通过监督机器学习和特征重要性提高地震事件的分类
Eman L Habbak1, Mohamed S Abdalzaher2, Adel S Othman3
1National Research Institute of Astronomy and Geophysics, ENDC Department, Cairo, 11421, Egypt. eman_habbak@nriag.sci.eg.
Scientific reports
|December 24, 2024
概括
这项研究开发了一种机器学习模型,使用地震数据准确区分自然地震 (EQ) 和采石场爆炸 (QB). 该模型仅用三个关键功能实现了100%的准确性.
科学领域:
- 地震学 地震学
- 地质物理学 地质物理学
- 机器学习应用 机器学习应用
背景情况:
- 对地震事件的准确分类对于地质学理解,危险减轻和公共安全至关重要.
- 在地震学中,区分自然地震 (EQ) 和人工采石场爆炸 (QB) 是一个重大挑战.
研究的目的:
- 提出和评估一种机器学习 (ML) 方法来区分地震事件 (EQ和QB).
- 通过特征选择和重要性分析,识别最有效的特征以准确地对地震事件进行分类.
主要方法:
- 将各种地震特征集成到一个统一的数据集中.
- 线性和非线性监督ML模型的培训和基准测试.
- 应用特征选择技术来精确确定关键的区分特征.
主要成果:
- 一个机器学习模型在EQ和QB之间实现了100%的区分精度.
- 功能重要性分析确定了角频率,事件功率和光谱比作为最关键的特征.
- 开发的模型表现优于几个基准线性和非线性模型.
结论:
- 机器学习,特别是经过精心挑选的特征,提供了一种高度有效的方法来区分地震事件.
- 鉴定的关键特征为地震和采石场爆炸之间的物理差异提供了有价值的见解.
- 这种方法提高了地震事件分类的准确性和可靠性.
