一维深度残差神经网络识别地震小震相的研究" - 20字

地球科学中的人工智能3（2022）115原创研究文章用一维深度残差神经网络识别小震相的研究Wei Lia，Megha Chakrabortya，b，Yu Shac，a，d，Kai Zhoua，d，e，Johannes Fabera，e，Georg Rümpkera，b，Horst Stöckera，d，e，f，Nishtha Srivastavaa，b，a法兰克福高等研究院，Frankfurt am Main，60438，德国b法兰克福歌德大学地球科学研究所，Frankfurt am Main，60438，Germanyc西安电子科技大学交叉学科高级研究院智能感知与图像理解教育部重点实验室，西安d西电-FIAS国际联合研究中心，Giersch科学中心，Frankfurt am Main，60438，GermanyeInstitut für Theoretische Physik，Goethe Universität Frankfurt，Frankfurt am Main，60438，GermanyfGSI Helmholtzzentrum für Schwerionenforschung GmbH，Darmstadt，64291，GermanyA R T I C L E I N F O数据集链接：https：//github。Com/Srivastavarchgroup/Seismic-phase-Clasifcation保留字：深度学习残差神经网络地震检测震相识别A B S T R A C T可靠的地震震相识别往往具有挑战性，特别是在低震级事件或低信噪比的情况下。随着地震仪的改进和全球覆盖范围的扩大，记录的地震数据量急剧增加。这使得处理地震数据相当艰巨通过使用传统的方法，因此需要更强大和可靠的方法。在这 研究的基础上，我们开发了一维深度残差神经网络（ResNet），用于解决地震信号的检测和震相识别问题。该方法在南加州地震台网记录的数据集上进行了训练和测试。结果表明，该方法对地震信号的检测和震相识别具有较好的鲁棒性。与之前提出的深度学习方法相比，引入的框架在地震检测方面实现了约4%的改进，在南加州地震数据中心记录的数据集上的地震相位识别性能稍好。模型的推广性也进一步测试的STanford EArthquake数据集。 此外，在STanford EArthquake数据集的同一子集上，当被不同的噪声水平掩盖时，实验结果表明该模型在识别小震级地震相位方面具有鲁棒性。1. 介绍地震探测是地震学家监测一个地区构造活动的关键。为了实现可靠的地震监测，许多自动化的震相识别方法已经发展起来。用于地震检测或地震相位拾取的最先进的常规算法包括模板匹配（Peng和Zhao，2009; Ross et al. ，2017）和短期平均/长期平均（STA/LTA）（Zhou etal. ，2022）。模板匹配涉及测量地震波形与地震事件编目波形之间的相似性。然而，它严重依赖于预定义的事件，这使得检测在不可见数据的情况下具有挑战性（Ross et al. ，2018）。STA/LTA是指测量短时间窗口上的信号幅度与长时间窗口上的信号幅度之间的比率;当比率超过某个预定义的阈值时，检测到事件。STA/LTA对于具有低信噪比（SNR）和低幅度的信号在过去的几十年里，由于地震仪器和地震监测网络的发展，地震同相轴检测系统有了很大的改进，产生了一个巨大的、快速增长的地震数据库。 这就要求采用稳健和灵敏的方法来处理不断增长的地震数据量。因此，地震同相轴检测和相位拾取算法对于自动处理大量地震数据变得越来越重要。 深度学习及其最新发展- 特别是在计算机视觉中，能够处理具有大量不同特征的大数据，例如线条，边缘和图像片段。地震信号检测或震相识别的任务可以被识别为类似于计算机视觉中的物体识别。 因此，计算机视觉领域的最新进展在地震学应用中具有巨大的潜力。最近，深度学习已被广泛用于检测地震事件，*通讯作者：法兰克福高等研究院，Frankfurt am Main，60438，Germany。电子邮件地址：srivastava@fias.uni-frankfurt.de（N. Srivastava）。https://doi.org/10.1016/j.aiig.2022.10.002接收日期：2022年7月22日;接收日期：2022年10月25日;接受日期：2022年10月25日2022年11月4日网上发售2666-5441/© 2022作者。Elsevier B. V.代表KeAi Communications Co. Ltd.