Earthquake Location and Magnitude Estimation with Graph Neural Networks
我们通过监督学习方法解决了地震位置和震级估计的传统问题，在这种方法中，我们训练一个图形神经网络来直接从输入拾取数据中预测估计值，每个输入都允许一个具有可变数量的台站和位置的不同地震网络。我们训练的模型使用合成模拟假设的旅行时间和振幅距离衰减模型。该体系结构使用一个图来表示站集，另一个图来表示模型空间。输入包括数据的理论预测，给定的模型参数，以及定义的图形的邻接矩阵链接空间局部元素。正如我们所展示的，这种组合表示上的图卷积在推理、数据融合和离群值抑制方面非常有效。我们将我们的结果与传统方法进行比较，并观察到良好的性能。
2022-03-10 physics.geo-ph
Earthquake Phase Association using a Bayesian Gaussian Mixture Model
震相关联算法是将地震台网采集到的震相信息聚合成单个地震的算法，在地震监测中发挥着重要作用。密集的地震台网和改进的相位拾取方法产生了大量的地震相位数据集，特别是对于在时间和空间上紧密发生的地震群和余震，使得相位关联成为一个具有挑战性的问题。我们提出了一种新的关联方法，高斯混合模型协会（GaMMA），结合高斯混合模型的相位测量（时间和振幅），地震位置，起源时间和震级估计。我们把地震相关联作为一个无监督的聚类问题的概率框架，其中每个地震对应于一个集群的P和S阶段的双曲线时差的到达时间和衰减的幅度与距离。我们使用一个多元高斯分布模型收集的相位拾取的事件，其平均值是由预测的到达时间和振幅从因果事件。我们为每个地震执行拾取分配并确定地震参数（即，地震位置、发震时间和震级）在极大似然准则下使用期望最大化（EM）算法。GAMMA方法不需要其他算法的典型关联步骤，例如网格搜索或监督训练。合成测试和2019年Ridgecrest地震序列的结果表明，GAMMA有效地将时间和空间密集地震序列的相位关联起来，同时对地震位置和震级进行了有用的估计。
2021-09-18 physics.geo-ph
A RELM earthquake forecast based on pattern informatics
我们提出了一个RELM预测未来的地震在加利福尼亚州，主要是基于模式信息学（PI）的方法。这种方法可以识别出地震活动性有系统波动的地区，而且已经证明是成功的。最初于2002年2月19日发布的南加州PI预测图成功地预测了过去三年中18次M>5地震中的16次。该方法也已成功应用于日本和世界各地。地震预报的另一种方法是相对烈度法。RI预测图是基于最近小地震的地震活动性水平。PI方法的最新进展显示出相当大的改进，特别是与使用相对操作特征（ROC）图进行二元预测的RI方法相比。RELM应用程序需要在五年期间内每个位置的多个震级箱的概率。因此，我们构建了一个混合预测，其中我们结合PI方法与RI方法来计算在任何位置发生的事件的概率图，而不仅仅是最可能的位置。这些概率进一步转换，使用古腾堡-里克特标度定律，可以使用RELM测试评估的未来地震的预期率。
2005-10-19 physics.geo-ph
Forecasting the rates of future aftershocks of all generations is essential to develop better earthquake forecast models
目前，性能最好和最流行的地震预报模型之一依赖于这样的工作假设：“过去背景地震的位置揭示了未来地震活动的可能位置”。作为替代方案，我们提出了一类平滑地震活动性模型（SSM）的基础上的流行病型余震序列（ETAS）模型的原则，预测的位置，时间和震级的所有未来地震使用的背景地震活动率和未来的余震率的估计。利用加州地震目录，我们制定了六个控制的伪前瞻性实验，三个目标震级阈值的不同组合：2.95，3.95或4.95和两个预测时间范围：1或5年。在这些实验中，我们比较了（1）空间均匀参数的ETAS模型或GETAS（2）空间可变参数的ETAS模型或SVETAS（3）三种基于去聚类的SSM（4）基于未聚类数据的简单SSM和（5）基于应变率数据的模型在许多测试期间预测所有（未聚类）目标地震的位置和震级的性能。在所有进行的实验中，SVETAS模型与所有竞争模型相比具有一致的优越性。SVETAS模型相对于基于去聚类的SSM的一致更好的性能突出了预测所有世代的未来余震对于开发更好的地震预报模型的重要性。在这两个ETAS模型本身中，考虑到参数的最佳空间变化，预测性能得到了强有力的、统计上显著的改善。
2019-03-17 physics.geo-ph
CREIME: A Convolutional Recurrent model for Earthquake Identification and Magnitude Estimation
在地震学中，特别是在地震预警（EEW）等应用中，地震参数（如震级）的检测和快速表征至关重要。传统上，诸如STA/LTA的算法用于事件检测，而从第一P到达数据的1-3秒计算的频域或幅度域参数有时用于提供（体波）幅度的第一估计。由于人类专家广泛参与参数确定，这些方法往往被发现是不够的。此外，这些方法对信噪比敏感，并且根据参数的选择，可能经常导致错误或遗漏的警报。因此，我们提出了一种多任务深度学习模型，即用于地震识别和震级估计的卷积递归模型（CREIME）：（i）从背景地震噪声中检测第一个地震信号，（ii）确定第一个P到达时间以及（iii）使用来自单个台站的原始3分量波形数据作为模型输入来估计震级。考虑到速度在EEW中至关重要，我们使用了长达两秒的P波信息，据我们所知，与以前的研究相比，这是一个明显更小的数据窗口（5秒窗口，P波数据）。为了检查CREIME的鲁棒性，我们在两个独立的数据集上对其进行了测试，发现它在事件与噪声鉴别方面的平均准确度达到了98%，并且能够分别以0.13秒和0.65个单位的平均均方根误差估计第一个P到达时间和局部震级。我们还将CREIME架构与其他基线模型的架构进行了比较，通过在相同的数据上训练它们，以及与传统算法（如STA/LTA）进行比较，并表明我们的架构优于这些方法。
2022-04-06 physics.geo-ph
