PhaseNet: A Deep-Neural-Network-Based Seismic Arrival Time Picking Method
随着地震传感器数量的增加，分析人员越来越难以手动和全面地挑选地震阶段，但这种努力对地震监测至关重要。尽管多年来在自动相位选择方面有所改进，但很难与经验丰富的分析师的表现相匹配。一个更微妙的问题是，不同的地震分析师可能会选择不同的相位，这可能会给地震位置带来偏差。我们提出了一种基于深度神经网络的到达时间拾取方法，称为“PhaseNet”，它可以拾取P波和S波的到达时间。深度神经网络最近在特征学习方面取得了快速进展，并且经过充分的训练，在许多应用中取得了超人的性能。PhaseNet使用三分量地震波形作为输入，并生成P波至、S波至和噪声的概率分布作为输出。我们设计了PhaseNet，使得概率峰值为P波和S波提供准确的到达时间，并有可能在目前可用的基础上大幅增加S波观测的数量。这将实现改进的位置和改进的剪切波速度模型。PhaseNet是在北加州地震数据中心提供的大量可用数据集上训练的，这些数据集由分析师标记的P和S到达时间提供。我们使用的数据集包含从30多年的地震记录中提取的700多万个波形样本。我们证明了PhaseNet比现有方法实现了更高的拾取准确率和召回率。
2018-03-08 physics.geo-ph stat.AP
Evaluating the SAIPy Performance using a Local Seismic Network for Volcano-Tectonic Earthquakes Monitoring
Frankfurt Institute for Advanced Studies（法兰克福高等研究院）；Universidad de Guadalajara（瓜达拉哈拉大学）；Goethe University（歌德大学）
本研究利用局部地震台网评估SAIPy在火山构造地震监测中的性能，展示了其在事件检测和相识别方面的可靠性，但指出震级估计需进一步优化。
2026-02-01 physics.geo-ph
SeisT: A foundational deep learning model for earthquake monitoring tasks
School of Computer Science and Technology, China University of Mining and Technology（中国矿业大学计算机科学与技术学院）；School of Mines, China University of Mining and Technology（中国矿业大学矿业工程学院）；State Key Laboratory of Coal Resources and Safe Mining, China University of Mining and Technology（中国矿业大学煤炭资源与安全开采国家重点实验室）
本研究提出面向多类地震监测任务的基础深度学习模型SeisT，整合多任务定制模块，分布外泛化性能优异，在多项地震监测任务上优于或持平最优模型，其中震相拾取、震级估算提升显著，助力地震信号处理与研究发展。
2023-12-26 cs.LG physics.geo-ph
Seismic Phase Picking
School of Electronics Engineering and Computer Science（电子工程与计算机科学学院）；Peking University（北京大学）
本文针对地震监测中人工震相拾取难以应对台站增长的问题，探索了传统与基于学习的多种自动拾取方法，以确定P波和S波到达时间。
2024-10-21 cs.CV physics.geo-ph
Deep learning for seismic phase detection and picking in the aftershock zone of 2008 Mw7.9 Wenchuan earthquake
Georgia Institute of Technology（佐治亚理工学院）；California Institute of Technology（加州理工学院）
长期连续监测的地震资料量不断增加，促使基于卷积神经网络（CNN）的算法的发展，以实现更快、更可靠的相位检测和拾取。然而，许多较少研究的区域缺乏传统CNN方法所需的大量标记事件。在本文中，我们提出了一种基于CNN的相位识别分类器（CPIC），旨在对中小型训练数据集进行相位检测和拾取。当对30，146个标记的阶段进行训练并应用于2008年中国四川汶川7.9兆瓦地震余震序列期间为期一个月的连续记录时，CPIC检测到标准目录中97.5%的手动拾取阶段，并预测其到达时间，比ObsPy AR拾取器提高了五倍。此外，与其他基于CNN的方法需要数百万个训练样本不同，当CPIC的离线训练集大小减少到只有几千个训练样本时，准确率保持在95%以上。CPIC的在线实施只需要不到12小时就可以在14个车站的31天记录中挑选到达。除了分析师手动选择的目录阶段外，CPIC还为目录中遗漏的现有事件和新事件找到更多阶段。在这些额外的检测，一些匹配滤波器的方法确认，而其他人需要进一步的调查。最后，当在来自不同地区（美国俄克拉荷马州）的小数据集上进行测试时，CPIC仅对模型的全连接层进行微调后就达到了97%的准确率。这一结果表明，在这项研究中开发的CPIC可以用来识别和挑选在其他地区的P/S波到没有或最小的标记相位。
