Расширенный поиск
Аналитический обзор публикаций по применению свёрточных нейросетей в сейсмологии
Федеральный исследовательский центр “Единая геофизическая служба РАН”
Журнал: Сейсмические приборы
Том: 61
Номер: 1
Год: 2025
Страницы: 36-48
УДК: 550.(34.(012:062):344.2)
DOI: 10.21455/si2025.1-3
Показать библиографическую ссылку
Силкин К.Ю. Аналитический обзор публикаций по применению свёрточных нейросетей в сейсмологии // Сейсмические приборы. 2025. Т. 61. № 1. С. 36-48. DOI: 10.21455/si2025.1-3
@article{СилкинАналитический2025,
author = "Силкин, К. Ю.",
title = "Аналитический обзор публикаций по применению свёрточных нейросетей в сейсмологии",
journal = "Сейсмические приборы",
year = 2025,
volume = "61",
number = "1",
pages = "36-48",
doi = "10.21455/si2025.1-3",
language = "Russian"
}
Скопировать ссылку в формате ГОСТ
Скопировать ссылку BibTex
Файлы:
Ключевые слова: сейсмология, машинное обучение, глубокие нейронные сети, свёрточные нейронные сети, обзор, анализ, мировой опыт
Аннотация: Произведён анализ мирового корпуса публикаций по теме применения свёрточных нейронных сетей в сейсмологии. Более 80 научных работ было включено в обзор, который оформлен в виде анализа их распределения по нескольким группам характеристик. Перед обзором представлено наше собственное понимание рассматриваемого научного направления, при этом сделан акцент на таких ключевых моментах, как: проблема объёма данных, достаточного для качественного обучения нейросетей; трудности с формализацией выбора подходящей архитектуры создаваемых нейросетей; отсутствие консенсуса среди исследователей по оптимальным методам предварительной подготовки данных. Описывается методика поискового процесса, приводится список научных баз данных, содержащих ссылки на публикации со всего мира. Обзор начинается с исследования многолетней динамики публикационной активности по данной теме с выявлением специфических этапов, когда научный прогресс шёл с разной скоростью. Интерпретация выявленных закономерностей может быть полезна при прогнозировании дальнейшего развития выбранного направления. Следом анализируется и интерпретируется распределение собранного материала по тем задачам, которые предъявляются сейсмологами к создаваемым ими свёрточным нейронным сетям. В результате выявляются самые актуальные темы современности и те из них, которые не получили пока должного внимания исследователей. Завершает обзор анализ проблемы подготовки данных перед подачей создаваемым нейросетям для обучения и работы: разные методы предподготовки данных анализируются путём сравнения их достоинств и недостатков.
Список литературы: Кислов К.В., Гравиров В.В., Винберг Ф.Э. Возможности предподготовки сейсмических данных для анализа глубокой нейронной сетью // Физика Земли. 2020. № 1. С.150–162. https://doi.org/10.31857/S0002333720010056
Конюхов Г.М. Новый подход в обработке данных наземного микросейсмического монито-ринга на основе сверточной нейронной сети // Науки о Земле. Современное состояние: Материалы VI Всероссийской молодежной научно-практической школы-конференции, Геологический полигон “Шира”, 30 июля – 5 августа 2023 г. Новосибирск: НГУ, 2023. С.22–24.
Силкин К.Ю. Новые эвристики на основе вейвлет-анализа записи одиночного датчика для распознавания землетрясений и взрывов // Сейсмические приборы. 2022а. Т. 58, № 3. С.5–24. https://doi.org/10.21455/si2022.3-1
Силкин К.Ю. Двоичные отпечатки результатов вейвлет-анализа записи сейсмического со-бытия как инструмент формирования его компактного образа для целей нейросетевого распознавания // Российский сейсмологический журнал. 2022б. Т. 4, № 4. C.42–55. https://doi.org/10.35540/2686-7907.2022.4.03
Силкин К.Ю. Свёрточные нейронные сети и двоичные отпечатки как инструмент для рас-познавания природы сейсмических событий // Российский сейсмологический журнал. 2024а. Т. 6, № 3. С.77–92. https://doi.org/10.35540/2686-7907.2024.3.05
Силкин К.Ю. Trova – инструмент для моделирования глубоких нейронных сетей с приме-нением в сейсмологии // Современные методы обработки и интерпретации сейсмологических данных: Тезисы XVIII Международной сейсмологической школы, Витебск, 9–13 сентября 2024 г. / Отв. ред. А.А. Маловичко. Обнинск: ФИЦ ЕГС РАН, 2024. С.82.
Ульянов Н.А., Яскевич С.В., Дергач П.А., Яблоков А.В. Детекция записей слабых локальных землетрясений с использованием нейронных сетей // Геофизические технологии. 2021. № 2. С.13–23. https://doi.org/10.18303/2619-1563-2021-2-13
Aggarwal Ch.C. Neural Networks and Deep Learning: A Textbook. Cham: Springer, 2018. 497 p. https://doi.org/10.1007/978-3-319-94463-0
Brandusoiu I.B., Toderean G.I. How to Fine-tune Neural Networks for Classification. Bucharest: GAER Publishing House, 2020. 78 p.