Initial Foundation for Predicting Individual Earthquake's Location and Magnitude by Using Glass-Box Physics Rule Learner
Iowa State University（爱荷华州立大学）
尽管研究人员积累了关于地震成因和数十年地震数据的知识，但预测特定时间和地点即将发生的单个地震仍然是一个长期的谜。本研究假设，所观察到的数据隐藏的隐藏的规则，可以解开一个新的玻璃盒（而不是黑盒）物理规则学习（GPRL）框架。GPRL的两个基本要素--卷积信息索引和透明链接函数，在没有任何预定义的地震相关机制和统计规律的情况下，直接从数据中寻求规则的通用表达。GPRL的训练与10年的数据似乎确定合理的规则，这表明在岩石圈释放的能量的伪功率和伪涡度的组合。独立的可行性检验支持了所揭示的规则在预测地震震级和具体位置方面的前景。所确定的规则和GPRL尚处于起步阶段，需要大量改进。尽管如此，这项研究暗示了数据引导的隐藏路径的存在，以即将发生的个人地震预测。
2021-07-27 cs.LG physics.geo-ph
Locating earthquakes with a network of seismic stations via a deep learning method
准确和自动确定地震位置仍然是一项具有挑战性的工作。然而，这种信息对于实时监测地震活动性和评估潜在危害至关重要。最近，卷积神经网络被应用于从单站波形中检测地震，并大致映射几个大面积的事件。在这项研究中，我们在美国俄克拉荷马州的石油和天然气作业中诱发的194次地震，在平均约4.9 km的误差范围内，震中和1.0 km的深度在目录中，数据来自30个网络站，通过应用全卷积网络。该网络由1，013个历史事件训练，输出是地球上事件位置概率的3D体积。经过训练的系统需要大约百分之一秒的时间来定位一个事件，而不需要任何速度模型或人为干扰。
2018-08-29 physics.geo-ph
High-resolution borehole earthquake monitoring at San Andreas Fault Observatory at Depth, Parkfield, California
本研究利用SAFOD井下80级三分量检波器阵列的13天监测数据，定位125次地方地震，验证了井下定位在钻孔附近精度更高，且其震源分布与USGS 9年地表监测结果结构相似。
2024-10-07 physics.geo-ph
A new earthquake location method based on the waveform inversion
Tsinghua University（清华大学）；Beijing Technology and Business University（北京工商大学）
本文提出基于波形反演的地震定位新方法，通过引入并求解简单子优化问题，显著扩展了收敛域，使在较差初始值下也能准确定位地震。
2016-10-23 cs.NA math.NA physics.geo-ph
MyShake: Detecting and characterizing earthquakes with a global smartphone seismic network
MyShake利用私人/个人智能手机建立全球地震网络。它使用所有智能手机中嵌入的加速度计来记录地震引起的地面运动，将记录的波形返回到中央存储库进行分析和研究。作为公民科学力量的一个展示，MyShake在推出后的几天内扩展到了6大洲，并在运行的前两年记录了757次地震。MyShake手机记录的数据有可能用于科学应用，从而补充目前的地震网络。在本文中：（1）我们通过分析MyShake收集的地震波形报告了智能手机传感器检测地震的能力。(2)我们确定了MyShake手机可以检测到地震的最大震中距，作为震级的函数。(3)然后，我们确定MyShake网络估计地震位置、起源时间、深度和震级的能力。对于MyShake提供了4个或更多相位（21个事件）的地震，无论是P波还是S波信号，并且方位角间隙小于180度，相对于USGS全球目录位置，中值位置，起源时间和深度误差分别为2.7 km，0.2 s和0.1 km。还估计了震级，其平均误差为0.0，标准差为0.2。这些初步结果表明，MyShake可以在目前没有传统网络的地区提供基本的地震目录信息。随着MyShake网络的不断扩展，我们希望事件检测能力能够得到改善，并提供有关地震活动和灾害的有用数据。
2019-04-22 physics.geo-ph
Real-time Earthquake Early Warning with Deep Learning: Application to the 2016 Central Apennines, Italy Earthquake Sequence
East China University of Technology（东华理工大学）；Dalhousie University（达尔豪斯大学）；Stanford University（斯坦福大学）
地震预警系统需要在破坏性的S波到达之前尽快报告地震的位置和震级，以减轻地震灾害。深度学习技术为从完整的地震波形而不是地震相位拾取中提取震源信息提供了潜力。我们开发了一种新型的深度学习地震预警系统，该系统利用完全卷积网络同时检测地震并从连续的地震波形流中估计其震源参数。该系统一旦一个台站接收到地震信号就确定地震位置和震级，并通过接收连续数据来进化地改进解决方案。我们将该系统应用于2016年意大利亚平宁山脉中部的Mw 6.0地震及其后续序列。在最早的P相之后的4秒内就可以可靠地确定地震的位置和震级，平均误差范围分别为6.8-3.7 km和0.31-0.23。
2020-06-02 cs.LG physics.geo-ph
Earthquake magnitude and location estimation from real time seismic waveforms with a transformer network
