Zemestrīču pēcgrūdienu hipocentru lokalizācija ar mašīnmācīšanos, izmantojot seismiskā avota fizikālās pazīmes

Abstract

Šajā bakalaura darbā tiek pētīta jauna pieeja seismisko pēcgrūdienu lokalizācijai, izmantojot mašīnmācīšanos un no seismogrammām iegūtās seismiskā avota fizikālās pazīmes. Pētījums balstīts uz 2014. gada Ikikes zemestrīces pēcgrūdienu sekvences analīzi, izmantojot seismogrammas, kas iegūtas no Integrētā Čīles plātņu robežu novērošanas tīkla. No iegūtajām seismisko viļņformu laika rindām ir izdalītas divas galvenās pazīmju grupas: seismiskā signāla statistiskās un intensitātes pazīmes, kā arī fizikālās pazīmes, kas raksturo seismisko viļņu polarizāciju un seismiskā avota īpašības, iegūtas, izmantojot Brūna seismiskā avota spektrālo modeli. Rezultāti parāda, ka avota fizikālo pazīmju un viļņu polarizācijas pazīmju izmantošana uzlabo uz seismisko viļņformu pazīmju balstīta mašīnmācīšanās modeļa veiktspēju hipocentra lokalizācijas uzdevumā.

This bachelor thesis develops a new approach for seismic aftershock location prediction, using machine learning and seismic source physics features derived from seismograms. The study is based on the analysis of the aftershock sequence of the 2014 Iquique earthquake, using seismograms obtained from the Integrated Plate Boundary Observatory Chile. From the obtained seismic waveforms, two main groups of features were extracted: statistical and intensity features of the seismic signal, as well as the seismic wave polarization and source physics properties, which were derived using Brune’s source spectral model. The results show that incorporating source physics and wave polarization features significantly improves the performance of the machine learning model based on seismic waveform features for the task of hypocenter localization.