Ertuncay D., De Lorenzo A., Costa G. Seismic signal discrimination of earthquakes and quarry blasts in North-East Italy using deep neural networks // Pure Appl. Geophys. 2024. V. 181, Iss. 4. P.1139–1151. https://doi.org/10.1007/s00024-024-03440-0
Hakim A.R., Saputro A.H., Rohadi S., Adi S.P., Karnawati D. Classification of earthquake ob-servation stations using multiple input convolutional neural network method // IOP Confer-ence Series: Earth Environ. Sci. 2023. V. 1276. Art. 012046. 7 p. https://doi.org/10.1088/1755-1315/1276/1/012046
Jiao P., Alavi A.H. Artificial intelligence in seismology: Advent, performance and future trends // Geosci. Front. 2020. V. 11, Iss. 3. P.739–744.https://doi.org/10.1016/j.gsf.2019.10.004
Khurshid Z., Mohammadigheymasi H., Gao D., Liu J., Mousavi S.M. Deep scanning of the Bhu-tan Eastern Himalaya seismic dataset for local earthquakes // EGU General Assembly 2024, Vienna, 14–19 April 2024. Paper No. EGU24-20056. https://doi.org/10.5194/egusphere-egu24-20056
Li L., Wang W., Yu Z., Chen Y. CREDIT-X1local: A reference dataset for machine learning seismology from ChinArray in Southwest China // Earthq. Sci. 2024. V. 37, Iss. 2. P.139–157. https://doi.org/10.1016/j.eqs.2024.01.018
Loginov G.N., Duchkov A.A., Litvichenko D.A., Alyamkin S.A. Convolution neural network application for first-break picking for land seismic data // Geophys. Prosp. 2022. V. 70, Iss. 7. P.1093–1115. https://doi.org/10.1111/1365-2478.13192
Mohammadigheymasi H., Tavakolizadeh N., Matias L., Mousavi S.M., Moradichaloshtori Ya., Mousavirad S.J., Fernandes R. A data set of earthquake bulletin and seismic waveforms for Ghana obtained by deep learning // Data in Brief. 2023. V. 47. Art. 108969. 8 p. https://doi.org/10.1016/j.dib.2023.108969
Mousavi S.M., Beroza G.C. Deep-learning seismology // Science. 2022. V. 377, Iss. 6607. Art. EABM4470. 12 p. https://doi.org/10.1126/science.abm4470
Mousavi S.M., Ellsworth W.L., Zhu W., Chuang L.Y., Beroza G.C. Earthquake transformer – An attentive deep-learning model for simultaneous earthquake detection and phase picking // Nat. Commun. 2020. V. 11. Art. 3952. 12 p. https://doi.org/10.1038/s41467-020-17591-w
Ross Z.E., Meier M.-A., Hauksson E. P-wave arrival picking and first-motion polarity determination with deep learning // J. Geophys. Res. Solid Earth. 2018. V. 123, Iss. 6. P.5120 5129. https://doi.org/10.1029/2017JB015251
Szegedy Ch., Liu W., Jia Y., Sermanet P., Reed S., Anguelov D., Erhan D., Vanhoucke V., Rabinovich A. Going deeper with convolutions // Proc. 2015 IEEE Conference on Computer Vi-sion and Pattern Recognition (CVPR), Boston, MA, 07–12 June 2015. P.1–9. https://doi.org/10.1109/CVPR.2015.7298594
Zhang Y., Zhan Ch., Huang Q., Sornette D. Forecasting future earthquakes with deep neural networks: Application to California // Geophys. J. Int. 2025. V. 240, Iss. 1. P.81–95. https://doi.org/10.1093/gji/ggae373
Zhao M., Xiao Zh., Chen Sh., Fang L. DiTing: A large-scale Chinese seismic benchmark dataset for artificial intelligence in seismology // Earthq. Sci. 2023. V. 36, Iss. 2. P.84–94. https://doi.org/10.1016/j.eqs.2022.01.022
Конюхов Г.М. Новый подход в обработке данных наземного микросейсмического монито-ринга на основе сверточной нейронной сети // Науки о Земле. Современное состояние: Материалы VI Всероссийской молодежной научно-практической школы-конференции, Геологический полигон “Шира”, 30 июля – 5 августа 2023 г. Новосибирск: НГУ, 2023. С.22–24.
Силкин К.Ю. Новые эвристики на основе вейвлет-анализа записи одиночного датчика для распознавания землетрясений и взрывов // Сейсмические приборы. 2022а. Т. 58, № 3. С.5–24. https://doi.org/10.21455/si2022.3-1
Силкин К.Ю. Двоичные отпечатки результатов вейвлет-анализа записи сейсмического со-бытия как инструмент формирования его компактного образа для целей нейросетевого распознавания // Российский сейсмологический журнал. 2022б. Т. 4, № 4. C.42–55. https://doi.org/10.35540/2686-7907.2022.4.03
Силкин К.Ю. Свёрточные нейронные сети и двоичные отпечатки как инструмент для рас-познавания природы сейсмических событий // Российский сейсмологический журнал. 2024а. Т. 6, № 3. С.77–92. https://doi.org/10.35540/2686-7907.2024.3.05
Силкин К.Ю. Trova – инструмент для моделирования глубоких нейронных сетей с приме-нением в сейсмологии // Современные методы обработки и интерпретации сейсмологических данных: Тезисы XVIII Международной сейсмологической школы, Витебск, 9–13 сентября 2024 г. / Отв. ред. А.А. Маловичко. Обнинск: ФИЦ ЕГС РАН, 2024. С.82.
