時(shí)刻偏移后確定發(fā)震時(shí)刻。MFT被廣泛運(yùn)用于完備目錄中遺漏的早期余震（Peng，Zhao，2009；Lenglinee etal，2012：Meng et al，2013：Rastin，2013：Kato，2012，2014a，2014b； Wu et al，2014）和研究遠(yuǎn)場(chǎng)動(dòng)態(tài)觸發(fā)地震（Yukutake，2013； Meng，Peng，2014）0在MFT和SSA基礎(chǔ)上，Zhang和Wen（2015a）提出匹配定位方法（Match And Locate，簡(jiǎn)稱M&L;），通過(guò)搜索模板事件附近的三維空間網(wǎng)格，將各個(gè)臺(tái)站的互相關(guān)波形對(duì)齊疊加，互相關(guān)系數(shù)最高的點(diǎn)即為被檢測(cè)事件的空間位置。M&L;方法不僅進(jìn)一步提高對(duì)低信噪比事件的檢測(cè)能力，同時(shí)也給出精確的空間位置，被用于精確定位朝鮮核試驗(yàn)（Zhang，Wen，2015b）和監(jiān)測(cè)火山噴發(fā)前的微震活動(dòng)（Zhang，Wen，2015c）。

偏移疊加方法直接疊加特征函數(shù)，比傳統(tǒng)走時(shí)定位方法有更高的地震識(shí)別能力，其函數(shù)既可以選擇傳統(tǒng)震相拾取方法所用特征函數(shù)，也可以是互相關(guān)波形，不同偏移疊加方法的識(shí)別能力和特點(diǎn)與所選疊加函數(shù)有關(guān)。余震震源機(jī)制和震中位置重復(fù)性好，這對(duì)基于互相關(guān)方法的MFT和M&L;十分有利，MFT是目前檢測(cè)能力最強(qiáng)的余震自動(dòng)識(shí)別方法之一，可以識(shí)別出10倍于正式目錄的地震，常被應(yīng)用于完備余震目錄。M&L;采用相對(duì)定位方式，非常適合余震的高精度定位，是已知事件大致位置和時(shí)間的情況下，目前識(shí)別能力和定位精度最高的方法。但是二者對(duì)模板有非常高的依賴性，需要大量的先驗(yàn)信息，通用性較差，在識(shí)別余震時(shí)需要準(zhǔn)備大量的模板。因此，選用其他單特征震相拾取方法所用的特征函數(shù)，更利于提升性能和通用性，但是檢測(cè)能力會(huì)有所降低。余震在空間上密集分布，能將搜索區(qū)域限定在相對(duì)小的范圍內(nèi)，這對(duì)于計(jì)算量龐大的偏移疊加方法也是十分有利的條件。

4 討論與展望

如前所述，余震自動(dòng)識(shí)別仍然有許多技術(shù)難點(diǎn)亟待解決，震相自動(dòng)識(shí)別技術(shù)是余震自動(dòng)識(shí)別技術(shù)的基礎(chǔ)，也是最大的難點(diǎn)所在，多臺(tái)震相聯(lián)合方法是增強(qiáng)余震識(shí)別能力的有效手段。本文以傳統(tǒng)震相拾取方法和互相關(guān)方法為出發(fā)點(diǎn)，首先總結(jié)現(xiàn)有震相識(shí)別技術(shù)及其特征函數(shù)，然后對(duì)基于走時(shí)定位的識(shí)別方法進(jìn)行綜述，同時(shí)總結(jié)了近些年興起的偏移疊加方法的發(fā)展，并分別分析了各項(xiàng)技術(shù)在余震自動(dòng)識(shí)別中的優(yōu)缺點(diǎn)和適用性。下面將從偏移疊加和震相識(shí)別方法2方面，分析存在的問(wèn)題和原因，并簡(jiǎn)述對(duì)余震自動(dòng)識(shí)別技術(shù)未來(lái)工作的設(shè)想。

