摘要

任务背景：在高噪声与微震监测条件下，地震检测与震相拾取难度大。
方法框架：提出可跨区域泛化的联合模型，同时执行“检测+拾取”，采用分层注意力融合“震相细节 + 全波形上下文”。
主要贡献：
- 多任务学习提升各子任务表现（检测更稳、拾取更准）。
- 在 2000 年鸟取地震连续 5 周数据上，仅用 <1/3 台站，事件检出与定位数提升约 2 倍。
- P/S 到时精度接近人工，但效率与灵敏度更高，可识别更多、更小事件。
预期影响：改进地震目录完整性、支撑快速定位与时空演化分析，利于余震序列与触发机制研究。

研究动机与方法概述

任务现状：检测与拾取是 DL-地震学的核心热点；DL 相比传统方法具优势（稳健、自动化、泛化）。
难点差异：
- 检测目标：降低 $P(\text{FN})$ 与 $P(\text{FP})$，依赖全局多相上下文。
- 拾取目标：提升到时精度 $|\Delta t|$，定位对 $0.01,\text{s}$ 级误差极敏感。
关键假设：上下文（全波形）可提升表征质量，且不同时间片段对任务的贡献不均衡。
. 检测 vs 拾取：信息粒度与上下文
共同点：都可视为时序特征变化识别问题。
差异点：
- 检测偏向全局：利用整段波形、多震相（含散射波）与长时间上下文；
- 拾取偏向局部：聚焦震相到时附近的狭窗以实现高精度回归。
实践工作流（类人先验）：
1. 先全局观察多台站整段波形，依据震相时序先后（如 P 先于 S、体波先于色散面波）判定“是否为地震”；
2. 再对具体震相局部窗口进行精细到时。
  → 暗示“全局判别—局部精测”的层级信息是关键。
方法要点：引入双层注意力（Global + Local），显式建模“全局判别—局部精测”的人类工作流，提出 EQTransformer 实现单台近震的联合“检测+P/S拾取”。
评测设计：与多种 DL/传统方法对比，在日本 5 周连续数据上外部验证；通过“检测→定位”展示模型对区域泛化与震源刻画的改进。

Results

结构总览

多任务框架：共享超深编码器 + 三个独立解码器（检测 / P 相 / S 相）。
组件组合：一维卷积、双向/单向 LSTM、Transformer/自注意、NIN、残差连接、前馈层。
输出形式：逐时刻三条概率序列（地震存在、P 相、S 相）。

编码器（全局表征）

前端下采样（卷积 + MaxPool）以压缩序列长度 $T$，降低自注意内存与计算负担（典型 $O(T^2)$）。
主干由残差 CNN + LSTM堆叠，兼顾局部纹理与长时依赖。
末端全局注意力聚焦可能含有地震的时段，形成上下文加权表征。

解码器（任务专属）

检测分支：高层特征 → 地震存在概率向量（全局触发曲线）。
P/S 分支：入口置 LSTM+局部注意，在候选区间内对各震相微观特征精确聚焦；输出各自的逐时刻概率轨迹，服务到时拾取。

训练可优化性与效率

残差与NIN支撑 56 层深度而仅 ~ $372\mathrm{K}$ 可训练参数，实现高表示力与轻量化并存。
结构与超参由大量原型网络试验经验确定，兼顾三任务的精度、召回与到时误差。

设计动机与领域先验

模拟人类流程：全局判别 → 局部精测；以全局注意确定“在哪儿是地震”，再用局部注意精确到 P/S。
针对自注意的序列长度瓶颈，前置下采样平衡上下文范围与计算资源。
P/S 分支解耦，允许对两类相位的时频与包络差异进行专门优化。

--- # 数据与训练

1. 数据与预处理

数据源：STEAD（全球、标注齐全；不含日本记录）。
规模与范围：地震 1,000,000，噪声 300,000，震中距 ≤ 300 km，事件 ≈ 450,000（多为 $M<2.5$；台站距震中 ≤ 100 km）。
划分：训练 85%／验证 5%／测试 10%（随机）。
预处理：长度 60 s（6000 点，$f_s=100,\mathrm{Hz}$），因果带通 1–45 Hz。

2. 标签策略

检测（binary）：

$$ y(t) = \begin{cases} 1, & t \in [t_P,, t_S + 1.4,(t_S - t_P)] \\ 0, & \text{otherwise} \end{cases} $$

拾取（P/S 概率曲线）：矩形/高斯/三角三选；最终采用三角形（更低 loss、更高 F）：
- 在 $t_P$ 或 $t_S$ 处峰值 1；到时前后各 20 样本线性衰减至 0（$20/f_s=0.2,\mathrm{s}$）。

