报告地点：腾讯会议ID：999 142 185

报告时间：2022-05-20 从 10:00 到 11:30

报告人：柴承平(美国橡树岭国家实验室)

报告人简介：

柴承平，美国橡树岭国家实验室。分别于2009年和2012年在中国科学技术大学地空学院获得地球物理专业学士和硕士学位。2017年获得美国宾夕法尼亚州立大学地球科学博士学位和计算机科学辅修学位。随后先后在美国田纳西大学和美国橡树林国家实验室从事博士后研究。2020年起在美国橡树岭国家实验室担任副研究员。主要研究领域有地壳地幔速度结构成像，地震参数反演，数据可视化，以及机器学习在地震学中的应用。在G3，GJI， GRL，JGR，SRL等期刊发表论文10余篇。担任EPSL，GJI，GRL，JGR，SRL等学术期刊审稿人。

报告题目：Using Machine Learning for Quality Control of Surface Waves

报告内容简介

地震面波信号被广泛的用于研究地球内部结构和地震震源。为了从大量面波信号中提取可靠和有效的信息，我们需要对面波信号进行质量筛查以避免复杂信号和背景噪声引起的假异常。通常，可靠的信号质量筛查是由专业人员对每个信号进行质量打分。对于大量的数据，这种质量筛查过程既耗时又耗力。我们利用人工智能技术进行面波信号质量筛查以提高效率。我们用40万个波形数据分别训练了基于逻辑回归，K-最近邻算法，支持向量机，随机森林，和人工神经网络算法的人工智能模型。比较这些模型，我们发现随机森林和人工神经网络优于其他算法并达到了92%的测试集准确度。我们还使用不属于训练集区域的地震信号对随机森林和人工神经网络模型进行了通用性测试。结果显示这两种模型和专业人员的准确度相当，但是仅需要0.4%的时间。我们的研究显示基于随机森林和人工神经网络的面波信号质量筛查算法可以用于自动排除面波相关测量数据中的异常值。