4.1 優(yōu)化偏移疊加方法

偏移疊加方法通過(guò)疊加特征函數(shù)，不需要拾取震相，能識(shí)別單臺(tái)震相信號(hào)無(wú)法達(dá)到觸發(fā)閾值的余震，識(shí)別能力明顯強(qiáng)于基于走時(shí)定位的常規(guī)方法，各種衍生方法都可以用于余震的識(shí)別。常規(guī)走時(shí)定位方法的優(yōu)點(diǎn)是計(jì)算簡(jiǎn)單快速，容易并行執(zhí)行，不需要任何先驗(yàn)信息，適用于日常監(jiān)測(cè)和地震預(yù)警等對(duì)時(shí)效要求比較高的應(yīng)用。偏移疊加方法有非常高的識(shí)別能力，對(duì)潛在震源時(shí)間和空間進(jìn)行搜索需要耗費(fèi)大量的計(jì)算資源，雖然余震和人工誘發(fā)地震類似，震源的密集空間分布縮小了搜索范圍，但是時(shí)效上仍然需要提升。因此，從實(shí)際應(yīng)用的角度出發(fā)，偏移疊加方法的性能優(yōu)化將成為未來(lái)余震識(shí)別的重點(diǎn)發(fā)展方向。

4.2 探索深度學(xué)習(xí)在余震識(shí)別領(lǐng)域的應(yīng)用

波形特征函數(shù)是震相到時(shí)拾取和偏移疊加方法的基礎(chǔ)，因此單臺(tái)震相拾取方法仍然是提升余震自動(dòng)識(shí)別能力的重點(diǎn)。特征值是對(duì)觀測(cè)數(shù)據(jù)的抽象，傳統(tǒng)方法選取人為設(shè)計(jì)的數(shù)種特征值，通常不需要先驗(yàn)信息，具有計(jì)算簡(jiǎn)單快速的特點(diǎn)，但是單一的特征值無(wú)法描述震相信號(hào)的所有變化，參數(shù)設(shè)置也很難適應(yīng)復(fù)雜多變的余震波形?；ハ嚓P(guān)方法利用波形的整體形態(tài)特征，壓制噪聲的能力非常強(qiáng)，震相拾取能力遠(yuǎn)超傳統(tǒng)方法。波形形態(tài)中包含與具體事件相關(guān)的信息，如震源機(jī)制和空間位置，余震的震源機(jī)制和空間位置雖然多數(shù)非常接近，但也存在偏差較大的情況。因此，互相關(guān)方法通常需要準(zhǔn)備大量模板，如Peng和Zhao（2009）在識(shí)別余震時(shí)使用3647個(gè)地震事件的波形作為模板，這導(dǎo)致其通用性和時(shí)效性較差，自相關(guān)方法和FAST方法的出現(xiàn)也沒(méi)有從根本上解決這一問(wèn)題。

筆者認(rèn)為介于傳統(tǒng)方法和互相關(guān)方法之間的綜合特征方法是未來(lái)發(fā)展的方向，即從波形數(shù)據(jù)中盡可能多地抽象出與具體余震事件無(wú)關(guān)的特征，綜合這些特征進(jìn)行震相拾取，應(yīng)當(dāng)注意的是，這里的綜合特征并不等同于多特征。多特征方法中最典型的屬經(jīng)典機(jī)器學(xué)習(xí)方法，這些方法依賴于人工從數(shù)據(jù)中提取出的數(shù)種特征值。BPNN等全連接神經(jīng)網(wǎng)絡(luò)方法理論上可以自動(dòng)提取特征值，但是層數(shù)增加時(shí)需要訓(xùn)練的權(quán)重過(guò)多，實(shí)際應(yīng)用中以3層網(wǎng)絡(luò)為主，一般通過(guò)增加神經(jīng)元數(shù)量來(lái)提升性能，與經(jīng)典機(jī)器學(xué)習(xí)方法一樣，比較依賴人為選擇。