对地震震级和位置的精确实时估计对于预警和快速反应至关重要。虽然最近已经提出了多种用于快速评估地震的深度学习方法，但它们通常依赖于来自单个台站或来自一组固定的地震台的地震记录。在这里，我们介绍了一个新的模型，实时幅度和位置估计使用的注意力为基础的Transformer网络。我们的方法结合了来自一组动态变化的台站的波形，并在幅度和位置估计性能方面优于深度学习基线。此外，它优于一个经典的幅度估计算法相当，并显示出有前途的性能相比，一个经典的定位算法。在这项工作中，我们进一步进行了全面的研究，对训练数据的要求，训练程序和典型的故障模式，使用三个不同的和大规模的数据集。我们的分析提供了几个关键的见解。首先，我们可以精确地确定大型训练数据的影响;例如，四倍大的训练集将实时评估所需的时间减少了四倍。第二，基本模型系统性地低估了大规模事件。通过迁移学习将其他区域的活动纳入培训可以缓解这一问题。第三，位置估计在具有足够训练数据的区域中是高度精确的，但是对于训练分布之外的事件是强烈降级的。我们的分析表明，这些特征不仅存在于我们的模型中，而且存在于迄今为止发布的大多数用于快速评估的深度学习模型中。它们来自黑盒建模，并且它们的缓解可能需要对神经网络施加物理衍生的约束。
2021-04-14 physics.geo-ph
Multi-task multi-station earthquake monitoring: An all-in-one seismic Phase picking, Location, and Association Network (PLAN)
University of Science and Technology of China（中国科学技术大学）；China University of Geosciences（中国地质大学）
提出一种图神经网络PLAN，直接处理多台站地震数据，通过融入台站间和任务间物理关系，首次实现震相拾取、关联与定位的自洽一体化，在多个地区表现优于现有深度学习方法。
2023-06-24 cs.LG physics.geo-ph
Towards Global Earthquake Early Warning with the MyShake Smartphone Seismic Network Part 2 -- Understanding MyShake performance around the world
MyShake项目旨在建立一个全球智能手机地震网络，通过利用众包的力量促进大规模地震预警和其他应用。MyShake移动应用程序首先在单个手机上检测地震震动。然后在MyShake服务器上使用“网络检测”算法确认地震，该算法由多个单一电话检测激活。在这两篇论文系列的第二部分中，我们报告了MyShake的地震预警（EEW）功能在世界各地不同地点的一阶性能。由于MyShake网络目前在世界大部分地区都很稀疏，我们使用我们的模拟平台来了解和评估系统在各种构造环境中的性能。我们假设0.1%的人口在智能手机上安装了MyShake移动应用程序，并使用过去20年的历史地震来模拟不同地区不同网络配置的触发场景。然后，我们使用这些模拟触发器运行检测算法，以了解系统的性能。该系统在具有高人口密度和陆上上地壳地震M<7.0的地区表现最好。在这些情况下，警报可以在起源时间后约4-6秒生成，震级误差在约0.5个震级单位内，震中通常在真实位置的10公里内。当地震发生在近海或人口稀少的地区时，警报速度较慢，震级和位置的不确定性增加。此外，即使有0.01%的人口作为MyShake用户，在人口密度高的地区，该系统仍然对大于M5.5的地震表现良好。有关仿真平台和网络检测算法的详细信息，请参阅本系列论文的第一部分。
2019-09-17 physics.geo-ph
An Efficient Deep Learning Image Condition for Locating Earthquakes
本文提出深度学习成像条件（DLIC），利用卷积神经网络克服地震定位中的极性反转问题，通过合成与实际数据验证其能显著提升偏移震源图像聚焦性，适用于连续数据和小震定位。
2023-04-14 physics.geo-ph
Towards Global Earthquake Early Warning with the MyShake Smartphone Seismic Network Part 1 -- Detection algorithm and simulation platform
MyShake项目旨在建立一个全球智能手机地震网络，通过利用众包的力量促进大规模地震预警和其他应用。MyShake移动应用程序首先在单个手机上检测地震震动。然后在MyShake服务器上使用“网络检测”算法确认地震，该算法由多个单一电话检测激活。在本部分中，我们提出了一种网络检测算法和一个模拟平台，用于测试世界各地的地震场景。提出的网络检测算法是建立在DBSCAN经典的空间聚类算法，修改，考虑到时间特性和新的触发器的关联。我们使用MyShake用户在2018年1月4日伯克利M4.4和2016年6月10日Borrego Springs地震期间记录的真实数据来测试我们的网络检测算法，以证明该系统的实用性。为了测试整个检测过程，并了解MyShake在世界各地代表不同人口和构造特征的各个地点的一阶性能，我们提出了一个软件平台，可以模拟地震触发器在假设的MyShake网络。本论文系列的第二部分探讨了我们的MyShake预警模拟在全球选定地区的性能。
2019-09-17 physics.geo-ph
Earthquake networks based on similar activity patterns
地震是一种复杂的时空现象，尽管进行了数十年的研究和分析，但其潜在机制仍未完全了解。我们提出并发展了一个地震事件的网络方法。在这个网络中，一个节点代表一个空间位置，而两个节点之间的链接代表两个不同位置的相似活动模式。链接的强度与由链接连接的两个节点的活动中的互相关强度成比例。我们将网络方法应用于1985-1998年14年期间的日本地震目录。我们发现，强有力的联系，代表大的相关性的模式之间的位置分开超过1000公里，证实了以前的观察，地震相互作用没有特征的长度尺度。我们发现网络的特点，而不是归因于机会，包括大量的网络链接，高节点的不稳定性，随着时间的推移，强稳定性。
2012-06-13 physics.geo-ph physics.pop-ph