提供的出版服务。这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表地球科学中的人工智能杂志 主页：www.keaipublishing.com/en/journals/artificial-intelligence-in-geosciencesW. Li等人地球科学中的人工智能3（2022）115116识别地震相位，并估计地震相位到达时间拾取（Ross et al. ，2018;Zhu and Beroza，2019; Mousavi et al. ，2020; Saadand Chen，2020;Li et al. ，2021; Chakraborty et al. ， 2021; Saadand Chen， 2021;Chakraborty et al. ，2022）。例如，在Ross et al. （2018），训练与全连接层相关的卷积神经网络基于胶囊神经网络的地震信号检测和震相 识别 在Saad 和 Chen （ 2020 ， 2021 ） 中 提出 。 作 者在 Li et al.（2021）将注意力机制与U型神经网络相结合进行地震震相到时估计 。 Chakraborty 等 人 使 用 了 卷 积 层 和 双 向 长 短 期 存 储 单 元 。（2021）和Chakrabortyet al. （2022）用于地震识别和震级估计。在基于卷积神经网络（CNN）的相位拾取方法中，池化层主要用于降低网络维数。然而，它的使用可能会导致一些关键功能的丢失。因此，在更深的网络中使用池化层可能会增加更多信息丢失的风险，这可能会导致网络性能下降（Zeiler和Fergus，2014; Sabour et al. ，2017年）。此外，CNN对对象的移动或方向不敏感（Sabour et al. ，2017年）。 此外，由于梯度消失问题，深度CNN的训练具有挑战性，并且模型性能变得饱和或随着网络深度的增加而开始迅速下降（He et al. ，2016）。问题专项CNN中的池化层，胶囊神经网络（Sabour et al. ，2017）由Sabour et al. （2017），使用动态路由算法。动态路由使胶囊能够在低级别关注一些活动胶囊，而忽略其他胶囊。 因此，以这种方式，可以迭代地更新胶囊之间的耦合系数。然而，Peer等人（2021）发现，由于协议路由和EM路由对对称函数的表示能力有限，因此胶囊网络不能被视为通用近似器（Peer等人，2021）。，2021年）。此外，胶囊网络在处理包括复杂数据的较大数据集时也会遇到性能问题（Xi et al. ，2017年）。残差神经网络（ResNet）是由He等人（2016）开发的，用于解决退化问题，并使用残差块在更深层次的网络中增强模型性能（有关更多详细信息，请参见第2.1在这项研究中，基于原始ResNet架构改编的1D-ResNet被用于地震信号检测和地震相识别，给出了与Ross等人（2018），Saad和Chen（2020，2021）相似的短窗地震波形，而Zhu和Beroza（2019），Mousavi等人（2019）采用了连续地震波形。（2020），Li et al.（2021）和Chakraborty et al. （2021年，2022年）。在这项工作中，输入到所介绍的模型的地震数据没有标记特定的相位到达时间，然而，所提出的模型可以进一步用于连续地震波形的到达时间估计。因此，它能够减少到达时间标记的工作量和时间。在这项工作中，地震检测和地震震相识别被制定为一个监督分类问题。考虑到残差神经网络（ResNet）（He et al. ，2016年）通过采用跳过连接实现了图像分类的优越性，并且1D ResNet对于时间序列数据（例如，瓣膜声信号）（Sha et al. ，2022），我们基于残差模块开发了1D ResNet34（He et al. ，2016），这里Reset34表示与多个残差块组合的34层卷积神经网络。南加州地震台网（Center，2013）标记为“P相”，“S相”和“噪声”的地震数据用于训练模型并测试其性能。除此之外，该模型的泛化能力也验证了从STanford EArthquake数据集（STEAD）（Mousavi et al. ，2019）。结果表明，该方法能够可靠地识别小震和P、S震相。这项工作的组织如下：第2节全面描述了拟议的方法。第3节简要介绍了所使用的数据集，并显示了性能评估的实验设置和指标。第4节详细介绍了所进行的实验的结果，最后，第5节描述了这项工作的结论。2. 