基于深度学习的地震事件分类:数据表示方法与模型架构的性能对比研究OA

深度学习方法在地震事件分类方面具有显著的优势,然而,其中数据表示方法和信噪比对模型性能的影响尚不清楚。本文使用不同信噪比条件下的波形图和频谱图输入来评估四种卷积神经网络架构(ResNet18,VGG16,DenseNet121和Inception V3)的分类性能。结果显示,与波形图相比,使用频谱图输入通常会产生更好的分类性能(F1分数高达0.9491±0.0047),但在高信噪比条件下,波形图的分类性能更优(F1分数高达0.9749±0.0145),表明数据表示策略应根据信号质量进行调整,频谱图更适合含噪数据,波形图更适合高质量信号。进一步采用梯度加权类激活映射(Grad CAM)对模型决策过程进行可视化分析,结果显示,不同模型架构聚焦于不同的时间和频率特征,其中ResNet18在两种数据表示方法中表现最为一致,其关注区域集中于震相到时附近,与传统地震分类方法的关注点一致,验证了深度学习模型学习策略的有效性。