2019-01-30 cs.LG eess.SP physics.geo-ph
Phase Neural Operator for Multi-Station Picking of Seismic Arrivals
本文提出基于神经算子的全台网震相拾取算法PhaseNO，利用时空上下文信息对任意台网几何结构同时拾取震相，在检测地震数量、拾取震相数量和测量精度上均优于现有基线方法。
2023-11-30 physics.geo-ph
Robust Earthquake Location using Random Sample Consensus (RANSAC)
针对小震级地震因相位拾取少易受错误拾取影响的定位问题，提出整合随机抽样一致性（RANSAC）的机器学习方法，通过迭代抽样减轻异常值偏差，在合成数据和真实地震序列中验证了与传统算法相当的精度及更强的稳健性。
2025-02-15 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
Learning Earthquake Wave Arrival Time Picking from Labels with Inaccuracies
Department of Earth and Planetary Sciences, Harvard University（哈佛大学地球与行星科学系）；School of Computer Science and Technology, China University of Mining and Technology（中国矿业大学（北京）计算机科学与技术学院）；School of Mines, China University of Mining and Technology（中国矿业大学（北京）矿院）；State Key Laboratory of Coal Exploration and Intelligent Mining, China University of Mining and Technology（中国矿业大学（北京）煤炭勘探与智能开采国家重点实验室）
提出标签噪声对比鲁棒学习（LaNCoR）方法，通过对齐波形特征与标签表示分布来纠正错误标签，在微地震P波到时拾取任务中性能提升高达28.8%。
2026-06-16 cs.AI cs.LG physics.geo-ph
PRIME-DP: Pre-trained Integrated Model for Earthquake Data Processing
PRIME-DP是一种预训练集成模型，用于多任务地震波形处理，实现高精度震相拾取、偏振分类及事件分类。
2025-08-27 physics.geo-ph
Parameter-Efficient Transfer Learning for Microseismic Phase Picking Using a Neural Operator
King Fahd University of Petroleum and Minerals（法赫德国王石油矿产大学）；Seismik s.r.o.
本文提出一种基于神经运算的微震相位识别迁移学习方法，通过参数高效微调提升低信噪比数据下的识别性能，实现高效部署。
2026-04-09 cs.LG physics.geo-ph
P-wave arrival picking and first-motion polarity determination with deep learning
确定地震震源和震源机制需要精确测量P波到达时间和初动极性。用于估计这些数量的自动算法不如人类专家的估计准确，这对于处理大数据量是有问题的。在这里，我们训练卷积神经网络来测量这两个量，它直接从地震图中学习，而不需要特征提取。这些网络是在南加州地区的1820万个人工挑选的地震图上训练的。通过对120万个独立地震图的交叉验证，自动和手动拾取之间的差异具有0.023秒的标准差。当与分析器确定的极性相比时，由分类器确定的极性具有95%的精度。我们表明，分类器选择更多的极性整体比分析师，而不牺牲质量，导致几乎两倍的焦点机制的数量。经过训练的网络的惊人精度表明，它们的表现与专业地震学家一样好，甚至更好。
2018-04-24 physics.geo-ph
Real-time processing of distributed acoustic sensing data for earthquake monitoring operations
提出模块化软件框架，通过实时DAS波形流和机器学习走时拾取，将DAS数据无缝集成至地震监测系统，推动光纤网络在实时灾害评估中的应用。
2025-05-29 physics.geo-ph
QuakeFlow: A Scalable Machine-learning-based Earthquake Monitoring Workflow with Cloud Computing