方法本节中描述的所提出的方法采用三通道地震图数据的窗口，即，以4s内的三通道归一化波形作为输入，并输出三类概率：P波窗口、S波窗口和噪声窗口。2.1. 残差神经网络原则上，神经网络可以被认为是函数逼近器，它将输入函数与输出函数进行映射。��� 在He et al. （2016），作者表明，当向神经网络添加更多层以丰富模型的特征时，由于梯度消失/爆炸导致难以优化模型参数，因此训练神经网络变得更具挑战性。此外，模型的准确性要么在特定值处饱和，要么缓慢下降。因此，模型的性能在训练阶段和测试阶段都会恶化。 为了解决这个问题，He等人提出了流行的神经网络架构ResNet。 （2016），其中层被显式地重新表示为关于层输入的学习残差函数。其思想是，与原始函数相比，更容易优化残差函数������������（因此，堆叠的非线性层旨在拟合映射<$（���）∶=<$（���）−���，而不是原始映射<$（���）。他们还提供了大量的经验证据，表明不仅更容易优化这些残差网络，而且可以通过显著增加深度来提高准确性。采用Heet al. （2016）显示在图的底部。1.一、对一方面，ResNet中的跳过连接成功地处理了深度神经网络中梯度消失的问题，允许梯度直接通过替代的捷径路径从后面的层向后流动到前面的层。另一方面，这些连接允许模型学习身份函数，这保证了高层至少可以像低层一样执行。2.2. 模型架构在这项研究中，现有的ResNet组件，如图1所示，被用作基本块，并适用于使用一维地震数据的地震检测和地震相分类。这两个任务之间的唯一区别是输出大小。在我们的工作中，三个分量的地震记录被视为图像的设计一维ResNet识别地震相的P波，S波，或噪声窗口，相应的。应该注意的是，在这项工作中，使用1D ResNet时，两项任务（地震因此，在地震检测任务中，输出被标记为地震（包括但不区分P波和S波）和噪声信号（Saad和Chen，2020），而在地震相位识别的情况下，模型被训练为分别对噪声窗口，P波窗口和S波窗口进行分类，类似于Ross等人。（2018）和Saad和Chen（2021）。对于这两个任务，在模型训练过程中，标签定义如下：（i）对于地震检测-(ii)对于相位分类-W. Li等人地球科学中的人工智能3（2022）115117++���������������Fig. 1. 模型框架。剩余块是从工作中复制的（He et al. ，2016），其中���是该层的输入向量，���并且学习。3. 实验3.1. 地震数据集在这项研究中，由南加州地震台网记录的开源数据集（SCEDC中心，2013年）用于训练和测试所提出的模型。该数据集首次用于Ross et al.（2018），并使用以下预处理步骤：首先对数据进行去趋势化，并以2Hz的转折频率进行高通滤波以去除微地震噪声，然后以100赫兹重采样; 2强震记录被整合到速度中。数据集中包含的三分量记录包括150万个P波地震图、150万个S波地震图和150万个噪声窗口，每个窗口的持续时间正好为4 s（400个样本）。数据的震级范围为−0.81 5.7，而只使用震中距离小于100公里的记录。P波和S波窗口都以到达拾取为中心，而每个噪声窗口在每个P波到达拾取之前5 s开始。图2可视化了包括一个P相窗口、一个S相窗口和一个噪声窗口的波形。STEAD数据集（Mousavi et al. ，2019）也用于模型评估。为了帮助更好地理解模型输出，图3使用从STEAD数据集的一个原始波形中提取的三个不同输入数据的饼图来可视化测试过程和测试结果（预测概率）的管道，当输入到训练模型时。与SCEDC数据集（Center，2013）类似，P相和S相窗口以相应的到达时间为中心，并且在P到达时间之前5 s开始提取噪声窗口。每个饼图显示每个类别（P相、S相、噪声）的预测概率，其中所有概率之和为1。3.2. 参数设置为了与CapsNet（Saad和Chen，2020）进行地震检测任务的比较，整个数据集的50%用于模型训练，25%的数据用于测试。然而，在CapsNet（Saad和Chen，2020）中，训练数据集是平衡的，即，标记为0（“地震”）的数据的数量与标记为1（“噪声”）的数据的数量相同。请注意，从一开始，整个数据集就被标记为三个类别之一：P相、S相或噪声。另一方面，在地震和非地震检测的情况下，包括P相和S相的波窗口被重新标记为地震信号。上述过程使训练数据集有偏，其中标记为0（地震）的数据的数量不等于标记为1（噪声）的数据的数量。对于地震相识别，90%的地震图用作训练集，其余5%的地震图用于构建与CapsPhase相同的测试集（Saad和Chen，2021）。