基于机器学习方法的甘肃华亭地震分类研究

摘要

甘肃华亭地区历史上地震活动频繁,由于华亭地区拥有大型煤矿,因此该地区的地震活动除了常规的天然地震还有采矿引发的非天然地震.本文为了将两类地震事件进行准确区分,采用无监督、有监督到半监督分类方法,分析应用于甘肃华亭地震事件分类中.本文一共选取(34.8~35.7°N,106.1~107.1°E)范围内305个地震事件的波形数据,使用速度地震图的复杂度(C)和S/P波振幅比两个时变参数作为分类器,经过我们的训练分析,GMM、K均值、线性判别函数(LDA)、二次判别函数(QDA)、标签传播模型(Label Spreading)和自训练模型(Self Training)的最高总精度分别为87.87%、86.23%、92.16%、94.12%、96.73%、96.73%.根据分类结果分别讨论了无监督和有监督模型对天然地震和矿震的分类性能,六种方法对地震事件的分类都有不错的效果,其中半监督(Self Training)方法比其他方法有更好的改进.通过本研究我们发现,对于没有标签信息可用的无监督聚类算法,尤其是GMM方法具有与判别分析的监督方法接近的判别能力,而仅需要标注少量事件的半监督学习在本文的数据中体现了极佳的效果,甚至超过了拥有全部标签的有监督学习,这说明无监督和半监督方法可以在复杂地震大数据中做初步的分类工作,能节省地震类型标签制作的巨额工作量.