基于孪生神经网络的台站对地震检测与震相拾取

地震检测和震相拾取是地震学的重要研究内容，是研究地震活动性及地球内部结构的数据基础。近年来，基于深度学习的地震检测与震相拾取方法研究发展迅速。由于该类方法在精度、速度、鲁棒性等方面优于传统方法，其逐渐为地震学行业所接受并应用在实际科学问题研究中。然而，即使是目前在最大的公开数据集STEAD（Mousavi et al., IEEE Access, 2019）上表现最优的深度学习模型Earthquake Transformer （EqT; Mousavi et al.,Nature Commucations, 2020）, 对实际数据中的高信噪比记录处理效果优异（图1a、图1b），但对低信噪比记录处理效果欠佳（图1c、图1d），存在较高的漏检率（false-negative rate）。

图1 EqT模型在高信噪数据（a, b）和低信噪比数据（c, d）上的检测示例。其中P、S和 EQ probability分别表示预测的P、S震相和地震信号的概率

减少低信噪比数据上的漏检率，有效提高地震观测数据利用率，对于提高地震定位精度及地球内部结构的层析成像分辨率具有重要意义。为此, 中科院地质与地球物理所矿产资源研究院重点实验室的博士生肖卓伟与导师王建研究员，联合国科大电子与通信工程学院刘畅博士和本所的李娟研究员、赵亮研究员、姚振兴院士，在前人EqT工作的基础上，结合计算机视觉中用于目标追踪的孪生神经网络方法（Bertinetto et al., ECCV, 2016），发展了一种基于孪生神经网络的台站对联合地震检测与震相拾取方法（Siamese Earthquake Transformer; S-EqT）。他们基于不同台站记录到的同一地震信号在深度学习隐空间（latent space）中具有相似性这一特点，利用自动检测出的高信噪比地震记录的特征图来搜索低信噪比记录中的弱地震信号。如图2与图3所示，S-EqT方法通过对台站对记录的特征图进行增强和互相关，可以检索回此前EqT方法遗漏的在低信噪比波形上的初至P和S波震相，进而提高对地震信号的检测能力。他们在人工噪声干扰较大的美国洛杉矶区域台阵观测的十四天连续波形数据上对EqT和S-EqT方法进行了定量的对比（图4）。对比表明S-EqT方法在保持与EqT方法相当精度的同时，从低信噪比数据中挖掘出了大量被遗漏的震相信号（图4c和4d），使得检测出的震相数目增加了约40%，提高了实际地震数据的有效利用率。

图2 地震信号在EqT模型和S-EqT模型P震相分支隐空间中的特征图。（a）高信噪比地震信号示例及EqT对其的拾取；（b）被EqT遗漏的低信噪比地震信号示例及S-EqT对其的拾取；（c）EqT模型示意图及对应示例隐藏层的位置；（d）高信噪比地震信号在EqT中的原始特征图；（e）低信噪比信号在EqT中的原始特征图；（f）高信噪比和低信噪比信号原始特征图的互相关；（g）高信噪比信号在S-EqT增强后的特征图；（h）低信噪比信号在S-EqT增强后的特征图；（i）高信噪比信号和低信噪比信号增强后的特征图的互相关；（j）低信噪比信号在EqT模型倒数第二层的响应；（k）低信噪比数据在S-EqT模型倒数第二层中的响应；（l）EqT模型对低信噪比信号的最终预测结果；（m）S-EqT模型对低信噪比信号的最终预测结果

图3 地震信号在EqT模型和S-EqT模型S震相分支隐空间中的特征图。各子图含义同图2

图4 EqT和S-EqT模型在洛杉矶区域台阵十四天连续记录上的对比。（a） P和S震相检测数目的对比；（b）单个台站检测出震相数目的对比箱线图，其中橘色线代表50分位数，绿色线代表平均值；（c） EqT和S-EqT检测出的P震相的信噪比分布；（d）EqT和S-EqT检测出的S震相的信噪比分布；（e-h）EqT和S-EqT拾取的P、S震相和SCSN人工标注的偏差分布

该研究不仅发展了一种有效的基于台站的多台地震检测与震相拾取方法，还展示了发掘及利用深度学习隐空间中的信息进行地震信号处理的应用前景和潜力，为基于地震台阵的地震检测、震相拾取及震相关联等研究工作提供了新思路。 

来源：中科院地质地球所