3.3. 评估指标以下指标用于评估模型性能。首先，准确率被定义为所有测试样本中正确识别的样本的比率，这通常被认为是分类器A=（1）其中表示正确标记的样本数，表示测试样品的总数然后，为了进一步评价模型此外，给定混淆矩阵，精确度，召回率和F1得分可以定义如下：在本研究中，使用ADAM算法进行优化，学习率为0.001，当训练损失稳定时，模型训练50个epoch。所提出的模型在Pytorch（Paszke etal. ，2019年），并接受了NVIDIA A100图形处理单元的培训。使用的损失函数是交叉熵，训练在480条记录的小批量中进行。 对于所有丢弃层，丢弃率均为0.2注意，这里的数据扩充是������������������������=���������������=1 = 2������������������������������������������������������������������������������（二）（三）（四）不使用在训练数据上，同时，我们在模型训练阶段不使用任何集成方法其中TN、FN、FP和TP分别是真阴性、假阴性、假阳性和真阳性。W. Li等人地球科学中的人工智能3（2022）115118图二、 SCEDC数据集（中心，2013）波形。这些波形以100 Hz重新采样，并使用三个分量上的绝对最大幅度进行归一化图三. 来自STEAD数据集的一个测试示例的输出可视化（Mousavi et al. ，2019），其中饼图显示对应于不同的输入数据。4. 结果和讨论4.1. 相位识别性能为了找到地震相识别的最佳架构，我们首先测试了几个ResNet模块，如1D-ResNet 18，1D-ResNet 34和1D-ResNet 50。结果表明，1D-ResNet 34 （ 98.70% ） 的 性 能 优 于 1D-ResNet 18 （ 98.63% ） 和 1D-ResNet 50（98.62%），尽管1D-ResNet 34的参数比1D-ResNet 50少。表1对不同方法的地震检测和震相分类的总体测试精度进行了比较和总结。我们可以发现，1D ResNet的测试准确率为98.83%。结果表明，我们提出的模型在地震检测方面比CapsNet（Saad和Chen，2020）（此处，CapsNet的结果来自Saad和Chen（2020））实现了更好 的性能。对于地震 相分类，1D ResNet 与CapsPhase（Saad和Chen，2021）相比显示出其的CapsPhase采用自Saad和Chen（2021））。实现更高性能的潜在原因可能是ResNet中的剩余块（He et al. ，2016）有助于提高分类准确度，因为它能够从输入中学习一些有意义的特征。地震识别的不同指标（包括精确度、召回率和F1分数）的结果如表2所示。研究发现，1D ResNet可以实现与CapsNet兼容的结果W. Li等人地球科学中的人工智能3（2022）115119图四、 可视化错误分类的 SCEDC数据。这些波形以100 Hz重新采样，并使用三个分量上的绝对最大幅度进行归一化表1在SCEDC数据集上测试两个任务的准确性地震探测模型震相分类CapsNet 98.40%销售经理1D ResNet98.83% 98.70%表2SCEDC数据集上地震检测的测试结果类别模型精确回忆F1评分CapsNet 98.64% 98.98% 98.80%在噪声被错误地分类为P相或S相的情况下，我们注意到幅度的增加或频率的突然变化或两者，这可能导致错误的检测。然而，大多数被误分类为噪声的P相或S相是噪声信号。4.2. 模型推广性为了进一步研究模型泛化能力，在STEAD数据集上评估所提出的模型（Mousavi et al. ，2019年），并与以前的基于深度学习的相位识别方法进行了比较。地震噪音表31D-ResNet99.18%98.06%99.12%CapsNet 97.96% 97.30% 98.70%1D-ResNet98.13% 98.37%98.25%为此目的，使用STEAD数据集归一化后的本地地震信号。在Ross etal. （2018），仅使用满足以下要求的地震数据。首先，P波和S波窗口以对应于数据集元数据的地面真值相位拾取为中心，并且每个噪声窗口从5s开始被剪切SCEDC数据集上阶段分类的测试结果类别模型精确回忆F1评分CapsPhase 98.68% 98.99% 98.76%在每个P阶段到达时间之前。第二，每个信号的P波和S波拾取之间的到达时间差大于6s，目的是减少P波和S波拾取之间的波形重叠的影响。