被几个人摁住玩花蒂的视频,啦啦啦电影中文免费完整版,午夜抽搐一进一出

中科院/斯坦福大學Science子刊: 基于深度學習的噪聲抑制改進地震監(jiān)測

城市地區(qū)的地震風險最高，因為人口密度高且基礎設施廣泛而脆弱。理想情況下，城市地區(qū)密集的地震監(jiān)測工作將被用來描述對城市構成最直接威脅的斷層系統(tǒng)。然而，人口和基礎設施導致風險暴露程度高，也使地震監(jiān)測難以進行，這是由于城市中產生的各種類型地震噪聲和儀器部署的后勤困難造成的。

為此，中科院地質與地球物理研究所趙亮研究員、美國斯坦福大學Gregory C. Beroza等人開發(fā)了一種基于深度學習的去噪算法并將其命名為UrbanDenoiser，以濾除在城市環(huán)境中記錄的地震數(shù)據(jù)中存在的強噪聲水平。其中，作者通過使用波形數(shù)據(jù)集訓練深度神經網(wǎng)絡來開發(fā)UrbanDenoiser，該數(shù)據(jù)集結合了來自城市長灘密集陣列的豐富噪聲源和來自圣哈辛托農村密集陣列的高信噪比（SNR）地震信號。

UrbanDenoiser的架構基于DeepDenoiser算法，但DeepDenoiser不能很好地推廣到長灘數(shù)據(jù)集。本研究數(shù)據(jù)集包含80000個噪聲樣本和33751個信號樣本并隨機分為訓練集、驗證集和測試集，通過將信號訓練集與從噪聲訓練集中隨機選擇的噪聲樣本重復組合并在窗口中隨機移動波形。神經網(wǎng)絡的輸入是噪聲波形的二維時頻表示，預測目標是恢復信號和噪聲的兩個掩碼，作者使用相同的程序為驗證集生成地震波形并將其應用于網(wǎng)絡的超參數(shù)微調。

圖1. 原始數(shù)據(jù)和去噪數(shù)據(jù)的地震定位結果

作為驗證，作者將UrbanDenoiser應用于密集陣列和區(qū)域地震網(wǎng)絡。對長灘密集陣列數(shù)據(jù)的應用表明，該算法能夠使用大部分以前無法使用的地震數(shù)據(jù)進行地震分析，如以人為噪聲為主的白天數(shù)據(jù)。基于去噪數(shù)據(jù)的地震定位結果顯示出與原始數(shù)據(jù)不同的分布模式，這更新了對發(fā)震特征的認識。

UrbanDenoiser對區(qū)域地震臺網(wǎng)數(shù)據(jù)的應用表明，該算法可以提高不同震級地震的SNR且可從噪聲數(shù)據(jù)中恢復地震信號，其中SNR底限接近0 dB。對于拉哈布拉地震序列，作者在去噪數(shù)據(jù)中觀察到的檢測數(shù)量大約是現(xiàn)有區(qū)域地震目錄中檢測列表的4倍。檢測/定位結果僅包含地震事件，排除了大振幅非地震源。總之，這項研究表明，使用深度學習過濾噪聲預處理后的地震檢測和定位將有助于改進城市環(huán)境中的地震監(jiān)測。

圖2. UrbanDenoiser在拉哈布拉地震序列區(qū)域地震網(wǎng)絡中的應用

Toward improved urban earthquake monitoring through deep-learning-based noise suppression,?Science Advances?2022. DOI: 10.1126/sciadv.abl3564

原創(chuàng)文章，作者：v-suan，如若轉載，請注明來源華算科技，注明出處：http://www.zzhhcy.com/index.php/2023/10/14/dd3cbcd904/

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

中科院/斯坦福大學Science子刊: 基于深度學習的噪聲抑制改進地震監(jiān)測

相關推薦