地震震相數(shù)據(jù)是研究地球內(nèi)部結(jié)構(gòu)的重要資料。隨著近些年來(lái)地震觀測(cè)的不斷增多，地震記錄的數(shù)量飛速增長(zhǎng)，通過(guò)人工的方式已經(jīng)無(wú)法及時(shí)高效地從這些海量數(shù)據(jù)中提取震相走時(shí)信息。盡管研究人員提出了許多經(jīng)典的自動(dòng)拾取算法，然而這些方法往往對(duì)噪聲組成復(fù)雜的數(shù)據(jù)適應(yīng)性差，且拾取精度無(wú)法達(dá)到人工拾取水平。因此，在進(jìn)行層析成像等研究工作中，研究人員仍需通過(guò)人工或半自動(dòng)的方式拾取大量的震相，這限制了相關(guān)研究工作的效率和數(shù)據(jù)的利用程度。如何對(duì)海量地震數(shù)據(jù)進(jìn)行快速、高精度的自動(dòng)拾取，是影響地震學(xué)家對(duì)地球深部精細(xì)結(jié)構(gòu)進(jìn)行研究的重要問(wèn)題。
針對(duì)上述問(wèn)題，中國(guó)科學(xué)院地質(zhì)與地球物理研究所地球與行星物理院重點(diǎn)實(shí)驗(yàn)室王建副研究員團(tuán)隊(duì)與中國(guó)科學(xué)院大學(xué)電子與通信工程學(xué)院劉暢博士合作，以計(jì)算機(jī)視覺(jué)邊界檢測(cè)領(lǐng)域前沿的深度學(xué)習(xí)算法為基礎(chǔ)，提出了基于深度學(xué)習(xí)的端到端地震震相自動(dòng)拾取算法，命名為PickNet（圖1）。它將歸一化的原始波形記錄作為數(shù)據(jù)，輸出一個(gè)類脈沖序列，序列的最大值對(duì)應(yīng)的時(shí)刻即為震相的到時(shí)（圖2）。此前，震相拾取問(wèn)題被看做回歸問(wèn)題或者是語(yǔ)義分割問(wèn)題，基于深度學(xué)習(xí)算法的PickNet算法將將之看做邊界檢測(cè)問(wèn)題，將地震波形序列映射為尖銳的到時(shí)脈沖序列，具有更高的拾取精度和泛化能力。
圖1 PickNet算法網(wǎng)絡(luò)結(jié)構(gòu)圖。其中三角形表示上采樣，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(duì)應(yīng)臺(tái)站記錄（輸入）；（c和d）， 震相到時(shí)脈沖序列（理想輸出）； （e和f）， PickNet輸出（實(shí)際輸出）
他們?cè)谌毡?/span>Hi-net臺(tái)網(wǎng)的實(shí)際地震數(shù)據(jù)上檢驗(yàn)了PickNet算法并與人工拾取結(jié)果進(jìn)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(nèi)，60.75%（77.47%）的初至S波偏差在0.10秒（0.20秒）之內(nèi)（圖3）。從拾取數(shù)目方面看，PickNet獲得了約8倍于臺(tái)網(wǎng)中心提供的地震震相，對(duì)地震數(shù)據(jù)的利用更加充分。為了進(jìn)一步驗(yàn)證PickNet方法可以有效服務(wù)于地球深部結(jié)構(gòu)研究，他們將PickNet拾取的震相直接用于層析成像研究，僅使用了299個(gè)地震獲得的成像結(jié)果與此前使用數(shù)千個(gè)地震得到的速度結(jié)構(gòu)結(jié)較一致（圖4）。研究人員還利用該算法對(duì)中國(guó)地震局臺(tái)網(wǎng)、美國(guó)地震臺(tái)網(wǎng)記錄的數(shù)據(jù)進(jìn)行了測(cè)試，均取得了良好的效果。
圖3 PickNet在300個(gè)日本區(qū)域地震對(duì)應(yīng)的Hi-net臺(tái)網(wǎng)波形記錄上的拾取結(jié)果與JMA提供的人工拾取震相對(duì)比。（a）潛在震相數(shù)目（即地震數(shù)目乘以臺(tái)站數(shù)目）、PickNet自動(dòng)拾取數(shù)目、JMA人工拾取數(shù)目的對(duì)比。當(dāng)波形中的初至難以拾取時(shí)，PickNet輸出會(huì)全部為零，即此時(shí)對(duì)該波形記錄做拒識(shí)處理，這對(duì)保證所拾取震相的質(zhì)量十分重要；（b）同時(shí)被PickNet和人類專家拾取的震相的到時(shí)偏差對(duì)比
圖4 將PickNet拾取的震相數(shù)據(jù)直接用于層析成像反演得到的日本俯沖帶地區(qū)P波（左），S波（右）速度異常。成像結(jié)果揭示了菲律賓海板塊俯沖形態(tài)的變化、火山下方的低速體及其與低頻地震分布之間的聯(lián)系等，這些結(jié)果與前人層析成像結(jié)果有很好的一致性
PickNet方法具有以下優(yōu)點(diǎn)：
（1）準(zhǔn)：拾取精度接近人工拾取結(jié)果，拾取后的震相數(shù)據(jù)能直接用于研究地球內(nèi)部結(jié)構(gòu)；
（2）快：用一塊Nvidia Geforce GTX 1080Ti GPU約4分鐘能拾取20多萬(wàn)條地震波形記錄；
（3）多：拾取的走時(shí)數(shù)量是臺(tái)網(wǎng)中心提供的數(shù)量的幾倍；
（4）廣：理論上可適用于拾取其它后續(xù)震相。
該研究表明深度學(xué)習(xí)可以從海量的地震波形數(shù)據(jù)中自動(dòng)高效地挖掘震相數(shù)據(jù)，為地震學(xué)家提供了有效的工具，能加速人們對(duì)地球內(nèi)部結(jié)構(gòu)的了解。
研究成果發(fā)表于JGR: Solid Earth。（Wang J, Xiao Z, Liu C, et al. Deep‐Learning for Picking Seismic Arrival Times[J]. Journal of Geophysical Research: Solid Earth, 2019. DOI: 10.1029/2019JB017536）（原文鏈接）（PickNet方法已開(kāi)源，見(jiàn)鏈接）