3. 训练配置

初始化：Xavier 正态；偏置 0。
优化器：Adam，学习率可变日程。
资源与时长：4×V100，≈89 h（TensorFlow）。
早停：验证损失 12 个 epoch 无改进即停止。
Dropout：0.1（训练/测试皆启用，用于不确定性估计）。

4. 数据增强与并行管线

增强	目的	概率
次震叠加（空白段）	重叠事件鲁棒性	0.3
高斯噪声注入	噪声鲁棒性	0.5
事件随机平移（数组旋转）	时移不变性	0.99
噪声段插零间隙	缺失/跳变鲁棒性	0.2
丢弃 1–2 通道	传感器异常鲁棒性	0.3

半增强批：每个 batch 中 50% 为增强版，维持分布平衡。
并行预处理：增强 + 按标准差归一化在 24 CPU 上实时执行，GPU 训练无 I/O 阻塞。

5. 关键内联量

$t_P,t_S$：P/S 到时
$f_s=100,\mathrm{Hz}$：采样率
$M<2.5$：小震主导
$1.4,(t_S-t_P)$：检测窗后延
$0.2,\mathrm{s}$：三角标签两侧线性衰减时长

注意力机制可视化与解释

关键观点

分层注意力提供“全局判别 → 局部精测”的信息流：
- 全局注意：从整段波形中定位 地震相关片段；
- 局部注意：在事件片段内，聚焦 P/S 到时附近的窄窗特征。
检测分支更浅且标签覆盖时长更长 → 损失更大、梯度更强，训练早期先学会“有无地震”的判别。
编码器末端的 Transformer（I） 充当信息路由，将“事件相关”上下文传递至解码器，抑制噪声干扰。

实务意义

注意力热力图能指示各任务的关键时间片段，辅助误检诊断与模型改进（如窗口策略、噪声建模）。
层级注意符合人工工作流（先全局判断、后局部拾取），提升可解释性与泛化性。

术语内联

$c_t=\sum_j \alpha_{t,j}h_j$（上下文向量）
$\alpha_{t,j}$（对齐分数，softmax 归一）
$P(\mathrm{eq}\mid \mathbf{x})$、$P(P\mid \mathbf{x})$、$P(S\mid \mathbf{x})$（条件概率式解释）

结果与方法对比

一、测试设置与可视化

统一评测：113 K 条 1 min/3C 波形（无额外滤波），对比深度/传统多法。
定性表现：全局检测 + 高精度拾取并存；可避免将强尾波/面波过分裂为多事件；对高噪小震鲁棒（图 4b–d）。
不确定性有助于识别高概率但不可靠的样本（如 MC dropout）。

二、连续数据的工程流程

仅需：补缝、去趋势、带通、重采样至 100 Hz；切为 1 min 重叠窗；馈入时归一化。
训练增强对泛化关键：尽管训练数据多为“首 1/4 出现 P、每条仅 1 事件”，模型仍能处理多事件与窗缘事件（需 ≥ 0.2 s 的 P/S 可见段），并抑制补缝突变导致的误报（文中图号处疑似笔误）。

三、检测性能

阈值 0.5：FP=1，FN=0（在 113 K 样本上）。
F1 对比：EQTransformer 全面领先；CRED（同样 CNN+RNN、同源 STEAD）仍不及；注意力 + 更深网络带来增益。
现象：STA/LTA 在该测试上 F1 高于 DetNet/Yews，显示经典法在统一测试集上仍具竞争力；整体排序：EQTransformer > STA/LTA >（DetNet, Yews）。

四、拾取性能

对比对象：PhaseNet、GPD、PpkNet、Yews、PickNet（深度）与 Kurtosis、Filter-Picker、AIC（传统）。
评价七项指标：$sigma(\Delta t)$、$mu(\Delta t)$、Precision、Recall、F1、MAE、MAPE。
TP 定义：$|\hat t - t| < 0.5,\mathrm{s}$。
结果：P/S 的 F1 均提升，P 相增益更显著；S 相较难、标注误差更大。
误差分布：部分深度拾取器出现非正态簇集，可能与滑窗策略和宽标签有关（如 GPD/PpkNet/Yews），仍需消融确认。

区域外应用与结果

1. 测试设置

区域：日本西部鸟取 Mw 6.6 (2000) 余震区（2000-10-06 ~ 2000-11-17）。
台站：18 个 HiNet（JMA 研究原用 57 个）。
推断阈值：检测 0.5，P 拾取 0.3，S 拾取 0.3；窗重叠 30%，批量 500。
关联与定位：按检测时间进行事件关联；HypoInverse 定位，HypoDD 重定位（用走时差 + 互相关）。