深度學(xué)習(xí)方法是近年興起的ANN子集，優(yōu)點(diǎn)是擁有更多隱含層，通過(guò)多層次的抽象比簡(jiǎn)單的增加神經(jīng)元數(shù)量具有更強(qiáng)的描述能力，可以從原始數(shù)據(jù)中抽象出所需特征，這些特征也許我們從未注意到過(guò)，人工智能現(xiàn)今的優(yōu)異成績(jī)幾乎都是由深度學(xué)習(xí)方法所取得。Perol等（2017）使用CNN方法識(shí)別和分類美國(guó)中部的誘發(fā)地震，在取得比匹配濾波方法更高識(shí)別能力的同時(shí)，計(jì)算耗時(shí)和存儲(chǔ)使用量比自相關(guān)方法和FAST方法明顯降低。卷積神經(jīng)元網(wǎng)絡(luò)（Convolutional Neural Network，簡(jiǎn)稱CNN）是深度神經(jīng)網(wǎng)絡(luò)的一種，使用卷積核作為中介，識(shí)別數(shù)據(jù)中存在的固有局部結(jié)構(gòu)，降低權(quán)重參數(shù)數(shù)量，可以有效避免過(guò)擬合，十分適合處理圖像和聲學(xué)數(shù)據(jù)。地震連續(xù)波形數(shù)據(jù)與聲學(xué)數(shù)據(jù)有很多共同點(diǎn)，都是記錄介質(zhì)的震動(dòng)信息，并且存在固有的局部結(jié)構(gòu)，卷積神經(jīng)網(wǎng)絡(luò)方法識(shí)別震相可能會(huì)取得與處理聲學(xué)數(shù)據(jù)相近的效果。

深度學(xué)習(xí)方法的運(yùn)算量集中在模型訓(xùn)練階段，使用模型進(jìn)行預(yù)測(cè)的速度則非?？?，模型的泛化可以提升適應(yīng)性，因此具備同時(shí)兼顧運(yùn)行效率和通用性的能力，在余震識(shí)別領(lǐng)域尚處于起步階段。深度學(xué)習(xí)方法，屬于黑盒算法，即無(wú)法從其訓(xùn)練模型中分析震相特征的抽象過(guò)程，以及如何組合特征識(shí)別震相，因此無(wú)法提升對(duì)地震信號(hào)的認(rèn)識(shí)，但是優(yōu)異的性能對(duì)于解決震相識(shí)別這類實(shí)際問(wèn)題很有意義，未來(lái)將成為震相識(shí)別，乃至地震監(jiān)測(cè)技術(shù)的重要發(fā)展方向。

如果深度學(xué)習(xí)能夠準(zhǔn)確拾取震相到時(shí)，那么在識(shí)別余震時(shí)，常規(guī)走時(shí)定位法所面臨的低信噪比震相無(wú)法拾取和精確性不足問(wèn)題就迎刃而解，而偏移疊加方法也能夠更好地約束搜索范圍，提高定位精度。當(dāng)然，立足更長(zhǎng)遠(yuǎn)的未來(lái)，深度學(xué)習(xí)技術(shù)也有可能替代偏移疊加，以更復(fù)雜和更抽象的方式實(shí)現(xiàn)多臺(tái)震相聯(lián)合，甚至進(jìn)一步由余震識(shí)別這個(gè)小的領(lǐng)域向地震監(jiān)測(cè)和地震數(shù)據(jù)處理發(fā)展。

本人關(guān)于地震定位、震相拾取的理論學(xué)習(xí)和算法實(shí)現(xiàn)都是在中國(guó)地震臺(tái)網(wǎng)中心馬延路博士的指導(dǎo)下完成，審稿專家對(duì)本文也提出了寶貴意見(jiàn)，在此一并感謝。

參考文獻(xiàn)：

房立華，吳建平，張?zhí)熘?，?2011.2011年云南盈江M55.8地震及其余震序列重定位[J].地震學(xué)報(bào)，33（2）：262-267.

高淑芳，李山有，武東坡，等.2008.一種改進(jìn)的STA/LTA震相自動(dòng)識(shí)別方法[J].世界地震工程，24（2）：37-41.