地震监测工作流程旨在检测地震信号并从连续波形数据中确定震源特征。深度学习地震学的最新发展已被用于改进地震监测工作流程中的任务，这些工作流程允许快速准确地检测比传统目录中多出几个数量级的小事件。为了促进机器学习算法在大容量地震记录中的应用，我们开发了一个基于云的地震监测工作流程，即MaskeFlow，它应用多个处理步骤从原始地震资料中生成地震目录。QuakeFlow使用深度学习模型PhaseNet来挑选P/S相位，并使用机器学习模型GaMMA来将相位与近似地震位置和震级相关联。SparkeFlow中的每个组件都是容器化的，允许使用新的深度学习/机器学习模型直接更新管道，以及添加新组件的能力，例如地震重新定位算法。我们在Kubernetes中构建了Kubernetes Flow，使其能够自动扩展大型数据集，并使其易于部署在云平台上，从而实现大规模并行处理。我们使用SparkeFlow来处理来自波多黎各的三年连续存档数据，并发现与以前已知的地震活动几乎相同的结构上发生的事件超过十倍。我们应用地震流来监测夏威夷频繁的地震，发现了比标准目录中多一个数量级的事件，其中包括许多阐明岩浆系统深层结构的事件。我们还添加了Kafka和Spark流媒体，以提供实时地震监测结果。对于改进实时地震监测和挖掘存档的地震资料集来说，QuakeFlow是一种有效和高效的方法。
2022-08-30 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
OBSTransformer: A Deep-Learning Seismic Phase Picker for OBS Data Using Automated Labelling and Transfer Learning
针对深度学习拾取器在OBS数据上性能下降的问题，本文通过多拾取器自动标注构建OBS数据集并迁移学习EqTransformer，提出OBSTransformer，显著提升远距P/S震相召回率与抗噪鲁棒性。
2023-06-07 physics.geo-ph
VORA: Rapid Association of Earthquake Phases from Local to Global
University of California, Berkeley（加州大学伯克利分校）；Berkeley Seismology Laboratory, University of California, Berkeley（加州大学伯克利分校地震实验室）
研究针对地震震相关联难题，提出VORA方法，将其作为无监督时空聚类问题，依赖地震起源时间和台站邻接约束，利用深度学习估计起源时间，借助Voronoi图聚类，在合成与真实数据集上表现出色，能从局部扩展到全球，无需训练可推广。
2026-07-14 physics.geo-ph
A Global-scale Database of Seismic Phases from Cloud-based Picking at Petabyte Scale
本文构建了全球首个包含43亿个P/S波震相拾取的数据库，利用AWS云服务和PhaseNet模型在三天内处理了1.3 PB连续地震数据，并公开查询，证明了云端拍字节级地震数据挖掘的可行性。
2025-05-24 physics.geo-ph
Neural mixture model association of seismic phases
地震相位关联是将地震台网上的相位波至拾取器分组为具有共同震源的子集的任务。基于机器学习工具在这一领域的最新成功，我们引入了一种神经混合模型关联算法（Neuma），该算法结合了物理信息神经网络和混合模型来解决这一具有挑战性的问题。我们的公式明确假设数据集包含来自地震的真实相位拾取以及相位拾取错误和假拾取导致的噪声拾取。然后，问题陈述是将每个观察结果分配给地震或噪音。我们迭代地更新一组震源和震级，同时确定每个选择的最佳类分配。我们表明，通过使用物理信息的Eikonal求解器作为正向模型，我们可以对幸存的选择进行严格的质量控制，同时保持高召回率。我们评估了Neuma在一系列具有挑战性的合成数据集和2019年加利福尼亚州Ridgecrest序列上对几种基线算法的性能。Neuma在每个合成数据集的精确度和召回率方面都优于基线。此外，它比Ridgecrest数据集的最佳基线（13.5%）多检测到3285次地震，同时大大改善了震源。
2023-01-06 physics.geo-ph
PickBlue: Seismic phase picking for ocean bottom seismometers with deep learning
本文提出PickBlue，通过适配EQTransformer和PhaseNet并结合水听器数据与迁移学习，构建了大规模海底地震仪标注数据集，显著提升了海底地震震相拾取精度。
2023-04-13 physics.geo-ph
Variability in Performance of a Machine-Learning Seismicity Catalog: Central Italy, 2016-2017
Stanford University（斯坦福大学）；Istituto Nazionale di Geofisica e Vulcanologia（意大利国家地球物理与火山学研究所）
研究通过对比机器学习和常规地震目录，发现ML方法在提高检测灵敏度的同时，也带来了空间上不均匀的性能差异。
2026-02-10 physics.geo-ph
Seismic Depth Imaging of the 2024 Noto Earthquake (M7.6) Rupture Area
Atmosphere and Ocean Research Institute, The University of Tokyo（东京大学大气海洋研究所）
本文通过多通道地震反射调查，获得了2024年纪伊地震断层区的高分辨率地震剖面，为研究断层几何形态、破裂动力学及区域地震构造框架提供了关键数据。
2026-05-18 physics.geo-ph