2. 目录与完整性

事件数：21,092（> Fukuyama 等 8,521 的两倍），且仅用其台站子集。
覆盖：几乎包含 JMA 已报全部事件；约 15% 关联事件未入最终目录（与关联策略简化相关）。
完整性震级：
- $M_c(\mathrm{JMA})\approx 1.82$，$M_c(\mathrm{EQTrans})\approx 1.50$（最大曲率法）；
- 深度学习可探测更小微震（~20×），但降低总体 $M_c$ 仍依赖更密集台网与更好覆盖。
频度-震级（G–R）框架（提示）：

$$ log_{10}N(M)=a-bM,\quad M_c \text{ 为拐点/最大曲率处} $$

3. 拾取一致性

手动 vs 自动：在共有台站上对 ~42k 拾取对进行对齐评估。
误差统计：
- $sigma(\Delta t)\approx 0.08,\mathrm{s}$；$mathrm{MAE}\approx 0.06,\mathrm{s}$（6 样本 @ 100 Hz）；
- 均值误差 ~0.01 s（1 样本），系统偏差极小；
- S 相略优于 P 相（区域与标注因素所致）。

4. 实务要点

检测门控 + 相位阈值策略：提高召回同时抑制误报。
低台站数条件下仍显著扩充目录，说明对小震高噪场景鲁棒。
关联改进方向：引入多台站一致性/时空聚类/连通域约束可降低“未入目录”的 15%。

5. 关键内联

$M_c$（完整性震级）、$b$ 值（G–R 斜率）、$\Delta t$（到时差）
$f_s=100,\mathrm{Hz}$、$1,\mathrm{sample}=0.01,\mathrm{s}$

讨论

1. 性能增益来源

结构：更深网络 + 层级注意（全局/局部）提升可分性与到时聚焦。
训练：数据增强与合理初始化/优化策略显著改善泛化。
数据：高质量标注与适当规模更关键，单纯扩量效益有限。

2. 不确定性与误报控制

认知不确定性（Epistemic） 与误差不必然线性相关，但可用于误报筛查（高 $P$ 伴随高方差→谨慎）。
随机不确定性（Aleatory） 更契合置信区间，但在分类/到时联合任务中估计困难。
文化噪声易致短窗误判；结合长窗检测的高波动可抑制 FP。
建议：扩充并精标人为/大气噪声；或在训练中显式引入谱特征。

3. 影响拾取稳定性的观测条件

远距/小震/低 SNR → P 相概率降低、不确定性升高；1 Hz 高通不利于首达识别。
上述趋势对 S 相不如 P 相显著（与区域特性与标签噪声相关）。

4. 泛化与数据规模

区域限定训练亦可跨区泛化（如 PhaseNet）；多数情形可直接部署。
小规模但高质量/合适结构的模型（如 PpkNet）可优于大规模但不匹配的训练。

5. 标注与训练流程的重要性

软标签形状/窗策略/损失设计决定峰值对齐与误差分布形态。
某些模型 P 相误差“簇集”可能源于到时聚类偏置（训练分布问题）。

6. 与传统方法对比

在高噪条件下，深度方法整体优于传统方法，S 相优势更明显。
实务建议：利用不确定性阈 + 长/短窗互证 + 谱特征，进一步降低 $P(\mathrm{FP})$ 与 $P(\mathrm{FN})$。

1. 公平对比的挑战与倡议

模型差异体现在标注、结构、超参、训练流程与数据质量等多方面；统一评测困难。
倡导统一基准与独立测试集，推动可复现实验与严格对比。

2. 传统拾取器 vs 深度方法

传统法：到时精度尚可，但召回低、对 S 相较弱，误差偏右（滞后）。
速度对比（同一 i7/16 GB 机器）：Kurtosis 62 h12 m、FilterPicker 3 h25 m、AIC 31 h18 m；EQTransformer 2 h28 m。
结论：深度模型在**吞吐与综合指标（F1）**上更具优势。

3. 日本应用的泛化与效率

到时精度≈人工，检出事件数 >2×；新增事件揭示大山东坡下稀疏地震性。
仅用**<1/3 台站**、较大台间距与简单关联即可达成；采用更强关联（如 Glass3）可进一步扩容。
工程效率：单核 CPU、单台站1 个月数据 ≈23 min（不含不确定性估计）。

