轻量级卷积神经网络用于在新西兰边缘设备上的实时地震P波检测
Danuka Ravishan1, Raj Prasanna2, Pasan Herath3
1Joint Centre for Disaster Research, Massey University, Wellington, New Zealand. 22008603@massey.ac.nz.
Scientific reports
|March 2, 2026
概括
一个新的轻量级深度学习模型可以为预警系统快速准确地检测地震P波. 这种高效的方法在边缘设备上工作,提高了地震警报的可靠性和速度.
科学领域:
- 地震学 地震学
- 人工智能的人工智能
- 边缘计算 边缘计算
背景情况:
- 地震预警 (EEW) 非常依赖于快速而准确的P波检测.
- 像STA/LTA这样的传统方法面临着噪音和延迟的挑战.
- 深度学习模型的高计算需求阻碍了它们在资源有限的边缘设备上部署.
研究的目的:
- 开发一种轻量级的深度学习模型,用于在边缘硬件上实时检测P和S波.
- 优化深度学习以实现低延迟,高精度的地震波识别.
- 通过高效的边缘计算解决方案实现分散的EEW网络.
主要方法:
- 一个轻量级的卷积神经网络 (CNN) 设计用于地震波形分析.
- 该模型在来自新西兰强运动传感器的约89,000个地震波形段上进行了训练.
- 优化侧重于最小的可训练参数和Raspberry Pi 5上的7毫秒以下的推断时间.
主要成果:
- 该模型在P波检测方面实现了97.12%的整体准确性.
- 它正确识别了98%的P波段.
- 证明了高效的边缘计算性能,具有38K可训练参数和快速推断.
结论:
- 轻量级的CNN为边缘设备的实时P和S波检测提供了强大而高效的解决方案.
- 该模型的性能和通用化能力适合集成到分布式EEW系统中.
- 这种方法提高了地震预警的速度和可靠性.