Condensation of earthquake location distributions: Optimal spatial information encoding and application to multifractal analysis of South Californian seismicity
我们提出了“凝聚”的方法，利用事件位置的概率分布函数（PDF）的异质性，以提高地震目录的空间信息内容。该方法减少了地震目录的大小，同时改善了对地震目录的空间信息内容的访问。事件的PDF首先通过降低位置误差进行排名，然后依次压缩到位置更好和方差更低的事件PDF上。所获得的压缩目录将不同的权重赋予每个事件，提供关于地震网络的空间变化定位能力的最佳空间表示。分形分布与现实的位置误差扰动的综合测试表明，压缩提高了原始目录的空间信息含量。应用于南加州地震活动，新的浓缩目录突出了主要的映射断层痕迹，并揭示了可能的其他结构，同时减少了目录长度约25%。冷凝方法允许我们在基于点的空间分析中考虑位置误差信息。我们证明了这一点，通过比较的多重分形性质的压缩目录的位置与原始目录。我们的证据不同的空间标度制度，其特征在于不同的多重分形谱和分离的过渡尺度。我们认为，上尺度与脆性地壳的厚度一致，而下尺度（2.5km）可能取决于重新定位程序。考虑到这些新的结果，流行病型余震模型公式表明，与以前的研究相反，大地震主导地震触发过程。这意味着，探测小震级事件的有限能力不能用来证明地震一般是不可预测的。
2015-03-23 physics.data-an physics.geo-ph
Bayesian-Deep-Learning Estimation of Earthquake Location from Single-Station Observations
Stanford University（斯坦福大学）
我们提出了一种用于单站地震定位的深度学习方法，我们使用两个独立的贝叶斯神经网络将其作为回归问题来处理。我们使用多任务时间卷积神经网络从1分钟地震图中学习震中距和P走时。该网络估计震中距和P走时的绝对平均误差分别为0.23 km和0.03 s，以及它们的认识和偶然的不确定性。我们使用标准卷积层设计了一个单独的多输入网络来估计后方位角及其认知不确定性。该网络估计地震波到达台站的方向，平均误差为1度。使用这些信息，我们估计震中，起源时间和深度以及它们的置信区间。我们使用距离事件1度（约112公里）内记录的地震信号的全球数据集来构建模型并展示其性能。我们的模型可以预测震中，起源时间和深度的平均误差分别为7.3公里，0.4秒，6.7公里，在世界各地的不同地点。我们的方法可用于快速地震源特性与有限数量的观测，也可用于估计位置的地震稀疏记录-无论是因为它们是小的，或者因为站是广泛分离。
2019-12-03 cs.LG eess.SP physics.geo-ph
Locating earthquake epicenter without a seismic velocity model
我们提出了一种在不假设地震速度结构地球模型的情况下定位震波迹象震中的方法，该方法基于$\log R$和$\log t$之间的线性关系（其中$R$是从震源向外传播的球形P波的半径，$t$是P波的旅行时间）。这种关系是从量纲分析和大量的理论或实际地震资料中推导出来的，其中地震可以认为是点源。应用于IASPEI地面实况（GT）参考事件列表中2014年至2017年发生的1209个事件表明，我们的方法可以以简单的方式定位正确的震波迹象震中。$\sim 97.2$ %的地震震中定位具有经度和纬度误差$\in[-0.1^\circ, +0.1^\circ]$。如果使用更精细的搜索网格，该比率可以增加。作为一种直接的、全局搜索的定位方法，该方法可用于在地震速度结构未知的地区确定震中，为其它定位方法提供起点或约束条件。
2021-08-12 physics.geo-ph
Probing slow earthquakes with deep learning
缓慢的地震可能会触发邻近的锁定断层的破坏，这些断层受到的压力足以断裂，并且在附近的大地震之前，缓慢的滑动模式可能会演变。然而，即使在最清晰的情况下，如卡斯卡迪亚，慢地震和相关的震颤也只是在间歇性和离散的爆发中观察到的。通过训练卷积神经网络来检测卡斯卡迪亚单个地震台上的已知震颤，我们隔离和识别已知较大慢速事件之前和之后的震颤和滑动。深度神经网络可用于检测准连续震颤，提供量化缓慢滑动速率的代理。此外，在卡斯卡迪亚训练的模型识别出其他俯冲带以及帕克菲尔德的圣安德列阿斯断层沿线的震颤，这表明波形特征和震源过程具有普遍性，正如实验和理论所假设的那样。
2019-08-21 physics.geo-ph
Methodological reconstruction of historical seismic events from anecdotal accounts of destructive tsunamis: a case study for the great 1852 Banda arc mega-thrust earthquake and tsunami
我们证明了贝叶斯统计反演框架的有效性，从海啸观测的历史记录中重建大的预仪器地震的可能特征。我们的框架的设计和实施的震波迹象的位置和震级的估计，从轶事帐户的海啸，包括海岸线波到达时间，高度和淹没长度在各种空间上分离的观测位置。作为初始测试案例，我们使用我们的框架来重建1852年印度尼西亚东部的大地震和海啸。依靠的假设，这些意见所产生的俯冲逆冲事件，后分布表明，可观的是一个大规模的大型逆冲事件的结果，震级接近8.8兆瓦和可能的破裂区在东北部班达弧。预测震中位置的分布与仪器记录的震波迹象所显示的该地区最大的主要地震空区重叠。这些结果提供了一个地质和地震灾害风险评估的沿海社区经历了不断增长的人口和城市化在印度尼西亚。此外，这里展示的方法强调了应用贝叶斯方法来提高对世界各地其他俯冲带地震历史的理解的潜力。
2021-02-14 physics.geo-ph
The Andravida, Greece EQ (8/06/2008, Ms=7.0R). An "a posteriori" analysis for the determination of its location, occurrence time and magnitude parameters in terms of short-term predictability
