路曉辰 楊立明 楊興悅 王祖東 王維歡 高永國(guó) 尹欣欣

摘要：

采用2016—2020年福建臺(tái)網(wǎng)所記錄的爆破和天然地震事件以及背景噪聲數(shù)據(jù)集，使用CNN模型、Inception10模型、ResNet18模型和Vgg16模型4種深度學(xué)習(xí)網(wǎng)絡(luò)模型進(jìn)行分類(lèi)研究。針對(duì)深度學(xué)習(xí)網(wǎng)絡(luò)模型的“黑盒”問(wèn)題，將梯度類(lèi)激活映射（Gradient-weighted Class Activation Mapping，Grad-CAM）算法引入這4種分類(lèi)模型中，得到每個(gè)模型的可視化圖。通過(guò)可視化圖可以直觀地看出模型在做出分類(lèi)決策時(shí)對(duì)于不同波形特征的依賴(lài)權(quán)重，為模型的可解釋性提供依據(jù)，進(jìn)而提高模型的可信度。通過(guò)對(duì)模型的可視化圖分析得出，分類(lèi)效果更好的CNN模型和Vgg16模型在做出決策時(shí)更依賴(lài)于地震波形的震相特征，對(duì)于震前和震后的波段關(guān)注較小;而ResNet18模型和Inception10模型對(duì)于震相特征的關(guān)注不夠敏銳。通過(guò)Grad-CAM算法對(duì)模型進(jìn)行可視化分析得到的結(jié)果能夠很好地反映模型的分類(lèi)效果，對(duì)于改進(jìn)和選擇合適的分類(lèi)模型具有重要意義。

關(guān)鍵詞：

可解釋性; Grad-CAM算法; 爆破事件分類(lèi); 深度學(xué)習(xí)

中圖分類(lèi)號(hào)： P315.63????? 文獻(xiàn)標(biāo)志碼：A?? 文章編號(hào)： 1000-0844（2023）02-0474-09

DOI：10.20000/j.1000-0844.20220926001

Application and interpretability of deep learning

methods in seismic event classification

LU Xiaochen1，2， YANG Liming3， YANG Xingyue2， WANG Zudong2，

WANG Weihuan2， GAO Yongguo2， YIN Xinxin2

（1. Lanzhou Institute of Seismology， CEA， Lanzhou 730000， Gansu， China;

2. Gansu Earthquake Agency， Lanzhou 730000， Gansu， China;

3. Qinghai Earthquake Agency， Xining 810000， Qinghai， China）

Abstract：

In this paper， four deep learning network models， i.e.， the CNN， ResNet18， Vgg16， and Inception10 models， were used to classify blasting and seismic events， and the dataset used blasting events and natural seismic events recorded by the Fujian station network from 2016 to 2020. The gradient-weighted class activation mapping （Grad-CAM） algorithm was introduced into the four classification models to address the “black box” problem of deep learning network models， and a visualization of each model was obtained. The visualization diagram provides an intuitive view of the model's reliance weights for different waveform features when making classification decisions， thus providing a basis for the models interpretability and improving its credibility. Analysis of the visualization diagram shows that the CNN and Vgg16 models with better classification effects rely more on the seismic phase characteristics of seismic waveforms when making decisions and pay less attention to the pre-earthquake and post-earthquake bands. In contrast， the ResNet18 and Inception10 models are insufficiently sensitive to the seismic phase characteristics. The results obtained from a visual analysis of the models through the Grad-CAM algorithm well reflect the classification effect of the models， which is important for improving the models and selecting an appropriate classification model.

Keywords：

interpretability; Grad-CAM algorithm; classification of blasting events; deep learning

