科研人員提出基於深度學習的地震震相自動拾取演算法

地震震相數據是研究地球內部結構的重要資料。隨著近些年來地震觀測的不斷增多，地震記錄的數量飛速增長，通過人工的方式已經無法及時高效地從這些海量數據中提取震相走時信息。儘管研究人員提出了許多經典的自動拾取演算法，然而這些方法往往對雜訊組成複雜的數據適應性差且拾取精度無法達到人工拾取水平。因此，在進行層析成像等研究工作中，研究人員仍需通過人工或半自動的方式拾取大量的震相，這限制了相關研究工作的效率和數據的利用程度。如何對海量地震數據進行快速、高精度的自動拾取，是影響地震學家對地球深部精細結構進行研究的重要問題。

針對上述問題，中國科學院地質與地球物理研究所地球與行星物理重點實驗室副研究員王建團隊與中國科學院大學電子與通信工程學院博士劉暢合作，以計算機視覺邊界檢測領域前沿的深度學習演算法為基礎，提出了基於深度學習的端到端地震震相自動拾取演算法，命名為PickNet（圖1）。它將歸一化的原始波形記錄作為數據，輸出一個類脈衝序列，序列的最大值對應的時刻即為震相的到時（圖2）。此前，震相拾取問題被看作回歸問題或者是語義分割問題，基於深度學習演算法的PickNet演算法將其看作邊界檢測問題，將地震波形序列映射為尖銳的到時脈衝序列，具有更高的拾取精度和泛化能力。

他們在日本Hi-net台網的實際地震數據上檢驗了PickNet演算法並與人工拾取結果進行比較。從拾取精度方面看，在PickNet和人類專家共同拾取的震相中，73.91%（85.41%）的初至P波偏差在0.05秒（0.10秒）之內，60.75%（77.47%）的初至S波偏差在0.10秒（0.20秒）之內（圖3）。從拾取數目方面看，PickNet獲得了約8倍於台網中心提供的地震震相，對地震數據的利用更加充分。為了進一步驗證PickNet方法可以有效服務於地球深部結構研究，他們將PickNet拾取的震相直接用於層析成像研究，僅使用了299個地震獲得的成像結果，與此前使用數千個地震得到的速度結構結較一致（圖4）。研究人員還利用該演算法對中國地震局台網、美國地震台網記錄的數據進行了測試，均取得了良好的效果。

PickNet方法具有以下優點：

（1）准：拾取精度接近人工拾取結果，拾取後的震相數據能直接用於研究地球內部結構。

（2）快：用一塊Nvidia Geforce GTX 1080Ti GPU約4分鐘能拾取20多萬條地震波形記錄。

（3）多：拾取的走時數量是台網中心提供的數量的幾倍。

（4）廣：理論上可適用於拾取其它後續震相。

該研究表明深度學習可以從海量的地震波形數據中自動高效地挖掘震相數據，為地震學家提供了有效的工具，能加速人們對地球內部結構的了解。

研究成果發表於JGR: Solid Earth。

圖1 PickNet演算法網路結構圖。其中三角形表示上採樣，圓圈與十字的組合表示殘差單元

圖2 PickNet輸入輸出示意圖。（a和b），P波、S波對應台站記錄（輸入）；（c和d），震相到時脈衝序列（理想輸出）；（e和f），PickNet輸出（實際輸出）

圖3 PickNet在300個日本區域地震對應的Hi-net台網波形記錄上的拾取結果與JMA提供的人工拾取震相對比。（a）潛在震相數目（即地震數目乘以台站數目）、PickNet自動拾取數目、JMA人工拾取數目的對比。當波形中的初至難以拾取時，PickNet輸出會全部為零，即此時對該波形記錄做拒識處理，這對保證所拾取震相的質量十分重要；（b）同時被PickNet和人類專家拾取的震相的到時偏差對比

圖4 將PickNet拾取的震相數據直接用於層析成像反演得到的日本俯衝帶地區P波（左），S波（右）速度異常。成像結果揭示了菲律賓海板塊俯衝形態的變化、火山下方的低速體及其與低頻地震分布之間的聯繫等，這些結果與前人層析成像結果有很好的一致性

來源：中國科學院地質與地球物理研究所

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！