希腊Andravida EQ（2008年8月6日，Ms=7.0R）地震参数：“后验”确定位置、发生时间和震级，以验证大型EQ的可预测性。地球的电场，经过去噪技术处理后，与适当的物理模型一起，用于通过三角测量确定震中。利用潮波（M1、K1）和“奇异吸引子样”地震电性前兆，以极短期模式确定了发生时间，而其震级则是应用Andravida EQ区域孕震区过去地震活动的“岩石圈地震能量流模型”计算的。相当准确的结果证实了该方法的有效性，并建议将其作为预测大地震的有价值的工具。关键词：地震预测，震中区，发震时间，震级，地震潜势，潮波。
2010-07-14 physics.geo-ph
Signature of transition to supershear rupture speed in coseismic off-fault damage zone
大多数地震破裂在地壳内的传播速度低于剪切波速度，但在一些罕见的情况下，破裂达到超剪切速度。自然亚剪切地震向超剪切地震转变的物理机制目前还没有完全弄清楚。大多数对超剪切地震的观测研究都集中在确定哪些断层段维持了完全发育的超剪切破裂。实验交叉验证的数值模型已经确定了触发向超剪切速度过渡所需的一些关键成分。然而，这种过渡的条件在性质上仍然不清楚，包括这种过渡的确切地点。在这项工作中，我们提供了理论和数值的见解，以确定这种过渡在自然界中的精确位置。我们使用断裂力学参数与多个数值模型，以确定同震断层外损伤的超剪切转换的签名。然后，我们交叉验证这个签名与高分辨率的观测断层带宽度和早期余震分布。我们确认，从亚剪切到超剪切速度的过渡的位置的特点是减少同震断层外损伤区的宽度。因此，我们帮助完善这种过渡的天然超剪切地震的精确位置。
2021-10-18 physics.geo-ph
Detecting local earthquakes via fiber-optic cables in telecommunication conduits under Stanford University campus using deep learning
随着光纤震波收录的发展，连续密集地震监测变得越来越容易。在电信管道中重新使用光纤电缆使得以低成本进行地震研究成为可能，即使是在传统地震仪不易安装的地方，如城市地区。然而，由于大量的连续流数据，以这种方式收集的数据将被浪费，除非我们显著地自动化处理工作流程。我们训练一个卷积神经网络（CNN）地震检测使用的数据采集超过三年的光纤电缆在斯坦福大学校园的电信管道。我们证明，光纤系统可以有效地补充稀疏的地震仪网络，以检测当地地震。尽管信噪比较低，但CNN仍能进行可靠的地震检测，甚至能检测到以前未编目的小振幅事件。
2022-03-23 physics.geo-ph
Scaling of Seismic Memory with Earthquake Size
已经观察到地震事件具有短期记忆，即在特定位置发生的事件取决于该位置的短历史。我们进行了分析，看看是否实时地震数据也具有长期记忆，如果是这样的话，这种自相关性是否取决于地震的大小在密切的时空接近。我们分析了日本64个台站记录的地震波形数据库，其中包括2011年的“东日本大地震”，这是有史以来五次最强烈的地震之一，导致了海啸和毁灭性的核事故。我们通过使用平均条件间隔和去趋势波动分析（DFA）来探讨地震记忆问题。我们发现波形符号序列表现出长程幂律相关性，而间隔序列表现出长程幂律相关性。我们发现地震自相关性具有尺度依赖性-随着地震尺度的增大，这两种自相关行为都增强。DFA标度指数$α$与震源深度和震中距无关。
2011-10-18 physics.data-an physics.geo-ph
Indications and implications of a borehole seismic monitoring result of the San Andreas Fault foresee future earthquake prediction
针对帕克菲尔德M6地震预测失误问题，研究通过SAFOD主孔地震台阵监测发现三重活动子断层模型，可解释地震复发周期差异，表明多位置长期钻孔监测或能实现地震预测。
2024-08-19 physics.geo-ph
Transfer learning: Improving neural network based prediction of earthquake ground shaking for an area with insufficient training data
在最近的一项研究（Jozinović et al，2020）中，我们表明，应用于网络地震道的卷积神经网络（CNN）可用于快速预测地震峰值地面运动强度测量（IM），仅使用震中附近台站的记录。这些预测是在没有任何关于地震位置和震级的先验知识的情况下做出的。这种方法不同于地震预警系统（EEWS）所采用的标准程序，后者依赖于位置和震级信息。在之前的研究中，我们使用了2016年意大利中部地震序列的10秒原始多站波形，共915次事件（CI数据集）。CI数据集具有大量的空间集中地震和密集的台站网络。在这项工作中，我们将CNN模型应用于位于意大利比萨附近的VIRGO引力波天文台周围的区域。在我们最初应用该技术时，我们使用了由39个台站记录的266次地震组成的数据集。我们发现，使用这个较小的数据集训练的CNN模型与Jozinović等人（2020）的原始研究结果相比表现更差。为了解决数据缺乏的问题，我们采用了两种方法来进行迁移学习（TL）：首先，使用基于CI数据集构建的预训练模型，然后，使用基于不同（地震学）问题构建的预训练模型，该问题具有更大的数据集可用于训练。我们表明，使用TL改善了预测值和真实IM值之间的残差的离群值，偏差和变异性方面的结果。我们还证明了在神经网络中添加站点位置知识作为附加层可以改善结果。EEW的可能用途通过在车站PII收到警告的时间来证明。
2021-05-11 physics.geo-ph
Generalized Neural Networks for Real-Time Earthquake Early Warning
East China University of Technology（东华理工大学）