0 引言

從創(chuàng)建地震災(zāi)害的構(gòu)造事件目錄到監(jiān)測(cè)核爆炸，區(qū)分爆炸和地震仍然是地震學(xué)中的一項(xiàng)重要任務(wù)。由于爆破和地震事件的波形具有相似性，如果人工區(qū)分較多的爆破和地震事件需要花費(fèi)大量的時(shí)間，而且區(qū)分過(guò)程中個(gè)人的主觀性比較強(qiáng)。傳統(tǒng)方法主要通過(guò)提取震相特征去區(qū)分爆破和天然地震事件，比如提取波形數(shù)據(jù)的初動(dòng)方向、P波和S波最大振幅比、尾波衰減等特征［1-3］，或者使用傅里葉變換、小波變換等方法提取波形數(shù)據(jù)的頻域信息進(jìn)行分析［4-5］。區(qū)分爆破和天然地震事件的傳統(tǒng)方法只是提取了事件波形中的部分特征，然后通過(guò)單個(gè)或多個(gè)震相特征去分類(lèi)地震事件，這些方法會(huì)造成震相特征的損失，不能夠?qū)⒄麄€(gè)波形的特征利用起來(lái)，從而會(huì)降低分類(lèi)精度。最近深度學(xué)習(xí)在地震學(xué)各個(gè)領(lǐng)域應(yīng)用廣泛，例如應(yīng)用在到時(shí)拾取、地震事件分類(lèi)、地震目錄的構(gòu)建等。2020年Mousavi等［6］提出EQTransformer深度學(xué)習(xí)模型，用于同時(shí)進(jìn)行地震檢測(cè)和相位選取。通過(guò)使用分層注意力機(jī)制，結(jié)合地震信號(hào)的相位和全波形的信息，提高了每個(gè)單獨(dú)任務(wù)的模型性能。2021年趙明等［7］將PhaseNet震相識(shí)別算法、REAL震相自動(dòng)關(guān)聯(lián)技術(shù)與傳統(tǒng)定位技術(shù)VELEST和HYPODD相結(jié)合，自動(dòng)構(gòu)建長(zhǎng)寧地震前震目錄。2022年高永國(guó)等［8］使用深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)方法搭建兩個(gè)不同的模型，對(duì)甘肅地區(qū)的地震事件和爆破事件進(jìn)行了分類(lèi)研究。

雖然深度學(xué)習(xí)廣泛應(yīng)用于地震學(xué)研究、圖片分類(lèi)、自然語(yǔ)言處理及目標(biāo)識(shí)別等領(lǐng)域，而且具有其獨(dú)特的優(yōu)勢(shì)，但是深度學(xué)習(xí)網(wǎng)絡(luò)模型作為一個(gè)黑盒模型缺乏可解釋性，研究人員無(wú)法理解深度學(xué)習(xí)模型如何做出決策，限制了深度學(xué)習(xí)的應(yīng)用和發(fā)展［9］。對(duì)于一些分類(lèi)任務(wù)來(lái)說(shuō)，較高的識(shí)別率并不代表模型能夠正確地捕捉到目標(biāo)本身的特征。在文獻(xiàn)［10］中提到了華盛頓大學(xué)所做的一項(xiàng)實(shí)驗(yàn)，華盛頓大學(xué)曾通過(guò)創(chuàng)建一個(gè)分類(lèi)器來(lái)識(shí)別哈士奇與狼，但實(shí)際上模型是依據(jù)背景中是否存在積雪來(lái)做出的決策，而不是通過(guò)哈士奇和狼的本身特征來(lái)進(jìn)行識(shí)別的。對(duì)于應(yīng)用到地震事件分類(lèi)中的模型來(lái)說(shuō)，模型可能關(guān)注的主要特征為事件的位置和時(shí)間信息，而不是波形的真正鑒別特征，如初至波、波峰和尾波［11］。所以在爆破事件的分類(lèi)研究中，加入對(duì)深度學(xué)習(xí)網(wǎng)絡(luò)模型的可解釋性分析具有重要的意義。隨著可解釋性方法的不斷提出和發(fā)展，深度學(xué)習(xí)的可解釋性研究已經(jīng)應(yīng)用于多個(gè)領(lǐng)域。Zhang等［12］提出MDNet模型，該模型在醫(yī)學(xué)圖像和診斷報(bào)告之間建立直接的多模態(tài)映射，而且可以將診斷報(bào)告的決策依據(jù)進(jìn)行可視化。李瑋杰等［13］利用歸因方法進(jìn)行雷達(dá)圖像深度學(xué)習(xí)模型的可解釋性研究。目前，在地震學(xué)中對(duì)于深度學(xué)習(xí)的可解釋性研究較少。

本文使用了4種深度學(xué)習(xí)網(wǎng)絡(luò)模型進(jìn)行爆破和天然地震事件的分類(lèi)，而且將梯度類(lèi)激活映射（Gradient-weighted Class Activation Mapping，Grad-CAM）算法引入到分類(lèi)模型中，嘗試解決地震事件分類(lèi)模型的“黑盒問(wèn)題”。通過(guò)加入分類(lèi)模型的可解釋性研究，提高了模型的可信度，建立了人與機(jī)器之間的信任，推動(dòng)了深度學(xué)習(xí)應(yīng)用到實(shí)際的地震事件分類(lèi)工作中去?？山忉屝匝芯刻岣吡四Ｐ偷耐该鞫?，通過(guò)可視化圖可以了解到模型學(xué)習(xí)到的震相特征，為選擇模型、診斷模型、修改模型及應(yīng)用模型提供了依據(jù)。

