準(zhǔn)確的檢測(cè)P波到時(shí)在地震監(jiān)測(cè)和地震預(yù)警等實(shí)時(shí)數(shù)據(jù)處理中有重要應(yīng)用。中國(guó)地震科學(xué)實(shí)驗(yàn)場(chǎng)所在的川滇地區(qū)，強(qiáng)震和微小地震頻發(fā)，地震災(zāi)害嚴(yán)重。2021年以來，中國(guó)地震局開始在川滇地區(qū)建設(shè)中國(guó)地震科學(xué)實(shí)驗(yàn)場(chǎng)，覆蓋面積78萬平方公里，計(jì)劃新建寬頻帶地震臺(tái)站700多個(gè)，短周期地震臺(tái)站300多個(gè)。屆時(shí)，實(shí)驗(yàn)場(chǎng)區(qū)內(nèi)的地震臺(tái)站將達(dá)到近5000個(gè)。由此可見，無論是地震預(yù)警，還是實(shí)驗(yàn)場(chǎng)區(qū)域大量地震臺(tái)站的數(shù)據(jù)實(shí)時(shí)處理，都迫切需要發(fā)展新的自動(dòng)處理算法。

中國(guó)地震局地球物理研究所房立華研究員團(tuán)隊(duì)使用川滇地區(qū)2013-2019年的49萬條事件波形數(shù)據(jù)和7.8萬條噪聲數(shù)據(jù)，選用UNet++作為主干網(wǎng)絡(luò)，根據(jù)地震波形特點(diǎn)對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)（圖1），訓(xùn)練得到了地震檢測(cè)模型CSESnet。該模型的召回率、準(zhǔn)確率和F1值分別為94.6%, 85.4%和89.7%。使用首都圈地區(qū)的地震測(cè)試表明，CSESnet具有較好的泛化性（圖2）。對(duì)四川瀘縣M6.0級(jí)地震的測(cè)試結(jié)果表明，CSESnet也可以較好的處理加速度計(jì)觀測(cè)數(shù)據(jù)。CSESnet顯示了較高的召回率和泛化性，在檢測(cè)小地震和中強(qiáng)地震，以及處理加速度計(jì)和簡(jiǎn)易烈度計(jì)的觀測(cè)數(shù)據(jù)方面，也具有較好的泛化能力(圖3)。CSESnet為提升實(shí)驗(yàn)場(chǎng)區(qū)域的地震檢測(cè)能力，降低地震預(yù)警誤觸發(fā)提供了新的檢測(cè)模型。

圖1 CSESnet地震檢測(cè)網(wǎng)絡(luò)結(jié)構(gòu)

圖2 CSESnet與PhaseNet在首都圈的預(yù)測(cè)結(jié)果對(duì)比

圖3 CSESnet模型檢測(cè)簡(jiǎn)易加速度計(jì)(MEMS)波形

研究成果詳見：Li B, Fan L, Jiang C, Liao S and Fang L (2023), CSESnet: A deep learning Pwave detection model based on UNet++ designed for China Seismic Experimental Site. Front. Earth Sci. 10, doi: 10.3389/feart.2022.1032839（鏈接：https://www.frontiersin.org/articles/10.3389/feart.2022.1032839/full）。

【作者簡(jiǎn)介】

第一作者：李珀任，助理研究員，主要從事基于人工智能的地震學(xué)方法研究工作。

Email：borenli@cea-igp.ac.cn；

通訊作者：房立華，研究員，主要從事人工智能地震學(xué)、地震精確定位和深部結(jié)構(gòu)成像研究工作。

Email：flh@cea-igp.ac.cn