随着水库、隧道的建设，这些建设活动中的边坡产生的滑坡微地震事件为滑坡灾害预警分析提供了有效的监测手段^[1]。因此有效的对天然地震、爆破、滑坡微地震事件进行区分具有重要的意义。而随着多尺度台站的布设，自动化检测方法的发展完善^[2-3]，大量的震动事件被记录，自动高效的区分类别的信号为分析天然地震、滑坡微地震事件，分析区域危险性同样具有重要意义。

为对不同的信号进行区分，研究者进行了大量细致的研究工作。目前主要分为两个技术方向：第一个方向即人工构建信号特征，并使用机器学习算法对信号进行分类^[4-11]，这种技术路线需要对信号本身特征有细致的分析和建模，优势是结果鲁棒性较好，具备较强的泛化能力。比较有代表性的工作包括Tang等^[11]基于Pg/Sg振幅谱结合支持向量机对地震、爆破和诱发地震进行了分类，任涛等^[7]基于复杂度、频谱比、自相关系数和集成学习方法对地震进行分类，Kim等^[6]基于频谱特征对不同的爆炸事件进行了分类，王婷婷等^[8]基于时频分析、单变量分析、P/S振幅比、主成分分析等结合传统机器学习算法构建了地震自动分类软件。但是人工构建特征需要仔细调整特征参数，在对复杂波形进行分类的过程中难以构建复杂的决策模型。

第二个方向是基于深度神经网络对信号进行分类，深度神经网络本身可以对信号进行建模，进而对事件类型进行分类。目前基于深度神经网络的研究分为两个策略，一些研究者对原始波形数据进行了预处理，提取波形的频谱特征。比如陈润航等^[12]对波形中的梅尔频率倒谱系数进行了提取，黎炳君等^[13]对信号的短时傅里叶变换特征进行了提取，进而对波形进行分类。另外一些研究者对原始波形直接进行处理，比如Titos等^[14]基于循环神经网络直接使用频谱进行分类。基于深度神经网络的方法可以形成复杂的决策模型，但是对训练数据需求较大，一个高精度的深度学习模型需要大量的数据进行训练。但是滑坡、爆破事件人工标注数据较少，难以满足深度学习模型训练的要求。

近年来，通用模型得到了较大的发展， BERT^[15]、GPT^[16-18]模型在自然语言处理过程中发挥了重要作用。BERT模型在预训练完成后仅需少量数据的迁移即可完成特定的工作。而GPT3为代表的自然语言大模型可以不经过预训练（或极少量）^[18]，仅通过调整提示词即可适用于新的任务。通用预训练模型可以有效的减少深度学习模型训练的样本标注成本。在地震学研究中，Yu等^[19]发布了PRIME-DP单台预训练模型，该模型可以用于震相检测、地震分类、初动检测，其仅需要少量数据进行迁移学习即可以适用于地震分类任务。

为能够自动化、高精度的对地震事件进行分类，本研究加入了滑坡微地震事件对PRIME-DP模型进行训练，进一步增加模型的分类能力。在训练前仅对数据进行归一化，模型对原始的波形数据进行处理，直接输出地震类别。因为预训练模型后仅需要少量数据即可完成分类，我们仅使用681个数据对模型进行训练，其中103个天然地震事件，244个爆破事件，72个塌陷事件，262个滑坡微地震事件。训练后的模型可以用于滑坡微地震事件分类，同时我们对比分析了黎炳君等^[13]基于STFT特征的深度神经网络分类算法。

PRIME-DP预训练模型是由Yu等^[19]发布的用于地震数据处理的预训练模型。其以原始的三分量波形数据作为输入，经过神经网络模型处理后可以完成Pg/Sg/Pn/Sn震相检测；P波初动极性分类；地震分类等多方面的工作。在目前开源的模型中，除地震类别外还可以自定义分类器、回归器完成单台震中距估计、单台震中角估计、信噪比估计等更多的任务。我们使用其推荐的处理流程如图1所示：

图1 基于PRIMEDP预训练模型的分类任务建模流程Fig.1 Modeling process of classification tasks based on PRIME-DP pre-training

可以看到在分类的过程中预训练模型部分不参与训练。在此过程中根据PRIME-DP要求加入了新的任务ID作为输入。对应的输出为本文所需的分类特征向量v∈R¹⁰²⁴。而后在特征向量基础上构建了逻辑回归算法，训练过程中仅有逻辑回归部分的参数。其计算方式为：

y=v⋅w + b（1）

式（1）中w∈R^1024×4，因为预训练过程中加入了类别信息，因此迁移学习过程中不需要加入复杂的多层神经网络模型。这使得模型可训练参数数量极大的减少，仅有四千个（1024×4），这可以减少所需训练数据的数量。

模型在训练过程中我们使用了PRIME-DP迁移学习训练使用的内蒙古地区分类数据，并且加入了四川省大渡河流域的黄草坪滑坡上放置的四个台站所记录的滑坡微地震事件，其位置如图2所示。

图2 布设在大渡河流域黄草坪滑坡体（黄色曲线勾勒出）上的地震台（红色圆点） Fig.2 Seismic stations（red dots）deployed on Huangcaoping landslide body（delineated by yellow dash line）in Dadu River Basin

结合Yu等^[19]的训练数据以及人工标注的滑坡微地震事件，我们获得了多个类别的标注数据。

如图3所示，我们选择了四种类型地震事件。天然地震（EP）；爆破（EP）；塌陷（SS）；微地震（ME）。其中天然地震、爆破、塌陷我们选择了Yu等使用的内蒙地区数据，微地震事件使用黄草坪记录的人工标注数据。数据在截取过程中我们选择地震事件前随机20 s作为起始时间，从起始时间截取102.4 s的100 Hz三分量波形作为训练的输入，并且对三分量数据进行统一的归一化：