1 數(shù)據(jù)與方法介紹

1.1 數(shù)據(jù)集

本研究選取2016—2020年福建臺(tái)網(wǎng)所記錄的爆破事件和天然地震事件，從中去篩選其中的爆破事件和天然地震事件。截取每個(gè)事件的三通道波形，波形的開(kāi)始時(shí)間為最近臺(tái)站P波到時(shí)的前2 s。每個(gè)通道截取20 s波形，波形采樣率為100 Hz，每段波形取2 000個(gè)點(diǎn)。選取每個(gè)事件震中距較小的臺(tái)站，以保證在20 s的時(shí)間窗中能完整記錄P波和S波。經(jīng)過(guò)篩選得到9 794個(gè)天然地震三分量波形和5 244個(gè)爆破三分量波形，并加入7 000條三分量噪聲數(shù)據(jù)。最后對(duì)所有的波形數(shù)據(jù)進(jìn)行歸一化處理。隨機(jī)打亂數(shù)據(jù)集的順序，將前20 000條三分量波形作為訓(xùn)練集，剩余2 038條三分量波形作為驗(yàn)證集。最終得到的訓(xùn)練集包括8 914個(gè)天然地震三分量波形，6 317個(gè)噪聲數(shù)據(jù)，4 769個(gè)爆破數(shù)據(jù)。將沒(méi)有加入訓(xùn)練集的2 038條三分量波形作為驗(yàn)證集，驗(yàn)證集包括880個(gè)天然地震數(shù)據(jù)，683個(gè)噪聲數(shù)據(jù)和475個(gè)爆破數(shù)據(jù)。

1.2 深度學(xué)習(xí)模型

本文采用4種深度學(xué)習(xí)網(wǎng)絡(luò)模型進(jìn)行地震事件和爆破事件的分類(lèi)，包括CNN模型、ResNet 18模型、Inception 10和Vgg16模型（圖1）。

CNN模型主要包含5層二維卷積層，卷積核大小為3×1，卷積深度依次為16、32、64、128、256。模型的輸入尺寸為2 000×1×3，模型使用卷積神經(jīng)網(wǎng)絡(luò)從輸入的三分量波形中自動(dòng)提取特征。通過(guò)CNN（卷積神經(jīng)網(wǎng)絡(luò)）層提取的特征被FC（全連接）層扁平化為100個(gè)特征，然后通過(guò)最后的全連接層進(jìn)行分類(lèi)。

ResNet模型利用殘差結(jié)構(gòu)解決了深度網(wǎng)絡(luò)出現(xiàn)的梯度消失、梯度爆炸等模型退化問(wèn)題［14］。ResNet模型選取經(jīng)典的ResNet 18模型，一共使用4個(gè)殘差塊，每個(gè)殘差塊具有兩個(gè)3×3卷積，模型主要包括17個(gè)卷積層和1個(gè)全連接層。

Inception結(jié)構(gòu)能夠增加網(wǎng)絡(luò)的深度及寬度，而且減少了模型的訓(xùn)練參數(shù)個(gè)數(shù)，解決了深度網(wǎng)絡(luò)計(jì)算參數(shù)過(guò)多造成的過(guò)擬合和梯度消失等問(wèn)題，從而提升了模型的性能［15］。Inception10模型主要采用Inception-v1模塊，具有1×1、3×3和5×5三種卷積核。

Vgg16模型包含13個(gè)卷積層和3個(gè)全連接層［16］。整個(gè)網(wǎng)絡(luò)都使用3×3的卷積核尺寸和2×2的最大池化尺寸。

1.3 Grad-CAM算法

為了解決深度學(xué)習(xí)網(wǎng)絡(luò)模型的可解釋性問(wèn)題，學(xué)者們提出了很多解決方法?？山忉屝苑椒梢苑譃槭虑翱山忉屝苑椒ê褪潞罂山忉屝苑椒āＪ虑翱山忉屝灾改Ｐ捅旧砭邆浣忉屇芰?，事后可解釋性指使用特定方法去解釋訓(xùn)練好的模型。曾春艷等［17］將深度學(xué)習(xí)可解釋方法總結(jié)為自解釋模型、特定模型解釋方法、不可知模型解釋方法及因果可解釋性4大類(lèi)。