Ratios in Higher Order Statistics (RHOS) values of Seismograms for Improved Automatic P-Phase Arrival Detection
在本文中，我们提出了两个新的程序自动检测和挑选的P波到。第一个问题涉及峰度和偏度在三分量地震图矢量震级上的应用。通常，P波到达检测技术使用垂直分量地震记录，这仅适用于非地震事件。这些方法的固有弱点是由于P波的能量在水平和垂直记录道之间分布。然而，我们的程序使用的是包含所有分量的矢量幅度。结果表明，这一过程将是有用的检测/拾取的P-到达本地和区域地震和人为爆炸。第二个过程引入了一种新的方法，称为“高阶统计比（RHOS）”。“与涉及导数的常用技术不同，该技术利用相邻峰度和偏度值的比率来提高P起点检测的准确性。RHOS可以独立地应用于垂直分量地震记录以及矢量幅度，以改善P波到达的检测。
2010-07-01 physics.geo-ph
Spatiotemporal Pattern Mining for Nowcasting Extreme Earthquakes in Southern California
Indiana University Bloomington（印第安纳大学布卢明顿分校）
在过去的几十年里，地球科学和地震学利用最先进的技术和设备来监测全球的震波迹象。由于数据量巨大，现代GPU驱动的深度学习为分析数据和发现模式提供了一种很有前途的方法。近年来，有很多成功的深度学习模型用于拾取地震波。然而，对可能造成灾害的极端地震的预测在历史上仍然是一个欠发达的课题。时空动力学挖掘与预测的相关研究已经取得了一些成功的预测结果，这是许多科学研究领域的一个重要课题。它们的大多数研究都有许多使用深度神经网络的成功应用。在地质学和地球科学研究中，地震预测是世界上最具挑战性的问题之一，前沿的深度学习技术可能有助于发现一些有价值的模式。在这个项目中，我们提出了一种深度学习建模方法，即\tseqpre，通过在区域粗粒度空间网格中发现随时间变化的视觉动态来挖掘从数据到临近极端地震的时空模式。在这种建模方法中，我们使用具有地球科学和地震学领域知识的合成深度学习神经网络，利用卷积长短期记忆神经网络预测地震模式。我们的实验表明，在南加州地震的位置预测和震级预测之间有很强的相关性。消融研究和可视化验证了所提出的建模方法的有效性。
2021-09-11 cs.CV cs.LG physics.geo-ph
Near-surface Characterization Using a Roadside Distributed Acoustic Sensing Array
由于分布式声学传感（DAS）测量的宽带性质，斯坦福DAS-2阵列的路边部分可以记录来自各种源的地震信号。例如，它可以测量由汽车重量引起的地球准静态变形（<0.8 Hz），地震引起的瑞利波（<3 Hz）和动态汽车-道路相互作用（3-20 Hz）。我们直接利用激发的表面波进行浅层横波速度反演。由过往车辆引起的瑞利波具有一致的基本模式和噪声较大的第一模式。通过对33辆过往车辆的频散图像进行叠加，得到了稳定的频散图像。通过加入低频地震瑞利波，可以扩展基模的频率范围。由于扩展的频率范围，我们可以实现更好的深度覆盖和分辨率的剪切波速度反演。为了保证与Love波的清晰分离，并使视速度与相速度对齐，我们选择了一个与台阵近似成一直线的地震。反演模型与由斯坦福大学承包的岩土工程服务公司使用地表直到约50米的活动源进行的常规地震检波器调查所获得的模型相匹配。为了自动化Vs反演过程，我们引入了一个新的目标函数，避免手动色散曲线拾取。我们构建了一个2-D Vs的配置文件，通过执行独立的1-D反演在多个位置沿纤维。从低频准静态失真记录，我们反转为一个单一的泊松比在每个位置沿纤维。我们观察到的Vs和泊松比配置文件的空间异质性。我们的方法是显着便宜，比环境场干涉测量和可靠的估计，可以更频繁地获得，因为没有冗长的互相关是必需的。
2020-06-02 eess.SP physics.geo-ph
AWESAM: A Python Module for Automated Volcanic Event Detection Applied to Stromboli
世界上许多活火山都有斯特龙博利活动，其典型特征是相对频繁的温和事件，以及罕见的更具破坏性的大爆炸和突发事件。详细分析过去的大小事件有助于了解火山的喷发行为和潜在的物理和化学过程。可以利用火山附近台站的连续地震记录来建立火山爆发目录。然而，在许多情况下，对录音的分析在很大程度上依赖于人类专家对事件的手动挑选。最近开发的基于机器学习的方法需要大量的训练数据集，这些数据集可能无法事先获得。在这里，我们提出了一种替代的自动化方法：自适应窗口火山事件选择分析模块（AWESAM）。这个创建事件目录的过程包括三个主要步骤：（i）根据地面速度幅度的平方、自适应最大滤波器和突出阈值来识别潜在的火山事件。(ii)通过比较和核实两个不同地震台记录的初步探测结果，进行目录合并。(iii)区域性构造地震信号识别与排除该软件包适用于公开访问的连续地震记录从两个几乎等距站在意大利斯特龙博利火山。我们通过与手工挑选的目录进行比较来测试AWESAM，发现大约95%的信噪比高于3的喷发都被检测到。在第一个应用中，我们从2019-2020年期间Stromboli的290，000多个火山事件中得出了一个新的振幅-频率关系。该模块可以直接概括和应用到世界各地的其他火山。
2021-11-02 physics.geo-ph