本文提出一种数据重组方法训练广义神经网络，可在任意台站分布下于地震发生后4秒内完成定位和震级估计，并在日本和加州验证了实时地震预警的全球适用性。
2023-12-23 cs.AI physics.geo-ph
Reduced seismic activity after mega earthquakes
本研究考察特大地震后偏远地区地震活动，发现震级≥7.5地震后一定范围外地震率显著降低，≥8级地震后偏远地震率可能升高，现有ETAS模型无法解释该现象，提出全球能量释放的推测以完善震后活动认知。
2023-10-04 physics.geo-ph
Enabling large-scale viscoelastic calculations via neural network acceleration
在努力了解重复地震周期活动的影响所涉及的最重要的挑战之一是大规模粘弹性地震周期模型的计算成本。计算密集型粘弹性代码必须评估数千次和位置，因此，研究往往采用一些固定的流变结构和模型几何形状，并检查预测的时间依赖性变形在短时间内（<10年）在一个大地震后的给定深度。训练深度神经网络以学习粘弹性解决方案的计算有效表示，在任何时间，位置和大范围的流变结构，允许这些计算快速可靠地完成，具有高空间和时间分辨率。我们证明了这种机器学习方法将粘弹性计算加速了50，000%以上。这种加速度的幅度将使几何复杂的断层在数千个地震周期的模型参数范围更广，在更大的空间和时间尺度比以前可能的模型。
2017-03-13 physics.geo-ph
Real-time Earthquake Monitoring using Deep Learning: a case study on Turkey Earthquake Aftershock Sequence
本研究提出基于动态卷积神经网络的DynaPicker，用于实时地震监测中的震相拾取，并整合深度学习模型估算震级，在土耳其地震余震序列上验证了高可靠性。
2023-06-21 physics.geo-ph
A combining earthquake forecasting model between deep learning and Epidemic-Type Aftershock Sequence (ETAS) model
针对ETAS模型长短时间尺度预测偏差问题，提出结合ConvLSTM与ETAS的CL-ETAS复合地震预测模型，经南加州真实地震数据验证，在预测精度、稳定性及可解释性上均优于单一模型。
2023-10-04 physics.geo-ph
Double Difference Earthquake Location with Graph Neural Networks
Stanford University（斯坦福大学）
本文提出GNN框架GraphDD，利用台站图、震源图及其笛卡尔积图最小化双差残差，实现可扩展、高分辨率且适应多种定位目标的地震重定位。
2024-10-25 cs.LG physics.geo-ph
Kinematic Earthquake Sequences on Geometrically Complex Faults
本文提出一个三维运动学概率地震序列模型，结合几何矩积累释放与经验标度律，并在南海俯冲带生成1250年含700余次MW5.5–8.5事件的合成序列，用于破裂预测评估。
2023-04-13 physics.geo-ph
The transformer earthquake alerting model: A new versatile approach to earthquake early warning
地震是对人类、建筑物和基础设施的主要危害。早期预警方法旨在提供即将到来的强烈震动的提前通知，以便能够采取预防行动并减轻地震风险。它们的有用性取决于准确性，真实，遗漏和虚假警报之间的关系，以及及时性，警告和强烈震动到达之间的时间。目前的方法遭受明显的任意不确定性，由于简化建模或短的预警时间。在这里，我们提出了一种新的预警方法，基于深度学习的Transformer地震预警模型（TEAM），以减轻这些限制。TEAM实时分析任意位置任意数量台站的原始强震波形，使其易于适应不断变化的地震台网和预警目标。我们评估TEAM的两个地区的高地震危险性，日本和意大利，这是互补的，在他们的地震活动。在这两个数据集上，TEAM的表现大大优于现有的预警方法，提供了准确和及时的预警。使用域自适应，TEAM甚至为比训练数据中的任何事件都大的事件提供可靠的警报，这是一个最重要的属性，因为在许多地区，非常大的事件的记录是罕见的。
2021-01-11 physics.geo-ph
Towards End-to-End Earthquake Monitoring Using a Multitask Deep Learning Model
本文扩展 PhaseNet 提出多任务模型 PhaseNet+，可同时完成震相到时拾取、初动极性判定和震相联配，并结合物理算法确定震源位置与机制。
2025-06-07 physics.geo-ph
Real-time earthquake warning for astronomical observatories
地震预警是一种迅速发展的能力，对包括天文观测站在内的许多领域都有重大影响。在这项工作中，我们描述了天文设施对地震事件的敏感性，包括大型望远镜以及第二代地基引力波干涉仪。我们描述了潜在的预警时间，从目前的地震台网观测站，并提出了未来的地震检波器的位置，以最大限度地提高预警时间。
2014-12-11 astro-ph.IM physics.geo-ph
Deep learning detects uncataloged low-frequency earthquakes across regions
针对低频地震（LFEs）检测难且传统模板匹配方法灵活性低的问题，开发了一种基于深度学习的检测工作流程，能够跨区域检测已编目及新发现的LFEs，并适用于未知活动区域。
2023-11-23 physics.geo-ph
Testing the Potential of Deep Learning in Earthquake Forecasting
本文利用日本俯冲带地震数据和时空b值，训练自编码器与卷积扩张网络分类器，以72.3%的准确率预测次日是否发生5级以上地震，验证了深度学习在地震预测中的潜力。
