通过迁移学习计算机视觉深度学习模型实现实时多台站微地震事件检测

《Geophysical Journal International》：Real-time multi-station microseismic event detection via transfer learning of computer vision deep learning model

　　

摘要

随着页岩气勘探和开发深入到更深的地层（深度超过3500米），在基于地表的微震监测中，弱信号的检测变得更加具有挑战性且至关重要。大多数现有的深度学习方法都是基于合成数据或单站数据进行训练的，这限制了它们在实场地震记录中检测弱信号的能力。在这里，我们提出了一种基于计算机视觉目标检测模型YOLOv5的深度学习方法，并通过迁移学习在实地观测数据集上进行训练，以提高多通道地震数据中微震事件的检测能力。首先，我们将连续的地震数据转换为灰度的波形图像，记录长度为20秒，并使用矩形框手动标注包含首次到达信号的微震事件。为了训练模型，我们采用了计算机视觉中YOLO模型的参数来进行初始化。训练和验证之后，我们进行了全面的测试以评估模型的性能。与单站短期平均/长期平均（STA/LTA）检测器相比，我们的方法显著减少了误报率，同时其召回率也高于现有的多站检测方案。当应用于不同区域的连续数据集时，该模型的精准度达到了0.9832，召回率为0.9702，表明它能够学习到微震信号的代表特征。所有这些测试都表明，所提出的方法具有高检测准确性、低误报率和良好的鲁棒性。此外，该方法适用于实时监测，并且可以通过向训练数据集中添加少量新样本来轻松进行更新。