P相 S 相噪声1D-ResNet98.88%98.64%98.76%CapsPhase 98.40% 98.88% 98.70%1D-ResNet98.72% 98.94% 98.83%CapsPhase 98.90% 98.17% 98.53%1D-ResNet 98.52%98.54% 98.53%P期和S期到达。第三，仅选择在STEAD数据集的元数据中标记为小于100 km的“source_distance”的地震图，与（Ross et al. ，2018）。 最后，所创建的数据集由8111个P波地震图、8111个S波地震图和8111个噪声窗口组成。这里，每个窗口的持续时间是400个样本，采样率为100Hz。所用数据的地震震级范围为1 ~ 3级。的分布最后，表3总结了不同震相识别方法的分类结果。可以观察到，与CapsPhase（Saad和Chen，2021）相比，所提出的模型实现了更好的性能，特别是对于S波识别。如Ross et al. （2018），P波和S波窗口是从地震事件中获得的，而噪声窗口是在每个P波到达前5 s开始选择的。因此，这些窗口之间存在相似之处。图4可视化了每个类别的示例，包括来自SCEDC数据集的P相位窗口，S相位窗口和噪声窗口，这些数据集在这项工作中被可以看出，属于不同类别的数据之间的相似性可能导致错误分类。的情况下地震震级、震源距离、P相和S相到达时间差如图所示。 五、首先将所提出的方法与CapsPhase（Saad和Chen，2021）进行比较。在这里，这两个模型在SCEDC数据集上进行了预训练，并且直接使用作者发布的CapsPhase的最佳保存模型，而无需进行模型重新训练。对比原始作品，Saad和Chen（2021），在这个比较中，没有门槛用于模型输出。 所使用的两种方法的总体测试准确率分别为94.39%（CapsPhase）和95.68%（1D-ResNet）。因此，我们发现本研究中使用的1D-ResNet具有更好的性能，特别是在S期识别方面。三种方法所选数据的混淆矩阵如图所示。精确度、召回率和F1得分分别为W. Li等人地球科学中的人工智能3（2022）115120图五、所 用 ST E A D 数 据 的 （a）震级、（b）源距离和（c）P相和S相到达时间之 间 的到达时间差的分布。表4CapsPhase和1D-ResNet在STEAD数据集上进行相位识别的测试结果。类别方法精确回忆F1评分CapsPhase 94.76% 97.89% 96.30%P 相 S 相噪声1D-ResNet 94.39% 98.25% 96.28%CapsPhase 90.08% 97.82% 93.79%1D-ResNet 94.09% 97.99% 96.00%CapsPhase 99.26% 87.45% 92.98%1D-ResNet 98.96% 90.81% 94.72%表5GPD和1D-ResNet在STEAD数据集上用于相位识别的测试结果。类别方法精确回忆F1评分GPD 93.55% 97.67% 95.57%P 相 S 相噪声1D-ResNet 93.15% 97.96% 95.50%GPD 94.13% 98.26% 96.15%1D-ResNet 95.12% 97.58%。百分之九十六点三四GPD 99.24% 90.52% 94.69%1D-ResNet 98.72% 91.06% 94.73%图第六章STEAD 数据集上（a）CapsPhase和（b）1D-ResNet的混淆矩阵。总结在表4中。表4显示，与CapsPhase相比，所提出的1D-ResNet在S相位识别中表现更好，并且在P相位和噪声窗口识别中实现了相当的性能。最后，所提出的方法也进行了比较，广义相位检测方法（GPD）（罗斯等人。，2018）。因此，SCEDC数据集的75%用于重新训练所提出的1D-ResNet，这与GPD相同，并且进一步利用构建的STEAD数据来测试模型性能。这里，GPD方法的最佳保存模型是未经培训使用。GPD的测试准确率达到95.48%，1D-ResNet的准确率达到95.54%。与GPD相比，1D-ResNet实现了轻微的改进。 混淆矩阵和不同度量的结果如图7和表5所示，其中我们可以发现，1D-ResNet与GPD方法（Ross et al. ，2018）。4.3. 讨论为了研究模型性能，当面对更多噪声数据时，研究中用于模型泛化评估的STEAD数据集的同一子集被高斯噪声掩盖（类似于Mousavi等人（2020）中使用的方法）。然后，噪声数据被馈送到 预训练的模型来测试性能。