第八届青年地学论坛

加速度数据是强震观测中重要的的观测方法，其数据不仅被应用在地震震源研究，同时也应用于地震工程学。然而，因为观测采样误差与仪器误差等限制，近场观测的加速度数据在经过两次积分得到位移数据的过程中，通常会受到较大的基线漂移的影响，即位移数据在记录中地震信号结束后仍以线性或抛物线进一步倾斜漂移。这类在观测数据中常见的基线偏移将进一步影响来自加速度观测的位移数据的可靠性，并影响同震位移进一步测量与估计，因此需要对数据中存在的基线偏移进行校正。高通滤波和多段基线拟合是常见的两类传统的基线校正翻翻，前者保留了数据中的高频成分但同时也去除了数据中的低频成分，并可能引入意外的相位移动；后者大多基于人工或预设规则对基线时间拐点的选择，具有较强的主观性。为了实现稳定、均一的加速度数据基线校正方法，我们基于深度学习模型提出了TraceNet。为了训练该神经网络模型，我们基于传统的多段基线校正方法的概念提出了新的合成基线方法，并在此基础上通过融合观测数据的方式构建了TraceNet的合成训练集。TraceNet的基线校正主要基于加速度数据经过一次积分后得到的速度数据上直接的偏移基线提取，通过在速度数据中减去网络提取的基线消除基线漂移的影响。在得到校正的速度数据后，通过进行第二次积分可以得到校正后的位移数据。并通过测量三分量位移数据中震前与震后的位移差可以从加速度数据中进一步测量该台站的同震位移。作为一种深度学习方法，TraceNet可以实现自动化的校正，且不会引入外部的主观因素。通过TraceNet作为统一方法恢复并提取的同震位移可以为大地形变测量提供新的参考。