4. 方法学与贡献

层级注意 + 多任务：全局判别与局部精测的有机结合（深编码器 + 三解码器）。
56 层深网络、贝叶斯不确定性输出、全球 1.2 M 近震训练——支撑强泛化与高灵敏度。

5. 实务建议

对比评测务必统一预处理与阈值策略，并披露训练数据质量与标注细节。
在业务化部署中结合高效关联算法与不确定性门控，进一步压低 误报/漏报 并提升目录完整性。

方法：相关工作

1. 代表性工作脉络

CNN/FC 早期框架：Perol³⁰（检测+聚类，区域内）、Ross¹⁰（P/S/噪声短窗检测）、Ross⁹（P 拾取）。
分割与端到端拾取：Zhu & Beroza⁸（U-Net 端到端 P/S）。
时频与序列混合：Mousavi⁷（ResCNN + BiLSTM，时频域，跨区/高噪泛化佳）。
两阶段拾取：Pardo⁶（先分割后回归）。
区域数据实践：Zhou⁵、Zhu⁴（汶川余震）；Dokht³（加拿大西部）；Wang²（日本，改 VGG-16，依赖理论到时短窗）。

2. 共性与差异

模型差异：CNN/FC、U-Net、Res+RNN、BiGRU、VGG 变体、递归共享/专网分工。
数据差异：规模（$10^3\sim10^6$）、震级/距震/类型/噪声/地域各异；预处理与增强策略不统一。
评测差异：使用 Accuracy/Precision/Recall/F1/AP/Hit/MAE/拾取误差 等不一，难以横向对比。

3. 痛点与建议

痛点：缺少高质量统一基准导致不可比与难以复用。
建议：以 STEAD 作为候选标准基准，统一预处理与指标，促进公平评测与社区共识。

4. 评测指标提示

Precision/Recall/F1（检测）
$$\mathrm{F1}=2\cdot\frac{\mathrm{Precision}\cdot\mathrm{Recall}}{\mathrm{Precision}+\mathrm{Recall}}$$
MAE（拾取）
$$\mathrm{MAE}=\frac{1}{N}\sum_{i=1}^{N}\left|\hat t_i-t_i\right|$$

方法：网络设计

结构与动机

信号特性：地震波形兼具局部震相细节与全局能量包络/多相耦合。
设计目标：端到端模型中显式保留局部—全局依赖的交互，以提升检测与拾取的协同效果。

架构范式

采用 CNN + RNN + Attention 的多任务网络：
- 编码器：在时域抽取高层特征与时序上下文；
- 三个解码器：输出 $p_{\mathrm{eq}}(t)$（地震存在）、$p_P(t)$、$p_S(t)$ 三条概率轨迹。
注意力机制：根据任务相关性加权高亮/抑制不同时间片，实现“全局判别—局部精测”的信息流。

计算考量

长时序 RNN 成本高，需在循环层前下采样以控制复杂度并稳定训练。
CNN×RNN 组合已被实证为地震序列建模的有效方案，在此基础上引入注意力以进一步提升判别性。

关键内联

$p_{\mathrm{eq}}(t)$、$p_P(t)$、$p_S(t)$：逐时刻概率序列
$\alpha_t$：注意力权重（时间片贡献）

方法：超深编码器

设计动机

更深网络 → 提升表达力/泛化/抗噪，对低 SNR 地震有效。
在注意力框架中，强表征的深编码器是性能关键。

结构要点

前端下采样（Conv + MaxPool）：缩短 $T$，降低注意力内存/算力。
主干：残差卷积块 + 双向 LSTM 块，并嵌入 NIN 增强非线性而不显著增参。
顺序：先 CNN 抽局部与时移不变性，再 BiLSTM 建模长依赖，后自注意做全局聚焦。

关键机理

卷积：利用局部结构与时间平移不变性 → 泛化更佳。
残差：避免深度退化，稳定训练。
LSTM → Self-Attention：前置 LSTM 注入位置信息，助力注意力对齐。

复杂度提示

$$ \text{Self-Attention Memory} \sim O(T^2) $$

内联符号

$T$：序列长度
$h_t$/$c_t$：LSTM 隐状态/记忆单元
NIN：逐点映射提高非线性，控制参数规模

注意力机制

1. 记号与核心公式

序列隐藏态：$H={h_t}\in\mathbb{R}^{n\times d_h}$，上下文向量：$c_t\in\mathbb{R}^{d_h}$
加性自注意（打分→归一→聚合）：

$$ e_{t,t'}=\sigma!\Big(W_2^{\top}\big[\tanh(W_1^{\top}h_t+W_1^{\top}h_{t'}+b_1)\big]+b_2\Big) $$

$$ \alpha_{t,t'}=\frac{\exp(e_{t,t'})}{\sum_{t'}\exp(e_{t,t'})},\qquad c_t=\sum_{t'=1}^{n}\alpha_{t,t'},h_{t'} $$