高星，王衛(wèi)民，姚振興.2002.用于地震定位的SAMS方法[J].地球物理學(xué)報(bào)，45（4）：525-532.

黃媛，吳建平，張?zhí)熘校龋?008.汶川8.0級(jí)大地震及其余震序列重定位研究[J].中國(guó)科學(xué)：地球科學(xué)，38（10）：1242-1249.

孔令文.2014.神經(jīng)網(wǎng)絡(luò)的分類及其應(yīng)用[J].電子技術(shù)與軟件工程，（17）：25.

劉晗，張建中.2014.微震信號(hào)自動(dòng)檢測(cè)的STA/LTA算法及其改進(jìn)分析[J].地球物理學(xué)進(jìn)展，29（4）：1708-1714.

劉翰林，吳慶舉.2017.地震自動(dòng)識(shí)別及震相自動(dòng)拾取方法研究進(jìn)展[J].地球物理學(xué)進(jìn)展，32（3）：1000-1007.

劉勁松，王赟，姚振興.2013.微地震信號(hào)到時(shí)自動(dòng)拾取方法[J].地球物理學(xué)報(bào)，56（5）：1660-1666.

劉希強(qiáng)，周彥文，曲均浩，等.2009.應(yīng)用單臺(tái)垂向記錄進(jìn)行區(qū)域地震事件實(shí)時(shí)檢測(cè)和直達(dá)P波初動(dòng)自動(dòng)識(shí)別[J].地震學(xué)報(bào)，31（3）：260-271.

馬強(qiáng)，金星，李山有，等.2013.用于地震預(yù)警的P波震相到時(shí)自動(dòng)拾取[J].地球物理學(xué)報(bào)，56（7）；2313-2321.

牟磊育，吳建平.2015.利用單臺(tái)觸發(fā)檢測(cè)臺(tái)陣數(shù)據(jù)庫(kù)事件[J].地球物理學(xué)進(jìn)展，30（6）；2511-2516.

曲均浩，劉希強(qiáng)，吳丹彤，等.2012.基于神經(jīng)網(wǎng)絡(luò)的近震與遠(yuǎn)震識(shí)別[J].地震研究，30（3）：360-366.

宋金，蔣海昆.2009.序列衰減與余震激發(fā)研究進(jìn)展及應(yīng)用成果[J].地震地質(zhì)，31（3）：559-571.

宋維琪，楊曉東.2011.解域約束下的微地震事件網(wǎng)格搜索法、遺傳算法聯(lián)合反演[J].石油地球物理勘探，46（2）：259-266，160.

蘇金蓉，鄭鈺，楊建思，等.2013.2013年4月20日四川蘆山7.0級(jí)地震與余震精確定位及發(fā)震構(gòu)造初探[J].地球物理學(xué)報(bào)，56（8）：2636-2644.

孫麗.2016.國(guó)家地震臺(tái)網(wǎng)地震定位方法的改進(jìn)[J].國(guó)際地震動(dòng)態(tài)，（11）：12-16.

唐國(guó)興.1979.用計(jì)算機(jī)確定地震參數(shù)的一個(gè)通用方法[dl.地震學(xué)報(bào)，1（2）：186-196.

萬(wàn)永革，李鴻吉.1995.遺傳算法在確定震源位置中的應(yīng)用[J].地震地磁觀測(cè)與研究，16（6）：1-7.

王彩霞，白超英，王馨.2013.地震震相初至自動(dòng)檢測(cè)技術(shù)綜述[J].地球物理學(xué)進(jìn)展，28（5）：2363-2375.

王文萍，王慶良.1999.利用遺傳算法和最小二乘聯(lián)合反演共和地震位錯(cuò)參數(shù)[J].地震學(xué)報(bào)，21（3）；62-67.

徐錫偉，陳桂華，于貴華，等.2013a.蘆山地震發(fā)震構(gòu)造及其與汶川地震關(guān)系詞論[J].地學(xué)前緣，20（3）：11-20.

