完整、准确的地震信号检测方法是自动构建地震目录的关键。目前的检测方法在检测中等规模地震事件方面效果良好，但这些方法会产生大量虚假结果或遗漏真实信号，需要分析人员对信号进行手动删除、修改和添加处理。深度学习方法在地震信号识别中得到广泛应用^[1-3]，其性能明显超过传统检测方法(如长短时窗法STA/LTA等)，计算时间远小于模板匹配类方法，且无需进行过多的手动调整。这种深度学习方法可替代部分人工工作，但替代程度未知，需要进一步研究深度学习自动分析方法(AI方法)和人工地震信号分析方法之间存在的差异。

本文将PhaseNet模型^[3]应用于2013年岷县M_S6.6地震中，探索深度学习地震信号检测方法在地震监测中的应用效果。岷县M_S6.6地震是近年来甘肃地区发生的最强地震，余震序列众多，且部分地震发生密集，有相互叠加的情况出现。PhaseNet模型是使用北加利福尼亚州近震数据进行训练的深度学习模型^[4]，岷县地震数据不包含在地震训练数据集中，因此为客观评估该方法对实际地震信号的检测效果提供了保障。

1 方法介绍 1.1 PhaseNet网络

神经网络(NNs)可能会对具有许多标记样本的大型数据集的分类有所帮助，因为神经网络具有较强的特征学习能力。PhaseNet的架构基于UNet^[5]，UNet最初用于医学领域内的图像分割，PhaseNet将其用于1D输入数据(即时间序列波形)，生成P、S震相概率值。PhaseNet将来自3个分量(Z、N、E)的30 s波形作为输入值，并输出3个通道，每个通道在每个时间步(P震相、S震相和噪声)上属于该类数据点的概率值，数值用0~1表示，越靠近0说明越接近噪声信号，反之越靠近1说明越接近地震信号。在PhaseNet文件中，波形输入模型前没有对输入数据进行频率滤波，但PhaseNet通过对训练数据进行数据增强操作，提高了模型的泛化能力，能够在未滤波数据中准确识别出地震信号。

1.2 震相关联与定位

随着地震震相到时检测方法灵敏程度的提高，特别是在地震密集的情况下，分析地震震相与震源之间的联系变得越来越具有挑战性^[6]。例如来自多个震源的地震波可能会在时间上重叠，导致结果中出现假震相，因此需要一种自动震相关联方法，将接收到的地震震相与震源联系起来，并获得震源位置^[7]。为此，本文提出震相关联方法：首先基于反投影原理选取候选震相；然后使用基于图论的聚类方法，通过整数线性优化程序将震相与定位所需的最小数量关联起来；最后分配所有震源和震相。地震及其初始位置是根据与候选位置一致的空间网格内的震相拾取数来确定的^[8]。

通过震相关联获得搭配好的地震事件后，为得到地震事件的震源位置，使用Hypoinverse定位方法对所有关联事件进行绝对定位处理，速度模型选取甘肃测震台网使用的甘青走时模型^[9]。

2 数据介绍

本文使用的数据集为2013-07-20~28甘肃省地震台网监测数据，台站分布如图 1所示。考虑到距离问题，本文仅选取甘肃台网88个宽频带监测系统台站中37个台站的数据，这些地震台站的震中距均在300 km范围内。

3 结果对比

通过PhaseNet模型检测相应的波形数据获得震相到时数据后，将结果与人工处理结果进行比较。对比方法为测量每种方法的召回率Recall，即仅针对阳性类别的准确率预测，这种情况下正类是人工核对中确定的真实地震波。召回率是指成功识别阳性类别与所有阳性项目之间的比率：

$ \text{Recall}=\frac{\text{TP}}{\text{TP}+\text{FN}} $

(1)

式中，TP(真阳性)为成功鉴定阳性结果，FP(假阳性)为误判阴性结果，TN(真阴性)为成功鉴定阴性结果，FN(假阴性)为误判阳性结果。

除召回率外，本文还计算了2种方法的准确率Precision和F₁分数，计算公式如下：

$ \text{Precision}=\frac{\text{TP}}{\text{TP}+\text{FP}} $

(2)