自解釋模型指本身具有可解釋性的模型。典型的自解釋模型有線性回歸模型［18］和決策樹(shù)模型。特定模型解釋方法通過(guò)研究模型的內(nèi)部結(jié)構(gòu)和參數(shù)來(lái)解釋模型，主要方法有激活最大化方法、基于梯度解釋方法及類(lèi)激活映射方法。Erhan等［19］2009年提出了激活最大化分析法來(lái)可視化深度神經(jīng)網(wǎng)絡(luò)（DNN）學(xué)習(xí)到的高層特征。2016年Sundararajan等［20］提出積分梯度方法解決了神經(jīng)元和網(wǎng)絡(luò)飽和問(wèn)題。2015年Zhou等［21］提出類(lèi)激活映射技術(shù)，將深度學(xué)習(xí)網(wǎng)絡(luò)中的全連接層替換為全局平均池化層（Global Average Pooling，GAP），對(duì)最后一個(gè)卷積層每個(gè)特征圖的均值進(jìn)行加權(quán)求和，最后通過(guò)熱力圖的形式對(duì)網(wǎng)絡(luò)模型進(jìn)行可視化。2017年Selvaraju等［22-23］提出了梯度類(lèi)激活映射Grad-CAM算法。不可知模型解釋方法是指不研究模型的結(jié)構(gòu)和參數(shù)，僅通過(guò)模型的輸入和輸出來(lái)對(duì)模型進(jìn)行解釋。典型的不可知模型解釋方法有LIME方法和LEMNA方法。因果可解釋性方法主要從因果關(guān)系的角度分析模型做出決策的原因，可以從基于模型的解釋、反事實(shí)解釋、決策公平性三個(gè)方面對(duì)因果可解釋性進(jìn)行總結(jié)?；谀Ｐ偷慕忉屩阜治瞿Ｐ椭械慕M成部分對(duì)模型做出決策的因果影響。反事實(shí)解釋描述了一種因果關(guān)系“如果沒(méi)有發(fā)生x，那么y就不會(huì)發(fā)生”。決策公平性是指某些敏感特征的不同取值不應(yīng)該影響模型的預(yù)測(cè)結(jié)果。

對(duì)于深度學(xué)習(xí)模型的可解釋性，本文使用模型梯度類(lèi)激活映射算法。Grad-CAM是類(lèi)激活映射（Class Activation Mapping，CAM）的一種改進(jìn)算法。其使用卷積層的梯度值來(lái)計(jì)算權(quán)值，從而不需要模型具有GAP層，改進(jìn)了CAM算法需要更改模型結(jié)構(gòu)、重新訓(xùn)練等局限性。Grad-CAM算法首先計(jì)算c類(lèi)的輸出分?jǐn)?shù)yc相對(duì)于最后一個(gè)CNN層特征圖Ak的所有像素的梯度平均值，其中k代表第k個(gè)特征圖，式（1）定義了第k個(gè)特征圖對(duì)于類(lèi)別c的權(quán)重值αck。

αck=1z∑ui∑vjycAkij （1）

式中：ycAkij為最后一個(gè)卷積層中每一個(gè)特征圖的梯度值;u和v是特征圖的寬度和高度;Akij表示第k個(gè)特征圖中坐標(biāo)是（i，j）的像素點(diǎn)的像素值;z表示特征圖的像素點(diǎn)的個(gè)數(shù)。在模型做出決策之前，由目標(biāo)類(lèi)c的這些權(quán)重給出了每個(gè)特征映射的相對(duì)重要性。然后利用式（2）計(jì)算出類(lèi)判別定位映射：

LcGrad-CAM=RELU（∑nkαckAk） （2）

式中：n為最后一個(gè)卷積層中特征映射的總數(shù);αck為權(quán)重值。因?yàn)橹恍枰獙?duì)目標(biāo)類(lèi)有積極影響的特征，所以將ReLU層應(yīng)用于加權(quán)特征映射的線性組合。導(dǎo)出的定位圖是最后一個(gè)特征圖在同一維上的所有特征圖的非負(fù)加權(quán)平均值，利用雙線性插值對(duì)輸入圖像分辨率進(jìn)行上采樣，形成最終的熱圖。計(jì)算出的Grad-CAM權(quán)重歸一化到0～1的范圍，權(quán)重值越高，說(shuō)明該震相特征重要性越大。每個(gè)模型均使用網(wǎng)絡(luò)模型的最后一個(gè)卷積層來(lái)形成可視化圖。

2 訓(xùn)練結(jié)果及評(píng)價(jià)指標(biāo)