徐錫偉，聞學(xué)澤，韓竹軍，等.2013b.四川蘆山7.0級(jí)強(qiáng)震：一次典型的盲逆斷層型地震[J].科學(xué)通報(bào)，58（20）：1887-1893.

徐錫偉，聞學(xué)澤，葉建青，等.2008.汶川MS8.0地震地表破裂帶及其發(fā)震構(gòu)造[J].地震地質(zhì)，30（3）；597-629.

余建華，李丹丹，韓國(guó)棟.2011.特征函數(shù)響應(yīng)特性分析及STA/LTA方法的改進(jìn)[J].國(guó)外電子測(cè)量技術(shù)，30（7）：17-19，23，27.

余娜，張曉清，袁伏全.2016.2016年青海門源MS6.4地震余震序列參數(shù)穩(wěn)定性分析[J].地震研究，39（S1）；62-68，133.

張范民，李清河，張?jiān)?，?1998.利用人工神經(jīng)網(wǎng)絡(luò)理論對(duì)地震信號(hào)及地震震相進(jìn)行識(shí)別[J].西北地震學(xué)報(bào)，20（4）；43-49.

張廣偉，雷建設(shè)，梁姍姍，等.2014.2014年8月3日云南魯?shù)镸S6.5級(jí)地震序列重定位與震源機(jī)制研究[J].地球物理學(xué)報(bào)，57（9）：3018-3027.

張?zhí)K平，孫艷萍，陳文凱.2013.余震信息在岷縣漳縣6.6級(jí)地震震后應(yīng)急救援重災(zāi)區(qū)快速判定時(shí)作用探討[J].地震工程學(xué)報(bào)，35（3）：465-470.

趙大鵬，劉希強(qiáng)，李紅，等.2012.峰度和AIC方法在區(qū)域地震事件和直達(dá)P波初動(dòng)自動(dòng)識(shí)別方面的應(yīng)用[J].地震研究，35（2）；220-225，295.

趙仲和，牟磊育.2005.單臺(tái)地震自動(dòng)定位網(wǎng)格搜索法及其MATLAB試驗(yàn)[J]地震地磁觀測(cè)與研究，26（4）：1-12.

趙珠，丁志峰，易桂喜，等.1994.西藏地震定位——一種使用單純形優(yōu)化的非線性方法[J].地震學(xué)報(bào)，16（2）；212-219.

鄭勇，謝祖軍.2017.地震震源深度定位研究的現(xiàn)狀與展望[J].地震研究，40（2）：167-175，333.

鄭韻，姜立新，楊天青，等.2015：利用余震頻度分布進(jìn)行宏觀震中快速判定[J].地震，35（2）：121-132.

周民都，張?jiān)?，張?shù)勛.1999.遺傳算法在地震定位中的應(yīng)用[J].西北地震學(xué)報(bào)，21（2）：167-171.

周彥文，劉希強(qiáng).2007.初至震相自動(dòng)識(shí)別方法研究與發(fā)展趨勢(shì)[J].華北地震科學(xué)，25（4）：18-22.

莊建倉(cāng)，馬麗.2000.主震和余震——從大森公式到ETAS模型[J].國(guó)際地震動(dòng)態(tài)，（5）：12-18.

Allen R V.1978.Automatic earthquake recognition and timing from singletraces[J].Bulletin of the Seismological Society of America，68（5）：1521-1532.

Allen R.1982.Automatic phase pickers；Their present use and futureprospects[J].Bulletin of the Seismological Society of America，72（6）：225-242.

Amoroso O，Maercklin N，Zollo A.2012.S-wave identification by polari-zation filtering and waveform coherence analyses[J].Bulletin of theSeismological Society of America，102（2）：854-861.

Baer M，Kradolfer U.1987.An automatic phase picker for local andteleseismic events[J].Bulletin of the Seismological Society of Amer-ica，77（4）：1437-1445.

Bai C Y，Kennett B L N.2000.Automatic phase-detection and identifi-cation by full use of a single three-component broadband seismo-gram[J].Bulletin of the Seismological Society of America，90（1）：187-198.