前馈层：

$$ FF(x)=\max(0,,xW_1+b_1),W_2+b_2 $$

复杂度提示：$O(n^2 d_h)$（自注意）

2. 架构落地

残差注意力块（Transformer 风格），但以单头加性注意替代多头点积注意；保留 LayerNorm/残差 + FFN 以增稳。
层级注意（瓶颈处实施，控算量）：
- 全局注意（编码器末端）→ 识别地震段，路径短 + 检测损失强，先学会“有无地震”；
- 局部注意（各相位解码器起始）→ 在候选段内锐化 P/S 聚焦（只看小子集）。
位置信息：每个层级的首个注意力块前加入 1×LSTM(16)，提供顺序/相对位置信号。

3. 直观理解（内联）

$h_t$：局部状态；$c_t$：含全局上下文的加权状态；$\alpha_{t,t'}$：时间对齐“注意概率”。
全局判别 → 局部精测：先用全局注意找“哪里像地震”，再用局部注意在该段内锁定 $P/S$ 到时。

不确定性估计

核心概念

预测概率 ≠ 模型置信：高 $ \text{softmax} $ 并不保证低不确定性。
目标：为地震检测/拾取提供概率化输出 + 不确定性度量，便于质控与误报抑制。

方法要点：MC Dropout（近似贝叶斯）

思想：在推理期也启用 dropout，相当于对权重施加伯努利随机掩码，进行后验蒙特卡洛采样。
多次随机前向得到一组预测 $ { \hat{\mathbf{p}}^{(m)}(y\mid x) }_{m=1}^{M} $，据此估计均值与方差：

$$ \bar{\mathbf{p}}(y\mid x)\approx \frac{1}{M}\sum_{m=1}^{M}\hat{\mathbf{p}}^{(m)}(y\mid x) $$

$$ \mathrm{Var}[\mathbf{p}(y\mid x)]\approx \frac{1}{M}\sum_{m=1}^{M}\left(\hat{\mathbf{p}}^{(m)}(y\mid x)-\bar{\mathbf{p}}(y\mid x)\right)^{2} $$

实施细节：全层置入 dropout，训练/预测均启用；预测阶段通过重复采样获得均值预测与不确定性。

实务价值

利用均值 + 方差进行门控：高概率但高方差 → 可疑样本，优先人工复核或提高阈值。
适用于 P/S 拾取与事件检测的自动质控与假阳性抑制。

关键内联

$ \bar{\mathbf{p}}(y\mid x) $：MC 均值预测
$ \mathrm{Var}[\mathbf{p}(y\mid x)] $：MC 不确定性
$ M $：蒙特卡洛样本数（前向次数）

Paper Link

[[PW]Earthquake transformer—an attentive deeplearning model for simultaneous earthquake detection and phase picking

摘要

研究动机与方法概述

. 检测 vs 拾取：信息粒度与上下文

Results

结构总览

编码器（全局表征）

解码器（任务专属）

训练可优化性与效率

设计动机与领域先验

1. 数据与预处理

2. 标签策略

3. 训练配置

4. 数据增强与并行管线

5. 关键内联量

注意力机制可视化与解释

关键观点

实务意义

术语内联

结果与方法对比

一、测试设置与可视化

二、连续数据的工程流程

三、检测性能

四、拾取性能

区域外应用与结果

1. 测试设置

2. 目录与完整性

3. 拾取一致性

4. 实务要点

5. 关键内联

讨论

1. 性能增益来源

2. 不确定性与误报控制

3. 影响拾取稳定性的观测条件

4. 泛化与数据规模

5. 标注与训练流程的重要性

6. 与传统方法对比

1. 公平对比的挑战与倡议

2. 传统拾取器 vs 深度方法

3. 日本应用的泛化与效率

4. 方法学与贡献

5. 实务建议

方法：相关工作

1. 代表性工作脉络

2. 共性与差异

3. 痛点与建议

4. 评测指标提示

方法：网络设计

结构与动机

架构范式

计算考量

关键内联

方法：超深编码器

设计动机

结构要点

关键机理

复杂度提示

内联符号

注意力机制

1. 记号与核心公式

2. 架构落地

3. 直观理解（内联）

不确定性估计

核心概念

方法要点：MC Dropout（近似贝叶斯）

实务价值

关键内联