訓(xùn)練集包括8 914個(gè)天然地震三分量波形、6 317個(gè)噪聲數(shù)據(jù)及4 769個(gè)爆破數(shù)據(jù)，將訓(xùn)練集分別應(yīng)用于這4種模型中。在所有的訓(xùn)練中，均使用SparseCategoricalCrossentropy作為損失函數(shù)，Adam作為優(yōu)化方法［24-25］。訓(xùn)練過(guò)程采取早停機(jī)制，若測(cè)試精度連續(xù)20個(gè)批次沒(méi)有增長(zhǎng)，則停止訓(xùn)練，并通過(guò)ModelCheckpoint函數(shù)保存訓(xùn)練過(guò)程中最優(yōu)的訓(xùn)練模型。每個(gè)模型的輸入尺寸均為（2 000，1，3），迭代次數(shù)為50，批尺寸為64。4種模型訓(xùn)練過(guò)程中的準(zhǔn)確率曲線和損失曲線如圖2所示。CNN模型在第15次迭代之后訓(xùn)練準(zhǔn)確率曲線和驗(yàn)證準(zhǔn)確率曲線趨于穩(wěn)定，訓(xùn)練準(zhǔn)確率穩(wěn)定在0.99左右，驗(yàn)證準(zhǔn)確率穩(wěn)定在0.98左右。CNN模型的損失函數(shù)在第15次迭代之后走勢(shì)趨于平穩(wěn)，訓(xùn)練損失曲線穩(wěn)定在0.02左右，驗(yàn)證損失曲線穩(wěn)定在0.05附近。Inception10模型在訓(xùn)練過(guò)程中訓(xùn)練準(zhǔn)確率曲線和驗(yàn)證準(zhǔn)確率曲線迅速達(dá)到0.9以上，在第20次迭代之后趨于平穩(wěn)，驗(yàn)證損失曲線在第20次迭代之后也穩(wěn)定在0.2附近，訓(xùn)練損失曲線穩(wěn)定在0.1附近。ResNet18模型在第5次迭代之后訓(xùn)練準(zhǔn)確率和驗(yàn)證準(zhǔn)確率均達(dá)到0.95以上，之后隨著迭代次數(shù)的增加準(zhǔn)確率趨于平穩(wěn)。Vgg16模型在第5次迭代之后準(zhǔn)確率曲線和損失曲線趨于平穩(wěn)。

最終的訓(xùn)練結(jié)果如表1所列。CNN模型驗(yàn)證準(zhǔn)確率高達(dá)99.17%，訓(xùn)練準(zhǔn)確率為99.70%。CNN模型不僅分類(lèi)精度較高，而且訓(xùn)練所用的時(shí)間也比較短。Inception10模型驗(yàn)證準(zhǔn)確率為97.22%，訓(xùn)練準(zhǔn)確率為98.76%。ResNet18模型驗(yàn)證準(zhǔn)確率高達(dá)97.27%，訓(xùn)練準(zhǔn)確率為99.81%。4種模型中Vgg16模型的驗(yàn)證準(zhǔn)確率最高，達(dá)到99.20%，同時(shí)其訓(xùn)練準(zhǔn)確率在4種模型中也相對(duì)較高，達(dá)到99.48%。由于Vgg16的模型參數(shù)達(dá)到31 511 363個(gè)，所以訓(xùn)練所用的時(shí)間相對(duì)較高。

測(cè)試集選取訓(xùn)練過(guò)程中未使用過(guò)的880個(gè)天然地震數(shù)據(jù)、683個(gè)噪聲數(shù)據(jù)和475個(gè)爆破數(shù)據(jù)，使用訓(xùn)練好的模型對(duì)測(cè)試集中的地震事件進(jìn)行分類(lèi)。CNN模型和Inception10模型的測(cè)試集分類(lèi)準(zhǔn)確率分別為98.68%、97.55%。ResNet18模型的測(cè)試集分類(lèi)準(zhǔn)確率最低為96.71%。Vgg16模型的測(cè)試集分類(lèi)準(zhǔn)確率最高，達(dá)到99.07%。4種模型的測(cè)試集分類(lèi)準(zhǔn)確率均大于96%，說(shuō)明4種模型的泛化能力都比較好。

準(zhǔn)確率是一個(gè)比較直觀的評(píng)價(jià)分類(lèi)器效果的指標(biāo)，但是在樣本不均衡的情況下并不能作為很好的指標(biāo)來(lái)衡量結(jié)果。為了評(píng)估每個(gè)模型的性能，本文加入查準(zhǔn)率、召回率和F1值去評(píng)價(jià)每個(gè)模型的分類(lèi)效果［26］。F1值為查準(zhǔn)率和召回率的調(diào)和平均值，以便更好地反映模型的整體性能。

通過(guò)測(cè)試集來(lái)計(jì)算各個(gè)模型的查準(zhǔn)率、召回率和F1值來(lái)評(píng)價(jià)模型的性能。從表2中可以看出4種模型的查準(zhǔn)率、召回率和F1值均接近1，所以各個(gè)模型的分類(lèi)性能比較好。

