Browsing by Author "Wu, Yu-Siang"

Filter results by typing the first few letters
Now showing 1 - 1 of 1
  • No Thumbnail Available
    Item
    基於單類別分類之構造長微震偵測架構設計
    (2021) 吳宇翔; Wu, Yu-Siang
    在臺灣，自發型構造長微震（以下簡稱「長微震」）之好發區域為中央山脈南段，具有(1)持續時間長，可達數分鐘至數小時、(2)不具明顯可見之體波、(3)能量富集於2至8 Hz間，並可在數十公里遠的測站有幾乎一致的到時特性，而偵測手段仰賴多測站的包絡化波形進行互相關係數與測站間到時差。前人研究也發現，在臺灣進行長微震偵測時，較吵雜的背景噪訊與短時間密集發生的區域地震（震央距50-200公里）容易與長微震波形混淆，使最終的長微震目錄底定必須經過人工目視，較為耗時且涉及主觀成分。為探索以機器學習進行地震與長微震自動分類的可能，本研究以k-最近鄰居法搭配29項特徵對2016年間5,796筆區域地震與6,746筆長微震事件進行分類，搭配循序向前特徵選取法（Sequential Forward Feature Selection）達到96.4至99.1 %分類率，初步證明運用機器學習於長微震分類上之可行性。然而訓練多類別分類器必須針對所有類別進行定義、抽樣與標籤化，難以實現於連續偵測。本研究進一步以單類別分類器支援向量資料描述（Support Vector Data Description），設計長微震連續偵測架構，其優勢在於只需要長微震資料進行訓練，而不需針對大量類別進行處理。藉由設立多測站投票制度與持續時間門檻以及使用2016年1月1日至7月18日長微震事件進行訓練，本研究成功於2016年7月19日至9月10日，使用三個測站偵測出共132,240秒長微震。當提升測站數至九站，只使用水平分量於單站決策並在多站投票時以各站訊噪比為權重，偵測出總計10,620秒的長微震事件，但經目視後保留之事件比例，從使用三站的5.8 %提升至九站的31.6 %，證實了應用單類別分類於多站長微震偵測的可行性。