Baillard C，Crawford W C，Ballu V，et al.2014.An automatic kurtosis-based P-and S-phase picker designed for local seismic networks[J].Bulletin of the Seismological Society of America，104（1）：394-409.

Baker T，Granat R，Clayton R W.2005.Real-time earthquake locationusing Kirchhoff reconstruction[J].Bulletin of the Seismological So-ciety of America，95（2）：699-707.

Brown J R，Beroza G C，Shelly D R.2008.An autocorrelation method todetect low frequency earthquakes within tremor[J].Geophysical Re-search Letters，35（16）：1-5.

Crosson R S.1976.Crustal structure modeling of earthquake data，1，si-multameous least squares estimation of hypocenter and velocity pa-rameters[J].Geophys Res，81（17）：3036-3046.

Dai H，Macbeth C.1995.Automatic picking of seismic arrivals in localearthquake data using an artificial neural network[J].GeophysicalJournal International，120（3）：758-774.

Dewey James W.1972.Seismicity and tectonics of western venezuela[J].Bulletin of the Seismological Society of America，62（6）：1711-1751.

Diallo M S，Kulesh M，Holschneider M，et al.2006.Instantaneous polari-zation attributes based on an adaptive approximate covariance method[J].Geophysics，71（5）：V99.

Douglas A.1967.Joint epicentre determination[J].Nature，215（5096）：47-48.

Earle P S，Shearer P M.1994.Characterization of global seismograms u-sing an automatic-picking algorithm[J].Bulletin of the Seismologi-cal Society of America，84（2）：366-376.

Esposito A M，D Auria L，Giudicepietro F，et al.2013.Automatic recogni-tion of landslides based on neural network analysis of seismic sig-nals：an application to the monitoring of stromboli volcano（southernItaly）[J].Pure and Applied Geophysics，170（11）：1821-1832.

Evernden J F.1969a.Identification of earthquakes and explosions by useof teleseismic data[J].Journal of Geophysical Research，74（15）：3828-3856.

Evernden J F.1969b.Precision of epicenters obtained by small numbersof world-wide stations[J].Bulletin of the Seismological Society ofAmerica，59（3）：1365-1398.

Flinn E A.1965.Signal analysis using rectilinearity and direction of parti-cle motion[J].Proceedings of the IEEE，53（12）：1874-1876.

Gajewski D，Tessmer E.2005.Reverse modelling for seismic event charac-terization[J].Geophysical Journal International，163（1）：276-284.

Geiger L.1912.Probability method for the determination of earthquakeepicenters from arrival time only[J].Bull St Louis Univ，8；60-71.

Gentili S，Michelini A.2006.Automatic picking of P and S phases using aneural tree[J].Journal of Seismology，10（1）：39-63.

Gharti H N，Oye V，roth M，Kiihn D.2010.Automated microearthquakelocation using envelope stacking and robust global optimization[J].Geophysics，75（4）：27-46.

Gibbons S J，Ringdal F.2006.The detection of low magnitude seismic e-vents using array-based waveform correlation[J].GeophysicalJournal International，165（1）：149-166.

Giudicepietro F，Esposito A M，Ricciolino P.2017.Fast discrimination oflocal earthquakes using a neural approach[J].Seismological Re-search Letters，88（4）：1089-1096.

Grigoli F，Cesca S，Amoroso O，et al.2014.Automated seismic event loca-tion by waveform coherence analysis[J].Geophysical Journal Inter-national，196（3）：1742-1753.

Grigoli f，Cesca S，Krieger L，et al.2016.Automated microseismic eventlocation using Master-Event Waveform Stacking[J].Scientific Re-ports，6：1-13.

Grigoli F，Cesca S，Vassallo M，et al.2013.Automated Seismic Event Lo-cation by Travel-Time Stacking；An Application to Mining InducedSeismicity[J].Seismological Research Letters，84（4）：666-677.