在添加噪声之前的数据的信噪比（SNR）范围为0至70 dB。这里，SNR是每个信号的三个分量上的SNR的平均值。为了研究不同噪声水平对模型性能的影响，该子集被高斯噪声掩盖（类似于Mousavi等人使用的方法）。 （2020）），平均值���= 0，标准差���分别为0.01、0.05、0.1和0.5。检测准确度总结见下表6。表6中的结果表明，大噪声降低了模型性能，与CapsPhase和GPD相比，1D-ResNet 34实现了更好的性能。本研究中使用的SCEDC数据集仅由以P波和S波初至为中心的窗口组成。因此，在训练阶段，模型只会遇到中心有P波和S波到达的窗口;这可能会影响在不以P波和S波到达为中心的窗口上测试时的模型性能。 为了研究P波和S波不在中心的情况，W. Li等人地球科学中的人工智能3（2022）115121图第七章ST EA D 数 据 集 上（a）GPD和（b）1D-ResNet的 混 淆 矩 阵 。表6STEAD数据集上不同噪声水平的相位识别测试结果噪音水平0.01 0.05 0.1 0.151D-ResNet34 96.30% 96.46% 93.22% 89.16%半乳糖苷酶95.28% 95.43% 92.80% 88.90%GPD 95.85% 95.89% 92.83% 88.82%窗口，我们创建了STEAD的一个子集，其中P波和S波在窗口开始时间后1 s至3 s随机定位。正如在这种情况下预期的那样，测试准确度降低到80.66%，混淆矩阵如图8所示。准确性下降的原因很可能是训练数据和测试数据中P波和S波到达的位置之间的差异，这可能导致错误的决策。5. 结论在这项研究中，我们研究了一维残差神经网络（ResNet）的地震检测和震相分类。 该模型在南加州地震数据集上进行了训练和测试，并在STEAD数据集上进行了进一步评估。大量的实验结果验证了1D-ResNet比以前基于深度学习的方法实现了更好的性能，并且在基线上表现更好见图8。 相移数据上的1D-ResNet混淆矩阵。面对更多噪声数据时的方法。该模型可用于地震学家识别地震信号和震相，特别是在有噪声的低震级地震波形的情况下。未来的工作将集中在一个层次分类器，分层完成地震检测和地震震相识别的任务。请注意，本研究仅关注地震相位识别，在后续工作中，我们将研究如何使用预训练的相位分类器来改善连续地震波形上的相位到达时间拾取。CRediT作者贡献声明李伟：概念化，方法论，软件，写作Megha Chakraborty：写作– review 余莎：方法论。周凯：方法论，写作约翰内斯·费伯：方法论，写作格奥尔格·吕姆普克尔：概念化，写作Horst Stöcker：写作-评论编辑。Nishtha Srivastava：概念化，方法论，写作竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作数据和资源支持本研究的南加州地震数据可在Center（2013）中访问，STEAD数据集可在Mousavi et al. （2019年）。该代码可在GitHub上获得，网址为github.com/srivastavaresearchgroup/Seismic-phase-Classification。致谢这 项 工 作 得 到 了 Bundesministerium für Bildung und Forschung -BMBF的“KI-Nachwu chswissenschaftlerin-nen”- grant SAI 01 IS 20059的支持。计算是在法兰克福高级研究所的GPU集群中进行的，该集群由BMBF资助，用于地震学与人工智能（SAI）项目。Horst Stöcker感谢Judah M.艾森伯格在法兰克福歌德大学的Fachbereich Physik，W. Li等人地球科学中的人工智能3（2022）115122Walter Greiner Gesellschaft zur Förderung der physikalischen Grund-lagenforschung e. V. Yu Sha感谢西电-FIAS国际联合研究中心的支持。KaiZhou博士要感谢FIAS通过SAMSON AG提供的人工智能资助，以及BMBF通过ErUM-Data项目提供的资金。我们要借此机会感谢审查人员所付出的时间和努力提高手稿的质量引用中 心 ， 南 加 州 大 学 ， 2013.南 加 州 地 震 数 据 中 心 。 Dataset， California Institute ofTechnology，http://dx.doi.org/10.7909/C3WD3xH1.Chakraborty， M.