3 模型的可解釋性研究

本文將Grad-CAM算法應(yīng)用到模型的可解釋性研究當(dāng)中。計(jì)算出的Grad-CAM權(quán)重值歸一化到0～1的范圍，值越高說(shuō)明重要性越大。CNN模型和Vgg16模型做出分類(lèi)決策主要依賴(lài)P波和S波。ResNet18模型和Inception10模型的關(guān)注點(diǎn)較少，整條波形的高權(quán)值部分較少。

4種模型識(shí)別天然地震事件的可視化圖如圖3所示，每個(gè)子圖顯示了模型做出分類(lèi)決策所依賴(lài)的波形特征，波形特征的Grad-CAM權(quán)重值越大，代表模型做出決策時(shí)更加依賴(lài)此波形特征，每個(gè)波形圖的標(biāo)題顯示了波形的真實(shí)類(lèi)別、預(yù)測(cè)類(lèi)別以及預(yù)測(cè)概率，輸入波形的真實(shí)類(lèi)別為天然地震事件。4種模型預(yù)測(cè)此輸入波形為天然地震事件的概率均為1，預(yù)測(cè)此輸入波形為噪聲數(shù)據(jù)或者爆破事件的概率為0。CNN模型在識(shí)別天然地震波形時(shí)主要依賴(lài)于P波和S波，權(quán)值在S波之后顯著下降。Vgg16模型和CNN模型相似，同樣將注意力放在P波和S波的震相上面，對(duì)于其他位置的關(guān)注度很低。ResNet18模型更關(guān)注S波，對(duì)于P波的依賴(lài)較小。Inception10模型對(duì)于S波的關(guān)注度較大，分類(lèi)時(shí)對(duì)于其他波段的關(guān)注度較小。

4種模型識(shí)別爆破事件的可視化圖如圖4所示，輸入波形的真實(shí)類(lèi)別為爆破事件波形。Inception10模型預(yù)測(cè)輸入波形為爆破事件的概率為0.97，波形為天然地震的概率為0.03，波形為噪聲數(shù)據(jù)的概率為0。CNN模型、Vgg16模型和ResNet18模型預(yù)測(cè)輸入波形為爆破事件的概率均為1。CNN模型識(shí)別爆破事件權(quán)值在P波和S波處最大，對(duì)于震前和能量衰減階段的關(guān)注度非常低，主要注意力集中在能量較高的部分。Vgg16模型識(shí)別爆破事件時(shí)P波的權(quán)值最大，隨后權(quán)值開(kāi)始降低。ResNet18模型的關(guān)注點(diǎn)相對(duì)較少，僅僅關(guān)注到部分P波和S波的震相特征，在波形的末尾處有權(quán)值較高的部分。Inception10模型最大注意力在S波振幅較大處，整條波形的權(quán)值比較平均。

圖5為4種模型識(shí)別噪聲數(shù)據(jù)的可視化圖，輸入波形的真實(shí)類(lèi)別為噪聲數(shù)據(jù)。4種模型預(yù)測(cè)輸入波形為噪聲數(shù)據(jù)的概率均為1。CNN模型和Vgg16模型在識(shí)別噪聲數(shù)據(jù)時(shí)，波形的高權(quán)值部分較多。而ResNet18模型和Inception10模型所依賴(lài)的波形特征較少。

4 結(jié)論

本文使用CNN模型、ResNet18模型、Inception模型和Vgg16模型對(duì)地震和爆破事件波形進(jìn)行分類(lèi)，并通過(guò)Grad-CAM算法對(duì)4種深度學(xué)習(xí)模型的可解釋性進(jìn)行了分析。

在福建地區(qū)的地震事件分類(lèi)應(yīng)用中，4種模型的測(cè)試集分類(lèi)準(zhǔn)確率均在96%以上。其中CNN模型和Inception10模型的準(zhǔn)確率分別為98.68%和97.55%。ResNet18模型的準(zhǔn)確率為96.71%，在4種模型中最低。Vgg16模型的準(zhǔn)確率最高，達(dá)到99.07%。4種模型在地震事件的分類(lèi)任務(wù)中準(zhǔn)確率均比較高，而且具有較好的泛化能力。通過(guò)對(duì)模型的可解釋性分析可以看出，Vgg16模型和CNN模型能夠比較準(zhǔn)確地注意到波形中P波和S波的震相特征，對(duì)于地震波到達(dá)之前和能量衰減的位置依賴(lài)性較小，而ResNet18模型和Inception模型做出判決時(shí)對(duì)于整條波形的依賴(lài)比較廣泛，不能很好地注意到地震波的震相特征。因此，由模型的可解釋性分析也可以預(yù)測(cè)出Vgg16和CNN模型的分類(lèi)效果應(yīng)該好于其他2種模型，而實(shí)際的分類(lèi)結(jié)果確實(shí)如此。

