Summary
相位检测、识别和初至时间是分析地震数据的基础且重要的常规工作。台站，地震记录，仪器设备的增多和普及使得 人工识别和挑选地震相位的工作不可行，自动化处理更为重要。
first stage --- CNN(detects the phases)；second stage --- RNN (pick both phases)
检测在三分量上进行，垂向分量用来拾取P波，水平分量用来拾取S波
数据集：北智利的手动挑选的地震波形记录。检测和挑选的记录为39,000条（detection）和36,000条（picking）
DeepPhasePick方法通过蒙特卡洛丢弃技术来计算起始时间的不确定性，该技术模拟了贝叶斯推断的过程
Introduction
相位信息对于估算地震的震源位置和深度至关重要（P波、S波波速不同）
几种常见的自动化地震相位检测算法
STA/LTA（短时平均/长时平均）算法： 基于地震波形能量或频率
基于模板波形相关性的算法: 依赖于已知模板波形的相似性，广泛用于检测重复地震或遗漏地震
基于正交基波形的线性组合算法： 将地震数据表示为多个正交基波形的线性组合，来识别地震相位
上述所有方法利用了信号的先验假设属性，如能量或波形相似性。
深度学习方法与传统方法的主要区别在于，它们不依赖于手动提取的特征（如能量或波形相似性），而是通过深度神经网络模型，从原始信号数据中自动学习和提取特征。这些非线性变换可以通过多层神经网络进行逐层学习和调整，捕捉到信号的复杂模式。
转载请注明出处