Hibert C，Mangeney A，Grandjean G，et al.2014.Automated identifica-tion，location，and volume estimation of rockfalls at Piton de la Four-naise volcano[J].Journal of Geophysical Research：Earth Surface，119（5）：1082-1105.

Horstmann T，Harrington R M，Cochran E S.2013.Semiautomated tremordetection using a combined cross-correlation and neural networkapproach[J].Journal of Geophysical Research；Solid Earth，118（9）：4827-4846.

Jackson G M，Mason I M，Greenhalgh S A.1991.Principal componenttransforms of triaxial recordings by singular value decomposition[J].GEOPHYSICS，56（4）：528-533.

Jurkevics A.1988.Polarization analysis of three-component array data[J].Bulletin of the Seismological Society of America，78（5）：1725-1743.

Kao H，Shan S J.2004.The Source-Scanning Algorithm；Mapping thedistribution of seismic sources in time and space[J].GeophysicalJournal International，157（2）：589-594.

Kao H，Shan S J.2007.Rapid identification of earthquake rupture planeusing Source-Scanning Algorithm[J].Geophysical Journal Interna-tional，168（3）：1011-1020.

Kato A，Nakagawa S.2014a Multiple slow-slip events during a fore-shock sequence of the 2014 Iquique，Chile Mw 8.1 earthquake[J].Geophysical Research Letters，41（15）：5420-5427.

Kato A，Obara K，Igarashi T，et al.2012.Propagation of slow slip leadingup to the 2011 MW9.0 Tohoku-Oki earthquake[J].Science，335（6069）：705-708.

Kato A，Obara K.2014b.Step-like migration of early aftershocks follow-ing the 2007 Mw 6.7 Noto-Hanto earthquake，Japan[J].Geophysi-cal Research Letters，41（11）：3864-3869.

Kortstrom J，Uski M，Tiira T.2016.Automatic classification of seismic e-vents within a regional seismograph network[J].Computers and Ge-osciences，87：22-30.

Kiiperkoch L，Meier T，Lee]，et al.2010.Automated determination of P-phase arrival times at regional and local distances using higher orderstatistics[J].Geophysical Journal International，181：1159-1170.

Kurzon I，Vernon F L，Rosenberger A，et al.2014.Real-time automaticdetectors of P and S waves using singular value decomposition[J].Bulletin of the Seismological Society of America，104（4）：1696-1708.

Langet N，Maggi A，Michelini A，et al.2014.Continuous kurtosis-basedmigration for seismic event detection and location，with application toPiton de la Fournaise volcano，La Reunion[J].Bulletin of the Seis-mological Society of America，104（1）：229-246.

Lenglinee O，Enescu B，Peng Z，et al.2012.Decay and expansion of theearly aftershock activity following the 2011，MW9.0 Tohoku earth-quake[J].Geophysical Research Letters，39（18）：L18309.

Leonard M，Kennett B L N.1999.Multi-component autoregressive tech-niques for the analysis of seismograms[J].Physics of the Earth andPlanetary Interiors，113（1-4）：247-263.

Lomax A，Satriano C，Vassallo M.2012.Automatic picker developmentsand optimization：FilterPicker-a robust，broadband picker for real-time seismic monitoring and earthquake early warning[J].Seismo-logical Research Letters，83（3）：531-540.

Maeda N.1985.A method for reading and checking phase time in auto-processing system of seismic wave data[J].Zisin，38（3）：365-379.

Maggi A，F(xiàn)errazzini V，Hibert C，et al.2017.Implementation of a multista-tion approach for automated event classification at piton de la Four-naise volcano[J].Seismological Research Letters，88（3）：878-891.

Mcmechan G A，Luetgert J H，Mooney W D.1985.Imaging of earthquakesources in Long Valley Caldera，alifornia，1983 [J].Bulletin of theSeismological Society of America，75（4）：1005-1020.

Mcmechan G A.1982.Determination of source parameters by wavefieldextrapolation[J].Geophysical Journal of the Royal Astronomical So-ciety，71（3）：613-628.