本文通過(guò)為每個(gè)模型加入Grad-CAM算法，使得模型的黑盒問(wèn)題得到解決，提高了研究人員對(duì)于深度學(xué)習(xí)網(wǎng)絡(luò)的信任度，能夠讓研究人員了解到模型做出判決時(shí)對(duì)于波形的依賴(lài)，從而能夠選擇更合適的模型并且去修改模型。對(duì)于地震事件分類(lèi)任務(wù)來(lái)說(shuō)，波形數(shù)據(jù)比較小，CNN模型結(jié)構(gòu)簡(jiǎn)單，分類(lèi)精度高，訓(xùn)練耗時(shí)少，更適合應(yīng)用于地震事件分類(lèi)任務(wù)中。由于CNN模型和Vgg16模型對(duì)于P波和S波初至較為敏感，也可嘗試將這2種模型應(yīng)用到P波和S波到時(shí)拾取的研究中。

致謝：福建省地震局林彬華高級(jí)工程師提供的地震波形資料，美國(guó)勞倫斯利弗莫爾國(guó)家實(shí)驗(yàn)室Kong教授提供的神經(jīng)網(wǎng)絡(luò)可視化代碼，以及python開(kāi)源編程平臺(tái)，在此一并表示感謝。附所用深度學(xué)習(xí)模型及可視化程序代碼鏈接：https：//github.com/Luxiaochen2022/Grad-CAM.git。

參考文獻(xiàn)（References）

［1］ 邊銀菊.Fisher方法在震級(jí)比mb/MS判據(jù)識(shí)別爆炸中的應(yīng)用研究［J］.地震學(xué)報(bào)，2005，27（4）：414-422.

BIAN Yinju.Application of Fisher method to discriminating earthquakes and explosions using criterion mb/MS［J］.Acta Seismologica Sinica，2005，27（4）：414-422.

［2］ 楊芳，朱嘉健，劉智，等.廣東地區(qū)地震與爆破事件識(shí)別方法研究［J］.華南地震，2016，36（3）：110-115.

YANG Fang，ZHU Jiajian，LIU Zhi，et al.Study on identification methods between earthquakes and explosions occurred in Guangdong region［J］.South China Journal of Seismology，2016，36（3）：110-115.

［3］ 蔡杏輝，邵平榮，段剛，等.福建地區(qū)人工爆破與天然地震的判定［J］.地震地磁觀測(cè)與研究，2013，34（增刊1）：87-91.

CAI Xinghui，SHAO Pingrong，DUAN Gang，et al.Waveform distinction between artificial explosions and natural earthquakes recorded in Fujian area［J］.Seismological and Geomagnetic Observation and Research，2013，34（Suppl01）：87-91.

［4］ 崔鑫，許力生，許忠淮，等.小地震與人工爆破記錄的時(shí)頻分析［J］.地震工程學(xué)報(bào)，2016，38（1）：71-78.

CUI Xin，XU Lisheng，XU Zhonghuai，et al.Time-frequency analysis of records of small earthquakes and explosions［J］.China Earthquake Engineering Journal，2016，38（1）：71-78.

［5］ 霍祝青，王俊，張金川，等.江蘇地區(qū)天然地震與人工爆破識(shí)別研究［J］.地震工程學(xué)報(bào)，2015，37（1）：228-231.

HUO Zhuqing，WANG Jun，ZHANG Jinchuan，et al.Recognition study on earthquakes and explosions in Jiangsu area［J］.China Earthquake Engineering Journal，2015，37（1）：228-231.

［6］ MOUSAVI S M，ELLSWORTH W L，ZHU W Q，et al.Earthquake transformer：an attentive deep-learning model for simultaneous earthquake detection and phase picking［J］.Nature Communications，2020，11：3952.

［7］ 趙明，唐淋，陳石，等.基于深度學(xué)習(xí)到時(shí)拾取自動(dòng)構(gòu)建長(zhǎng)寧地震前震目錄［J］.地球物理學(xué)報(bào)，2021，64（1）：54-66.

ZHAO Ming，TANG Lin，CHEN Shi，et al.Machine learning based automatic foreshock catalog building for the 2019 MS6.0 Changning，Sichuan earthquake［J］.Chinese Journal of Geophysics，2021，64（1）：54-66.

［8］ 高永國(guó)，尹欣欣，李少華.基于深度學(xué)習(xí)的地震與爆破事件自動(dòng)識(shí)別研究［J］.大地測(cè)量與地球動(dòng)力學(xué)，2022，42（4）：426-430.

