-
题名基于极限梯度提升树的实时P波初至自动拾取方法
- 1
-
-
作者
李山有
高艺萱
卢建旗
谢志南
马强
谢博楠
-
机构
中国地震局工程力学研究所地震工程与工程振动重点实验室
-
出处
《中国铁道科学》
2025年第4期199-209,共11页
-
基金
中国地震局工程力学研究所基本科研业务费专项资金资助项目(2024C27)
应急管理部重点科技计划项目(2024EMST040409)
国家重点研发计划项目(2024YFC3012802)。
-
文摘
针对传统P波初至自动拾取方法抗干扰能力弱、拾取精度低的问题,提出1种基于极限梯度提升树(XGBoost)的实时P波初至自动拾取方法。首先,选择有助于区分地震信号与背景噪声的4种特征参数作为模型的输入,以降低模型的复杂度;其次,构建P波初至自动拾取XGBoost模型,并对模型进行训练和测试;最后,通过与目前地震预警中常用的P波初至实时识别方法进行对比,验证模型的有效性。结果表明:所提方法在±0.5 s误差范围内的拾取样本占比为93.3%,优于能量周期双参数(EDP-Picker)方法和短时/长时平均比(STA/LTA)方法,二者拾取样本占比分别为91.9%和83.6%;当误差超出±0.5 s时,XGBoost方法的提前和滞后触发样本占比分别为4.27%和5.26%,而EDP-Picker的相应比例分别为5.03%和6.50%,STA/LTA的相应比例分别为5.39%和1.71%。相较于2种传统方法,XGBoost方法的综合性能显著提升,且具有更高的识别精度和更强的抗干扰能力,能够更稳定地适应复杂场景下的拾取需求。
-
关键词
现地预警
地震紧急处置
p波初至自动识别
极限梯度提升树
机器学习
-
Keywords
Onsite early warning
Earthquake emergency disposal
Automatic identification of pwave firstarrival
Extreme Gradient Boosting Trees(XGBoost)
Machine learning
-
分类号
P315.3
[天文地球]
P315.7
[天文地球—地震学]
-
