深度学习方法在地震事件分类中的应用及可解释性研究

摘要：

采用2016-2020年福建台网所记录的爆破和天然地震事件以及背景噪声数据集,使用CNN模型、Inception10模型、ResNet18模型和Vgg16模型4种深度学习网络模型进行分类研究.针对深度学习网络模型的"黑盒"问题,将梯度类激活映射(Gradient-weighted Class Activation Map-ping,Grad-CAM)算法引入这4种分类模型中,得到每个模型的可视化图.通过可视化图可以直观地看出模型在做出分类决策时对于不同波形特征的依赖权重,为模型的可解释性提供依据,进而提高模型的可信度.通过对模型的可视化图分析得出,分类效果更好的CNN模型和Vgg16模型在做出决策时更依赖于地震波形的震相特征,对于震前和震后的波段关注较小;而ResNet18模型和Inception10模型对于震相特征的关注不够敏锐.通过Grad-CAM算法对模型进行可视化分析得到的结果能够很好地反映模型的分类效果,对于改进和选择合适的分类模型具有重要意义.

关键词：可解释性、Grad-CAM算法、爆破事件分类、深度学习

所属期刊栏目：45

分类号：P315.63(大地（岩石界）物理学（固体地球物理学）)

资助基金：中国地震局地震预测研究所基本科研业务专项;甘肃省科技计划;甘肃省科技计划

在线出版日期：2023-04-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：474-482