在远距离地下核爆炸的监测分析中，地震被列主要的技术手段。经过半个世纪的研究，国际上对地下核爆炸与天然地震的分类问题提出了多种识别特征，如mb:Ms，P波初动、P波复杂度、P/S幅值比等。随着全球及各国密集台网的建立，区域及地方记录中将会有更多的小震级地震、爆炸、矿震、滑坡等事件，多类型的地震分类也将面临更多的挑战。近些年，人工智能方法在地震数据处理中显示出强大的适用性，在地震分类中也得到了广泛应用。目前国内外大部分研究集中在局部地区的地震与爆炸或者地震与非天然地震的两分类问题，对地震事件的多分类问题、矿区诱发地震的特征分析、大范围分类模型的构建都有待进一步研究。

中国地震局地球物理研究所边银菊研究员团队针对中国中东部地区天然地震、爆炸、矿震三类事件的分类问题，通过幅值比、高低频能量比、拐角频率、波形持续时间、复杂度、过零率、倒谱复杂度、瞬时频率复杂度等特征量化方法，建立了36维单台与多台平均的特征提取数据集。同时作为对比，通过多窗口谱分析技术基于地震波形建立了60维单台与多台平均的振幅谱数据集。利用多种人工智能方法，包括支持向量机（SVM）、极端梯度提升（XGBoost）、长短期记忆网络（LSTM）、残差神经网络（Resnet）和长短时记忆全卷积网络（LSTM-FCN），分别构建了二分类和三分类模型，对比了不同数据集的分类能力，分析了分类能力随震中距的变化，评估了分类模型的泛化能力。

研究结果表明，不同 AI 模型在特征提取数据集上的分类准确率均高于振幅谱数据集，表明特征量化方法可以更好地突出不同类型地震事件之间的差异。多台平均数据集的准确率比单台数据集高 5%–8%。地震/矿震分类模型性能最好，其次是地震/爆炸和爆炸/矿震，平均分类准确率分别为97.4%~98.4%、96.5%~97.6%，和 88.8%–90.6%。在模型泛化能力测试中，基于特征提取数据集构建的分类模型的泛化能力较强，其中两分类模型的测试准确率和F1-Scores均超过90%。几种人工智能方法中，XGBoost 和 LSTM 对不同数据集构建的分类模型均表现出色，表明这两种方法在地震事件分类中具有良好的应用前景。

该项研究构建的中国中东部地区地震、爆炸、矿震的两分类与三分类模型，可适用于更广泛地区的非天然地震分类与编目中，研究方法也可应用于矿区微震分类。通过地震分类工作建立准确的天然地震目录、爆炸目录、矿震目录，对地震活动性研究、突发爆炸灾害分析、采矿诱发地震活动性评估等都有重要的意义。该成果于2023年发表在学术期刊《Seismological Research Letters》上，（Wang Tingting, Bian Yinju, Zhang Yixiao, Hou Xiaolin, Using Artificial Intelligence Methods to Classify Different Seismic Events. Seismological Research Letters,2023,94, 1–16）。研究受自主立项(0722006)、核查项目共同资助。

图1 地震、爆炸、矿震的特征值分布

图2 特征重要度分析与特征选择

图3 不同人工智能方法构建的二分类模型的识别准确率和 (ROC) 曲线

图4 分类能力随震中距的变化

【作者简介】

王婷婷，非天然地震研究室，副研究员，主要从事特殊事件监测、爆炸当量估算、天然地震与非天然地震性质分类识别等研究。