式（2）中w∈R^3×10240，为三分量波形数据。由于PRIME-DP预训练模型已经训练完成，因此虽然我们在展示时进行了滤波，但是在训练过程中我们使用原始数据进行的训练。

训练数据总计681个，其中103个天然地震事件，244个爆破事件，72个塌陷事件，262个微地震事件。训练过程中我们使用60%作为训练集， 40%作为测试集。由于基于预训练模型进行处理，因此模型结构简单，无需调整超参数，因此并未划分验证集。

图3 训练数据示意图（0.5～20 Hz带通滤波） Fig.3 Training data（bandpass filtering of 0.5-20 Hz）

训练过程中为方便对比，所有模型均统一为1e-3学习率固定不变。实验和评估过程中我们使用测试集来进行，统计的参数为查全率（Recall， R）、查准率（Precsion，P）、F1分数（F1-Score）和混淆矩阵。在此我们定义被正确分类的样本数量为真阳性样本（True Positive samples，TP），非本类样本而被检测为本类的数量为假阳性样本（False Positive samples，FP），是本类样本而没有被正确分类的为假阴性样本（False Negative samples， FN）。此时P、R、F1计算方式为公式3：

混淆矩阵为不同样本被分类为不同类别的数量和频率。

在分类过程中如果一个事件被多个台站接收到，那么我们在计算的过程分别对每个台站进行分类，最后保留数量最多的类别作为本个地震的类别。按这种方案进行统计结果如表1所示。

统计的混淆矩阵如图4所示：

表1 不同类别的事件的精度统计Table 1 Classification accuracy of different types of event

图4 分类结果混淆矩阵Fig.4 Confusion matrix of classification results

可以看到，在分类过程中总的精度为94.3%，如表所示，在分类的过程中对于塌陷和爆破的分类精度较低，二者深度较浅，具有一定的相似性。而对于微地震事件的分类精度达到了98.3%，这是因为微地震事件特征较为明显，其持续时间较短， S波不发育。我们将不同预测结果绘制成图5：

图5 基于垂直分量的不同波形预测结果图Fig.5 Prediction results of different waveforms based on vertical components

如图5所示，我们绘制了被误拾取的结果图，这是以单个波形为基础绘制的。可以看到天然地震被分类为滑坡微地震事件的波形信噪比较低，此时难以有效的进行区分，而被分为爆破事件的波形中P波振幅较大，S波振幅较小。而爆破和塌陷的波形则较为复杂，在被划分为塌陷的爆破事件中则具有较多的低频成分，这与塌陷的波形时接近的。在被分为天然地震事件的微地震事件中，可以看到明细的微地震事件，而在微地震事件之后有少量噪声，此部分噪声导致识别过程中被分类为天然地震事件。

为测试预训练模型的作用同时测试深度特征的可用性，我们使用黎炳君等（2021）的模型进行了分类测试，测试与我们当前的模型进行了两种迭代，第一种迭代了与我们模型相同的1000次，第二迭代至训练数据精度不再变化，学习率均固定1e-3。另外我们在特征基础上构建了两层多层感知器模型，每层特征数量为128，使用GELU为激活函数，学习率固定位1e-3。测试结果如表2所示：

表2 不同模型精度对比Table 2 Precision comparison of different models

可以看到黎炳君等人迭代1000次结果精度是偏低的，分类精度79.4%，特别是对于天然地震的分类精度较低，这代表了模型在捕捉天然地震波形特征的过程中出现了问题。而迭代至精度不在发生变化后精度有所变化，分类精度为75.7%，不同类别精度有升有降。这是因为训练数据较少，受到样本随机性影响，精度会有所变化。但是相比于PRIME-DP预训练模型，精度依然较低，这说明预训练过程可以保证模型学习到波形本身的特征。使用MLP分类器精度为93.5%，这与逻辑回归模型相近，说明分类特征完备不需要非线性特征来进行更复杂的分类。

天然地震和非天然地震在分类过程中时域和频域中的特征均有所不同。滑坡微地震事件频率较高，持续时间较短；塌陷地震低频成分较多；爆破事件中P波振幅较大；而天然地震频带范围较宽。但这种结论并非是固定的，在图4的分类错误图中可以看到，爆破和塌陷事件中的一些波形本身是相似的。对于分类算法而言，依靠频谱特征进行分类可能会忽略更多用于分类的特征，因此STFT配合卷积神经网络分类的算法精度是偏低的。

而使用原始的波形作为输入可以有效的捕捉更多的特征，但是由于直接处理原始波形需要大量的训练数据，因此使用预训练模型可以有效的减少所需训练样本的数量，同时保证模型的鲁棒性和泛化能力。实验证明PRIME-DP所得的深度特征可以有效的提取用于地震分类的特征，而配合简单的逻辑回归算法即可完成地震分类工作。基于波形的方式可以更具有效的提取特征，使得分类精度得到较大的提升。

地震信号分类是一个复杂的工作，目前工作多集中于地震、爆破和塌陷中。我们的研究中不仅包含了已有的三个类别，还加入了滑坡微地震事件。这证明了PRIME-DP所代表的预训练模型可以在常规类别之外，对更多的地震动事件进行分类，为之后更多的泛震动事件分类提供了参考。最后我们开源了本模型，本文的程序结果在这里可以通过这个链接下载： https：//github. com/cangyeone/prime