2023-07-04 physics.geo-ph
An End-to-End Earthquake Detection Method for Joint Phase Picking and Association using Deep Learning
地震台网的地震监测通常涉及由相位检测/拾取、关联和定位任务组成的工作流。近年来，通过使用机器学习技术，这些单个阶段的准确性得到了提高。在这项研究中，我们引入了一种新的端到端方法，通过联合优化检测管道的每个阶段来提高整体地震检测精度。我们提出了一个神经网络架构的任务，多站处理记录在一个地震网络的地震波形。这种端到端架构由三个子网络组成：从原始波形中提取特征的骨干网络，基于这些特征挑选P波和S波到达的相位拾取子网络，以及聚合来自多个台站的特征并检测地震的事件检测子网络。我们使用这些子网络与基于反投影的移位和叠加模块结合，该模块引入了对到达时间的运动学约束，使模型能够推广到不同的速度模型和地震台网中的可变台站几何结构。我们在STanford EArthquake数据集（STEAD）和2019年Ridgecrest，CA地震序列上评估了我们提出的方法。结果表明，我们的端到端的方法可以有效地挑选P波和S波的到来，并实现地震检测精度媲美其他国家的最先进的方法。
2021-09-21 physics.geo-ph
Global Prevalence of Anti-similar Earthquakes at Intermediate Depth
Stanford University（斯坦福大学）；Servicio Geológico Colombiano（哥伦比亚地质调查局）；Universidad Nacional de Colombia（哥伦比亚国立大学）
研究发现反相似地震在哥伦比亚、阿拉斯加、罗马尼亚等中深震区存在，结合日本、智利的观测表明其可能是中深地震活动的常见过程，或由共轭或近平行断层形成。
2026-08-28 physics.geo-ph
Path Signatures and Graph Neural Networks for Slow Earthquake Analysis: Better Together?
Duke University（杜克大学）
本文提出路径签名图卷积神经网络（PS-GCNN），融合路径签名与图卷积网络，用于GPS时间序列的慢地震分析，在模拟随机微分方程上建立基准，展现地震预测潜力。
2024-02-05 cs.LG physics.geo-ph
Earthquake magnitudes depend on seismic history, as revealed by a neural network analysis
Tel-Aviv University（特拉维夫大学）；Google Research, Google（谷歌研究，谷歌）；The Hebrew University of Jerusalem（耶路撒冷希伯来大学）
本文通过神经网络分析证明地震 magnitude 可由历史地震数据预测，提出 MAGNET 模型在加州、日本和新西兰数据中实现 0.07 bit 的信息增益。
2026-04-28 physics.geo-ph
Earthquake Arrival Association with Backprojection and Graph Theory
随着到达检测方法变得更加灵敏，特别是当地震发生率较高时，地震波到达与诱发地震的关联变得越来越具有挑战性。例如，从几个源到达监测网的地震波可能在时间上重叠，可能检测到错误的到达，并且一些到达可能具有未知的相位（例如，P波或S波）。我们提出了一个自动化的方法来关联到达与震源，并获得适用于这种情况的源位置。要做到这一点，我们使用的模式检测指标的基础上的原则，反投影，以揭示候选来源，其次是基于图论的聚类和整数线性优化例程相关联的到来与最小数量的源必要的解释数据。该方法同时求解所有源和相位分配，而不是像其他关联例程中常见的顺序贪婪过程。我们证明了我们的方法，从智利北部的综合板块边界天文台智利（IPOC）地震网络的合成和实际数据。对于合成测试，我们报告了具有不同复杂性的案例的结果，包括500次地震/天和500次假到达/站/天的比率，我们测量的真阳性检测准确率> 95%。对于真实数据，我们开发了一个新的目录，包含2010年1月1日至2017年12月31日期间的817，548次地震，平均每天检测率为279次地震，完成震级为~M1.8。检测的一个子集被确定为与采石场和工业场地活动有关的源，我们还检测到2014年4月1日MW 8.2伊基克地震的数千次前震和余震。在余震活动率最高的时期，伊基克地震破裂带附近每天检测到超过600次地震。
2019-04-01 physics.geo-ph
Early Earthquake Detection with a Dual Torsion-Beam Gravimeter
地震期间地面质量会重新分布，导致局部重力势发生变化。这些引力波动以光速传播，这意味着它们将比最快的地震波更早到达遥远的地方。如果用重力仪测量这些重力信号，就可以为即将发生的地震提供预警。地震的早期检测可以用来保护关键的基础设施和拯救生命。扭摆双振荡器（TorPeDO）是澳大利亚国立大学建造的重力梯度传感器。在这篇文章中，我们探讨的可行性，测量瞬发重力瞬变的地震与鱼雷。我们模拟了传感器对这些信号的响应，并将这些响应插入到缩放的TorPeDO应变数据中，以使用匹配滤波器搜索来测试它们的检测。通过仿真，可以估计传感器对这些瞬态信号的信噪比和检测时间，以及不同检测阈值对距离和检测时间的影响。本文还提出了一种使用TorPeDO传感器进行地震定位的方法，而无需精确的信号定时。通过将计算出的位置与TorPeDO应变数据相结合，可以实时估计地震震级。我们发现，在设计灵敏度下工作的TorPeDO系统将测量200 km外的矩震级7.1的地震，在事件开始后15.7 s达到信噪比为5。这将在第一个S波到达之前提供大约50.96秒的警告。
2018-09-13 physics.geo-ph physics.ins-det
Earthquake Source Depth Determination using Single Station Waveforms and Deep Learning