， Fenner， D.， 李 伟 ， Faber， J.，Zhou， K.， （ 1991年 ） ，Rüempker，G.，Stoecker，H.，S r i v a s t a v a ，N.，2022. Creime：用于地震识别和震级估计的卷积递归模型。杰·吉奥菲斯。Res：Solid Earth 127（7），e2022JB 024595.Chakraborty，M.，李伟，Faber，J.，Rüempker，G.，Stoecker，H.，Srivastava，N.，2021.输入数据长度对基于深度学习的幅度分类器的影响研究arXiv预印本arXiv：2112.07551。他，K.，张，X.，Ren，S.，孙，J.，2016.用于图像识别的深度残差学习。IEEE计算机视觉与模式识别会议论文集。pp. 770-778李伟，Chakraborty，M.，Fenner，D.，Faber，J.，Zhou，K.，（1991年），Rüempker，G.，Stoecker，H.，Srivastava，N.，2021. Epick：用于地震检测和地震相位拾取的基于多类注意力的u形神经网络。arXiv预印本arXiv：2109.02567。Mousavi，S.M.，埃尔斯沃思，W. L.，朱伟，Chuang，L.Y.，哥伦比亚特区贝罗扎2020. 地震转换器--一个关注同时发生地震的深度学习模型检测和相位拾取。自然界通讯11（1），1Mousavi，S.M.，Sheng，Y.，朱伟，哥伦比亚特区贝罗扎2019.斯坦福地震数据集（stead）：人工智能地震信号的全球数据集。IEEE Access 7，179464-179476。Paszke，A.，格罗斯，S. Massa，F.， Lerer，A.，布 拉 德 伯 里 ，J， Chanan，G.， Killeen，T.， 林芝，Gimelshein，N.，安提加湖例如，2019年。Pytorch：一种命令式风格，高性能深度学习库。Adv. 神经信息过程系统32号。Peer，D.，Stabinger，S.，Rodriguez-Sanchez，A.，2021年胶囊网络的局限性模式识别。 Lett. 144，68-74。彭 志 ， 赵 ， P.， 2009. 2004年 帕 克 菲 尔德 地 震 后 早 期 余 震 的迁 移 。 自 然 地 理 。 2（12），877-881。罗斯，Z. E.，Meier，M.-一、Hauksson，E.，希顿，T.H.，2018.深度学习的广义地震相位检测公牛。地震。美国社会108（5A），2894-2901。罗斯，Z. E.，罗林斯角，Cochran，E.S.，Hauksson，E.，Avouac，J. P.，Ben-Zion，Y.，2017. 余震驱动的余震和流体压力扫过断层-裂缝网。地球物理学家。保留信函44（16），8260-8267。萨阿德，O.M.，陈玉，2020.基于胶囊神经网络的地震检测与P波到时拾取。IEEE地球科学学报远程传感器萨阿德，O.M.，陈玉，2021. Capturease：用于地震相分类和拾取的胶囊神经网络。IEEE地球科学学报远程传感器Sabour，S.，Frosst，N.，辛顿，通用电气，2017年。胶囊之间的动态路由Adv.神经信息处理。 系统30岁。Sha，Y.，Faber，J.，Gou，S.，刘，B.，李伟，Schramm，S.，Stoecker，H.，Steckenreiter，T.，Vnucec，D.，Wetzstein，N.，例如，2022年阀门声信号空化检测和空化强度识别的多任务学习。Eng. Appl. 第内特尔113，104904。Stehman，S.V.，1997.主题分类准确性的选择和解释措施。遥感环境。62（1），77-89。Xi，E.，Bing，S.，Jin，Y.，2017.胶囊网络在复杂数据上的性能。arXiv预印本arXiv：1712.03480。Zeiler，医学博士， 弗格斯河， 2014. 可视化和理解卷积网络。欧洲计算机视觉会议施普林格，pp.818-833Zhou， Y.， （ 1996年） ， 中国科 学院 ，Yue，H.， 芳湖，Zhou，S.，赵， L.，Ghosh，A.， 2022. 连续地震图的地震检测和定位体系结构：相位拾取、关联、定位和匹配滤波器。美国地震学会93（1），413-425。朱伟，哥伦比亚特区贝罗扎2019.基于深度神经网络的地震波到时拾取方法。地球物理学家。J.Int.216（1），261