| Резюме PDF RUS. .PDF ENG | Полный текст PDF RUS |
Резюме. В статье представлен метод автоматической классификации сейсмических событий, направленный на поиск различий между землетрясениями и техногенными взрывами на основе алгоритма случайного леса. Модель использует только характеристики, извлекаемые из сигнала, записанного одной сейсмической станцией, без привлечения данных о местоположении или глубине источника. Вектор классифицирующих признаков формировался из амплитудных соотношений, а также временных, спектральных и фрактальных параметров сейсмограммы. Для обучения и тестирования был использован сбалансированный набор, включающий более 24 000 сейсмических записей из базы Pacific Northwest Curated Seismic Dataset. Точность обученной модели составила около 94 % на тестовой выборке. Анализ важности признаков показал, что наибольший вклад в распознавание внесли временные, фрактальные и спектральные параметры, что согласуется с особенностями формирования сигналов природного и техногенного происхождения. Полученные результаты показывают, что предложенный метод обеспечивает достоверное и надежное качество классификации и может применяться для автоматической фильтрации техногенных событий при сейсмическом мониторинге.
Ключевые слова:
автоматическая классификация, землетрясения, техногенные взрывы, машинное обучение, случайный лес, сейсмический сигнал, признаки волновой формы
Для цитирования: Имашев С.А., Нигматуллин Р.Р. Разделение взрывов и землетрясений на основе информативных характеристик сейсмического сигнала и методов машинного обучения. Геосистемы переходных зон, 2025, т. 9, № 4, с. 420–438.
https://doi.org/10.30730/gtrz.2025.9.4.420-438, https://www.elibrary.ru/alymzd
For citation: Imashev S.A., Nigmatullin R.R. Discrimination between explosions and earthquakes based on informative seismic signal features using machine learning methods. Geosistemy perehodnykh zon = Geosystems of Transition Zones, 2025, vol. 9, No. 4, pp. 420–438. (In Russ.).
https://doi.org/10.30730/gtrz.2025.9.4.420-438, https://www.elibrary.ru/alymzd
Список литературы
1. Kim W.Y., Aharonian V., Lerner-Lam A.L., Richards P.G. 1997. Discrimination of earthquakes and explosions in southern Russia using regional high-frequency three-component data from the IRIS/JSP Caucasus network. Bulletin of the Seismological Society of America, 87(3): 569–588. https://doi.org/10.1785/bssa0870030569
2. Hong T.-K. 2013. Seismic discrimination of the 2009 North Korean nuclear explosion based on regional source spectra. Journal of Seismology, 17(2): 753–769. https://doi.org/10.1007/s10950-012-9352-1
3. Kortstrom J., Uski M., Tiira T. 2016. Automatic classification of seismic events within a regional seismograph network. Computers & Geosciences, 87: 22–30. https://doi.org/10.1016/j.cageo.2015.11.006
4. Журавлев В.И., Лукк А.А., Сидорин А.Я. 2021. О проблемах выявления взрывов в каталогах землетрясений на примере Турции и Ирана. Сейсмические приборы, 57(1): 69–82. https://doi.org/10.21455/si2021.1-5
5. Koper K.D., Burlacu R., Armstrong A.D., Herrmann R.B. 2024. Classifying small earthquakes, explosions and collapses in the western United States using physics-based features and machine learning. Geophysical Journal International, 239(2): 1257–1270. https://doi.org/10.1093/gji/ggae316
6. Habbak E.L., Abdalzaher M.S., Othman A.S., Mansour H. 2024. Enhancing the classification of seismic events with supervised machine learning and feature importance. Scientific Reports, 14(1): 30638. https://doi.org/10.1038/s41598-024-81113-7
7. Kim W., Simpson D.W., Richards P.G. 1993. Discrimination of earthquakes and explosions in the eastern United States using regional high-frequency data. Geophysical Research Letters, 20(14): 1507–1510. https://doi.org/10.1029/93GL01267
8. Del Pezzo E. 2003. Discrimination of earthquakes and underwater explosions using neural networks. Bulletin of the Seismological Society of America, 93(1): 215–223. https://doi.org/10.1785/0120020005
9. Walter W.R., Matzel E., Pasyanos M.E., Harris D.B., Gok R., Ford S.R. 2007. Empirical observations of earthquake-explosion discrimination using P/S ratios and implications for the sources of explosion S-waves. In: Proceedings of the 29th Monitoring Research Review: Ground-Based Nuclear Explosion Monitoring Technologies, p. 684–693.