GAO Yongguo，YIN Xinxin，LI Shaohua.Automatic recognition of earthquake and blasting events based on deep learning［J］.Journal of Geodesy and Geodynamics，2022，42（4）：426-430.

［9］ 化盈盈，張岱墀，葛仕明.深度學(xué)習(xí)模型可解釋性的研究進(jìn)展［J］.信息安全學(xué)報(bào)，2020，5（3）：1-12.

HUA Yingying，ZHANG Daichi，GE Shiming.Research progress in the interpretability of deep learning models［J］.Journal of Cyber Security，2020，5（3）：1-12.

［10］ FJELLAND R.Why general artificial intelligence will not be realized［J］.Humanities and Social Sciences Communications，2020，7（1）：1-9.

［11］ KONG Q K，WANG R J，WALTER W R，et al.Combining deep learning with physics based features in explosion-earthquake discrimination［J］.Geophysical Research Letters，2022，49（13）：l098645.

［12］ ZHANG Z Z，XIE Y P，XING F Y，et al.MDNet：a semantically and visually interpretable medical image diagnosis network［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Honolulu，HI，USA：［s.n.］，2017：3549-3557.

［13］ 李瑋杰，楊威，劉永祥，等.雷達(dá)圖像深度學(xué)習(xí)模型的可解釋性研究與探索［J］.中國(guó)科學(xué)：信息科學(xué)，2022，52（6）：1114-1134.

LI Weijie，YANG Wei，LIU Yongxiang，et al.Research and exploration on the interpretability of deep learning model in radar image［J］.Scientia Sinica （Informationis），2022，52（6）：1114-1134.

［14］ HE K M，ZHANG X Y，REN S Q，et al.Deep residual learning for image recognition［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Las Vegas，NV，USA：［s.n.］，2016：770-778.

［15］ SZEGEDY C，LIU W，JIA Y Q，et al.Going deeper with convolutions［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Boston，MA，USA：［s.n.］，2015：1-9.

［16］ SIMONYAN K，ZISSERMAN A.Very deep convolutional networks for large-scale image recognition［EB/OL］.2014：arXiv：1409.1556.https：//arxiv.org/abs/1409.1556.

［17］ 曾春艷，嚴(yán)康，王志鋒，等.深度學(xué)習(xí)模型可解釋性研究綜述［J］.計(jì)算機(jī)工程與應(yīng)用，2021，57（8）：1-9.

ZENG Chunyan，YAN Kang，WANG Zhifeng，et al.Survey of interpretability research on deep learning models［J］.Computer Engineering and Applications，2021，57（8）：1-9.

［18］ HAUFE S，MEINECKE F，GORGEN K，et al.On the interpretation of weight vectors of linear models in multivariate neuroimaging［J］.NeuroImage，2014，87：96-110.

［19］ ERHAN D，BENGIO Y，COURVILLE A，et al.Visualizing higher-layer features of a deep network［R］.Montreal：University of Montreal，2009.

［20］ SUNDARARAJAN M，TALY A，YAN Q Q.Gradients of counterfactuals［EB/OL］.2016：arXiv：1611.02639.https：//arxiv.org/abs/1611.02639.

［21］ ZHOU B L，KHOSLA A，LAPEDRIZA A，et al.Learning deep features for discriminative localization［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Las Vegas，NV，USA：［s.n.］，2016：2921-2929.

［22］ SELVARAJU R R，DAS A，VEDANTAM R，et al.Grad-CAM：why did You say that？［EB/OL］.2016：arXiv：1611.07450.https：//arxiv.org/abs/1611.07450.

［23］ SELVARAJU R R，COGSWELL M，DAS A，et al.Grad-CAM：visual explanations from deep networks via gradient-based localization［C］//Proceedings of the IEEE International Conference on Computer Vision.Venice，Italy：［s.n.］，2017：618-626.

［24］ GOODFELLOW I，BENGIO Y，COURVILLE A.Deep learning［M］.Cambridge，Boston，Massachusetts，USA：The MIT Press，2016.

［25］ KINGMA D P，BA J.Adam：a method for stochastic optimization［EB/OL］.2014：arXiv：1412.6980.https：//arxiv.org/abs/1412.6980.

［26］ 林學(xué)楷，許才軍.深度學(xué)習(xí)驅(qū)動(dòng)的地震目錄構(gòu)建：PhaseNet和EqT模型的對(duì)比與評(píng)估［J］.武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2022，47（6）：855-865.

LIN Xuekai，XU Caijun.Deep-learning-empowered earthquake catalog building：comparison and evaluation of PhaseNet and EqT models［J］.Geomatics and Information Science of Wuhan University，2022，47（6）：855-865.