集体学习提高了微地震信号分类在山体滑坡地震监测中的效率

科学领域:

• 地质物理学 地质物理学
• 地质技术工程 地质技术工程
• 机器学习 机器学习

背景情况:

• 深处的山体滑坡会从爬行滑动和剪切裂变事件中产生微地震信号.
• 这些信号的准确分类对于滑坡监测和机械过程解释至关重要.
• 机器学习提供了一种强大的方法,可以在山体滑坡研究中增强微地震信号分类.

研究的目的:

• 评估经典和整体机器学习算法的性能,用于分类来自深层滑坡的微地震信号.
• 为了比较不同机器学习模型在解释滑坡运动中的有效性.
• 建立一个微地震事件数据库,用于滑坡地震监测.

主要方法:

• 部署了八个三轴地震传感器,用于为期一年的连续监测Jiuxianping山体滑坡.
• 使用地震事件识别和长期平均/短期平均比率的数据处理.
• 将4131个微地震事件分为八个类别的手动分类,以创建一个数据库.
• 使用准确性,精度和回忆指标测试和评估经典 (决策树) 和整体 (随机森林,梯度增强树,XGBoost,LightGBM) 机器学习算法.

主要成果:

• 与最好的经典算法 (决策树为88.75%) 相比,集体学习算法获得了更高的准确性 (93.5%-94.2%).
• 组合方法在精度,回忆和F1分数的联合评估中表现出卓越的表现.
• 在特定的微地震事件类别分类测试中观察到一致的结果.

结论:

• 整体机器学习算法在深层山体滑坡中显著优于微地震信号分类的经典算法.
• 这些发现支持使用集体学习来改进山体滑坡地震监测和机械过程解释.
• 这项研究提供了一个强大的方法来分析滑坡引起的微地震性.