10. Orlic N., Loncaric S. 2010. Earthquake-explosion discrimination using genetic algorithm-based boosting approach. Computers & Geosciences, 36(2): 179–185. https://doi.org/10.1016/j.cageo.2009.05.006
11. Wang R., Schmandt B., Kiser E. 2020. Seismic discrimination of controlled explosions and earthquakes near Mount St. Helens using P/S ratios. JGR Solid Earth, 125(10). https://doi.org/10.1029/2020jb020338
12. Saad O.M., Inoue K., Shalaby A., Sarny L., Sayed M.S. 2018. Autoencoder based features extraction for automatic classification of earthquakes and explosions. In: Proceedings of 17th International Conference on Computer and Information Science (ICIS). Singapore, p. 445–450. https://doi.org/10.1109/icis.2018.8466464
13. Kong Q., Wang R., Walter W.R., Pyle M., Koper K., Schmandt B. 2022. Combining deep learning with physics based features in explosion-earthquake discrimination. Geophysical Research Letters, 49(13). https://doi.org/10.1029/2022gl098645
14. Ertuncay D., Lorenzo A.D., Costa G. 2024. Seismic signal discrimination of earthquakes and quarry blasts in North-East Italy using deep neural networks. Pure and Applied Geophysics, 181(4): 1139–1151. https://doi.org/10.1007/s00024-024-03440-0
15. Kim S., Lee K., You K. 2020. Seismic discrimination between earthquakes and explosions using support vector machine. Sensors, 20(7): 1879. https://doi.org/10.3390/s20071879
16. Hong M., Zhang H., Wu L., Chen J., Dai L., Wang L. 2025. Using deep convolutional neural networks for earthquake and explosion classification. IEEE Access, 13: 56144–56159. https://doi.org/10.1109/access.2025.3552127
17. Houng S.E. 2017. Discrimination between natural earthquakes and explosions based on the azimuthal distribution of S/P amplitude ratios. Bulletin of the Seismological Society of America, 108(1): 218–229. https://doi.org/10.1785/0120160322
18. Силкин К.Ю. 2022. Новые эвристики на основе вейвлет-анализа записи одиночного датчика для распознавания землетрясений и взрывов. Сейсмические приборы, 58(3): 5–24. https://doi.org/10.21455/si2022.3-1
19. Ni Y., Hutko A., Skene F., Denolle M., Malone S., Bodin P., Hartog R., Wright A. 2023. Curated Pacific Northwest AI-ready Seismic Dataset. Seismica, 2(1). https://doi.org/10.26443/seismica.v2i1.368
20. Kharita A., Denolle M.A., West M.E. 2024. Discrimination between icequakes and earthquakes in southern Alaska: an exploration of waveform features using Random Forest algorithm. Geophysical Journal International, 237(2): 1189–1207. https://doi.org/10.1093/gji/ggae106
21. Abdalzaher M.S., Moustafa S.S.R., Abd-Elnaby M., Elwekeil M. 2021. Comparative performance assessments of machine-learning methods for artificial seismic sources discrimination. IEEE Access, 9: 65524–65535. https://doi.org/10.1109/access.2021.3076119
22. Морозов А.Н. 2008. Метод идентификации взрывной сейсмичности на территории Архангельской области. Вестник КРАУНЦ. Науки о Земле, 1(11): 177–184.
23. Fisk M.D. 2006. Source spectral modeling of regional P/S discriminants at Nuclear Test Sites in China and the Former Soviet Union. Bulletin of the Seismological Society of America, 96(6): 2348–2367. https://doi.org/10.1785/0120060023
24. Сычев В.Н., Имашев С.А. 2017. Оценка параметра Херста сейсмического сигнала. Геосистемы переходных зон, 1(2): 50–61. http://dx.doi.org/10.30730/2541-8912.2017.1.2.050-061
25. Imashev S., Cheshev M., Mishchenko M. 2019. Fractal analysis of seismoacoustic signals of near-surface sedimentary rocks in Kamchatka. Geofizika, 36(2): 153–169. https://doi.org/10.15233/gfz.2019.36.15
26. Breiman L. 2001. Random Forests. Machine Learning, 45(1): 5–32. https://doi.org/10.1023/a:1010933404324
27. Elkhouly S.H., Ali G. 2024. Seismic discrimination between nuclear explosions and natural earthquakes using multi-machine learning techniques. Pure and Applied Geophysics. https://doi.org/10.1007/s00024-024-03463-7
28. Pedregosa F., Varoquaux G., Gramfort A., Michel V., Thirion B., Grisel O., Blondel M., Louppe G., Prettenhofer P., Weiss R. 2011. Scikit-learn: machine learning in Python. Journal of Machine Learning Research, 12: 2825–2830.