Ульянов Н.А., Яскевич С.В., Дергач П.А., Яблоков А.В. Детекция записей слабых локальных землетрясений с использованием нейронных сетей // Геофизические технологии. 2021. № 2. С.13–23. https://doi.org/10.18303/2619-1563-2021-2-13
Aggarwal Ch.C. Neural Networks and Deep Learning: A Textbook. Cham: Springer, 2018. 497 p. https://doi.org/10.1007/978-3-319-94463-0
Brandusoiu I.B., Toderean G.I. How to Fine-tune Neural Networks for Classification. Bucharest: GAER Publishing House, 2020. 78 p.
Ertuncay D., De Lorenzo A., Costa G. Seismic signal discrimination of earthquakes and quarry blasts in North-East Italy using deep neural networks // Pure Appl. Geophys. 2024. V. 181, Iss. 4. P.1139–1151. https://doi.org/10.1007/s00024-024-03440-0
Hakim A.R., Saputro A.H., Rohadi S., Adi S.P., Karnawati D. Classification of earthquake ob-servation stations using multiple input convolutional neural network method // IOP Confer-ence Series: Earth Environ. Sci. 2023. V. 1276. Art. 012046. 7 p. https://doi.org/10.1088/1755-1315/1276/1/012046
Jiao P., Alavi A.H. Artificial intelligence in seismology: Advent, performance and future trends // Geosci. Front. 2020. V. 11, Iss. 3. P.739–744.https://doi.org/10.1016/j.gsf.2019.10.004
Khurshid Z., Mohammadigheymasi H., Gao D., Liu J., Mousavi S.M. Deep scanning of the Bhu-tan Eastern Himalaya seismic dataset for local earthquakes // EGU General Assembly 2024, Vienna, 14–19 April 2024. Paper No. EGU24-20056. https://doi.org/10.5194/egusphere-egu24-20056
Li L., Wang W., Yu Z., Chen Y. CREDIT-X1local: A reference dataset for machine learning seismology from ChinArray in Southwest China // Earthq. Sci. 2024. V. 37, Iss. 2. P.139–157. https://doi.org/10.1016/j.eqs.2024.01.018
Loginov G.N., Duchkov A.A., Litvichenko D.A., Alyamkin S.A. Convolution neural network application for first-break picking for land seismic data // Geophys. Prosp. 2022. V. 70, Iss. 7. P.1093–1115. https://doi.org/10.1111/1365-2478.13192
Mohammadigheymasi H., Tavakolizadeh N., Matias L., Mousavi S.M., Moradichaloshtori Ya., Mousavirad S.J., Fernandes R. A data set of earthquake bulletin and seismic waveforms for Ghana obtained by deep learning // Data in Brief. 2023. V. 47. Art. 108969. 8 p. https://doi.org/10.1016/j.dib.2023.108969
Mousavi S.M., Beroza G.C. Deep-learning seismology // Science. 2022. V. 377, Iss. 6607. Art. EABM4470. 12 p. https://doi.org/10.1126/science.abm4470
Mousavi S.M., Ellsworth W.L., Zhu W., Chuang L.Y., Beroza G.C. Earthquake transformer – An attentive deep-learning model for simultaneous earthquake detection and phase picking // Nat. Commun. 2020. V. 11. Art. 3952. 12 p. https://doi.org/10.1038/s41467-020-17591-w
Ross Z.E., Meier M.-A., Hauksson E. P-wave arrival picking and first-motion polarity determination with deep learning // J. Geophys. Res. Solid Earth. 2018. V. 123, Iss. 6. P.5120 5129. https://doi.org/10.1029/2017JB015251
Szegedy Ch., Liu W., Jia Y., Sermanet P., Reed S., Anguelov D., Erhan D., Vanhoucke V., Rabinovich A. Going deeper with convolutions // Proc. 2015 IEEE Conference on Computer Vi-sion and Pattern Recognition (CVPR), Boston, MA, 07–12 June 2015. P.1–9. https://doi.org/10.1109/CVPR.2015.7298594
Zhang Y., Zhan Ch., Huang Q., Sornette D. Forecasting future earthquakes with deep neural networks: Application to California // Geophys. J. Int. 2025. V. 240, Iss. 1. P.81–95. https://doi.org/10.1093/gji/ggae373
Zhao M., Xiao Zh., Chen Sh., Fang L. DiTing: A large-scale Chinese seismic benchmark dataset for artificial intelligence in seismology // Earthq. Sci. 2023. V. 36, Iss. 2. P.84–94. https://doi.org/10.1016/j.eqs.2022.01.022