$ {{F}_{1}}=\frac{2\times \text{TP}}{2\times \text{TP}+\text{FP}+\text{FN}} $

(3)

为统一震级下限，本文仅对比0级以上的地震。若发震时刻差在5 s之内且震中位置差在50 km范围内，则认为2种目录对应的是同一地震事件，按照这种设定条件共匹配到共同目录509条，占人工目录总数的85.5%，具体参数详见表 1。

对未匹配的约15%人工地震事件进行分析可知，主要存在2种情况：1)同一时刻存在其他地方的地震事件，此时震相关联并没有处理成多个地震；2)波形上具有一定的独特性，与常规地震波形相比存在明显的差异，这可能是神经网络训练中的训练集完备性欠缺所致。由于PhaseNet网络的训练数据集中缺乏具有类似特征的地震波形数据，导致训练出的模型不包含此种波形的特征值，因此AI不能进行准确识别。

由图 2(a)可见，S波震相的AI检测效果要略差于P波震相，主要原因是S波震相受P波震相的干涉叠加干扰，导致波形更复杂，难以分辨。由图 2(b)可见，AI在检测低震级事件时具有更优的检测能力，低震级事件检测数量明显多于人工分析数量。震相到时对比(图 2(a))呈现出明显的正态分布特征，误差集中在0 s附近，且无论是P波震相还是S波震相，相较于人工分析震相到时，AI震相到时更提前。

由图 3可知，AI检测事件总共为769个，约为人工目录的1.3倍，0级以上AI地震事件686个，人工目录595个。AI检测在主震发生后约3.9 d检测到的地震事件数量与人工分析数量接近，3.9 d后检测事件数量超过人工分析数量，随后差距逐渐增大。出现这种情况的原因主要是2013-07-25甘肃省地震局在震区架设4个流动台站，并将数据传回甘肃省测震台网中心。流动台的正常运行提高了主震区的地震台网密度，使低震级地震事件的检测能力得到大幅提升，而AI方法在这些事件的检测中更具优势。

甘肃省测震台网一般采用Hyposat等定位方法，为对比分析，本文统一AI和人工定位的处理方式，人工分析震相采取Hypoinverse定位方法作重定位处理，速度模型选取甘青走时模型^[9]。从图 4(b)、(c)的地震震源位置深度分布来看，相比于人工定位结果，AI定位结果更加发散，这主要是震相拾取的误差累积所致。另外，部分区域只有人工定位结果，AI定位结果偏少或缺失，造成上述现象的原因主要有2个：1)此处的地震并未被AI方法所识别，从而造成漏检现象；2)定位误差导致AI结果偏离。

图 5为2种地震事件检测方法的各参量对比误差分布(AI-人工)，结合图 2可以看出，AI自动检测到时误差在1 s以内，发震时刻误差在2 s以内，定位误差在10 km范围内，深度差在15 km以内，震级误差在1级左右。

4 结语

1) 人工方法和AI检测方法的共同目录为509条，占人工目录的85.5%。对比这些共同目录可知，AI自动检测到时误差在1 s以内，发震时刻误差在2 s以内，定位误差在10 km范围内，深度差在15 km以内，震级误差在1级左右。

2) AI检测事件总共为769个，约为人工目录的1.3倍，0级以上AI地震事件686个，人工目录595个。在低震级和低信噪比地震事件的检测中，AI展现了较大的拾取能力。

根据本文分析结果可知，P波震相的检测效果优于S波震相。AI方法在低震级事件检测中具有较强的鲁棒性，提高地震监测台网密度能进一步优化AI检测能力。

致谢: 斯坦福大学朱尉强博士提供PhaseNet程序，福建省地震局廖诗荣高级工程师提供目录对比相关程序，甘肃省测震台网提供地震波形和震相观测报告资料，在此一并表示感谢。