Department of Earth and Environmental Sciences, Dalhousie University（达尔豪斯大学地球与环境科学系）
本文提出VGGDepth网络，利用单站波形和深度学习确定地震震源深度，有效降低深度估计的不确定性。
2026-01-12 physics.geo-ph
Deep Convolutional Autoencoders as Generic Feature Extractors in Seismological Applications
Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）
使用深层自动编码器对地震波形特征进行编码，然后将其用于不同的地震学应用的想法很有吸引力。在本文中，我们设计了测试来评估使用自动编码器作为不同地震学应用的特征提取器的想法，例如事件判别（即，地震对噪声波形、地震对爆炸波形以及相位拾取）。这些测试涉及在大量地震波形上训练自动编码器，无论是欠完整还是过完整，然后使用训练过的编码器作为后续应用层（全连接层或卷积层加全连接层）的特征提取器来做出决定。通过将这些新设计的模型的性能与从头开始训练的基线模型进行比较，我们得出结论，自动编码器特征提取器方法可能仅在某些条件下表现良好，例如当目标问题需要与自动编码器编码特征相似的特征时，当相对少量的训练数据可用时，以及当使用某些模型结构和训练策略时。在所有这些测试中效果最好的模型结构是一个过完备的自动编码器，它具有卷积层和全连接层来进行估计。
2021-12-14 cs.LG physics.geo-ph
Paraxial micro earthquake: a natural effective multi-purpose check shot for downhole earthquake monitoring
针对井下地震监测中检波器方位确定难题，本文提出利用近轴微地震（PAME）这一天然多用途检查炮，可同时获取更优的纵横波速度剖面并实现检波器精确定向。
2024-09-19 physics.geo-ph
California Earthquake Dataset for Machine Learning and Cloud Computing
本文构建开放的 California Earthquake Event Dataset（CEED），整合 NCEDC 与 SCEDC 的2000–2024年地震记录及人工、自动参数，以支持机器学习、地震目录和地震风险研究。
2025-02-17 physics.geo-ph
Monitoring of tectonic deformation in the seismic gap of the Mentawai Islands using ALOS-1 and ALOS-2
本研究利用合成孔径雷达与GPS观测分析明打威群岛地震空区的构造形变，明确巴盖群岛不同区域的沉降与抬升特征，为地震震中估算和防灾策略制定提供参考。
2025-01-10 physics.geo-ph
Performances of the Italian seismic network, 1985-2002: the hidden thing
地震资料用户和地震台网管理人员都对地震资料的潜力感兴趣，不同之处在于前者着眼于稳定性，后者着眼于改进。在这项工作中，我们测量的性能，意大利遥测地震网络在1985-2002年通过定义基本的重要参数，并研究它们的演变在这些年来。然后，我们处理的地质方法，用于规划地震台部署在少数情况下。最后，我们将网络的增益定义为定位地震相对于总记录地震的百分比。通过分析未定位（“错过”）地震的分布，我们建议采取可能的行动，以增加收益。结果表明，完整性震级平均为2.4级，如果考虑非定位地震，完整性震级可以低至2.2级。地震与最近台站之间的距离以及RMS位置等参数随着时间的推移而减少，反映了定位质量的改善。对一个可能的站址进行地质和地震特征描述的方法也证明是有效的。最后，我们代表了在每个站错过的地震的数量，显示9个站控制超过50%的所有错过的地震，并建议在意大利的网络可能很容易改善的地区。
2004-05-07 physics.data-an physics.geo-ph
Deep learning for low-magnitude earthquake detection on a multi-level sensor network
近年来，由于全球诱发地震活动的急剧增加，低震级地震的自动检测已成为一个日益重要的研究课题。低震级震波迹象的检测对于水力压裂、碳捕获和储存以及地热作业的微震监测至关重要，有助于灾害检测和减灾。此外，微地震的检测对于了解更大地震的潜在机制至关重要。多年来，已经提出了各种算法，包括深度学习方法，以检测此类低震级事件。然而，仍然需要改进这些方法在区分局部噪声源和弱震波迹象方面的鲁棒性。在这项研究中，我们提出了一个卷积神经网络（CNN）检测震波迹象从浅钻孔站在荷兰格罗宁根。我们训练一个CNN模型来检测低震级地震，利用格罗宁根G网络的多级传感器配置。每个G网络站包含四个地震检波器，深度分别为50、100、150和200米。与之前仅在单个传感器级别使用三分量地震记录的深度学习方法不同，我们使用整个钻孔的记录作为一个训练示例。这允许我们使用穿过钻孔传感器的能量的时差模式来训练CNN模型，以区分源自地下的事件和来自地面的局部噪声。我们将训练好的CNN模型的预测准确性与STA/LTA和模板匹配算法在两个月的连续记录上进行比较。我们证明了CNN模型在检测目录中缺失的新事件和最小化错误检测方面显示出比STA/LTA和模板匹配更好的性能。
2021-03-14 physics.geo-ph
Low-magnitude seismic activity between the Kamchatka July 20 and July 29, 2025, earthquakes. Spatio-temporal evolution recovered using waveform cross-correlation
利用波形互相关技术恢复2025年7月20日至29日克里米亚地震的时空演变，揭示地震准备过程。
2026-01-10 physics.geo-ph
