地球科学中的人工智能3（2022）46PolarCAP地震波形Megha Chakrabortya，b，Claudia Quinteros Cartayaa，Wei Li a，Johannes Faber a， c，Georg Rümpkera，b，Horst Stoeckera，c，d， e，Nishtha Srivastavaa，b，*a法兰克福高等研究院，60438，Frankfurt am Main，德国b德国法兰克福歌德大学地球科学研究所，邮编：60438c德国法兰克福歌德大学理论物理研究所，邮编：60438d西电-FIAS国际联合研究中心，Giersch科学中心，60438，法兰克福，德国eGSI Helmholtzzentrum for Schwerionenforschung GmbH，64291，Darmstadt，GermanyA R T I C L EI N FO保留字：初动极性地震波形卷积A B S T R A C TP波初至波的极性对有效地确定震源机制具有重要作用，特别是对于小震。人工估计极性不仅耗时，而且容易出现 人 为 错 误 。 这 保 证 了 对 用 于 第 一 运 动 极 性 确 定 的 自 动 算 法 的 需 要 。 我 们 提 出 了 一 个 深 度 学 习 模 型 -PolarCAP，它使用自动编码器架构来识别地震波形的第一运动极性。PolarCAP使用来自意大利地震数据集（EQUANNCE）的130，000多条标记记录道以监督方式进行训练，并在22，000条记录道上进行交叉验证，以选择最佳的超参数集。我们在一个完全看不见的测试数据集上获得了0.98的准确度，该数据集包含近33，000条迹线。此外，我们通过在以前的作品提供的数据集上进行测试来检查模型的泛化能力，并表明我们的模型在正负极性上都实现了更高的召回率1. 介绍地震波形的初动极性是确定震源机制的一个重要参数，特别是对于小震。传统上，第一运动极性由专家分析师手动分配。然而，根据他们对北岭地区数据集的观察，Hardebeck和Shearer（2002）报告说，挑选的极性与真实极性不一致的时间约为10%（对于极性更容易确定的冲动发作）至20%（对于极性更模糊的紧急发作）。这一点，再加上不断增长的地震数据量，需要一个更快，更精确和有效的方法来挑选极性。Chen和Holland（2016）提出的自动极性拾取算法基于将信号幅度与背景噪声进行比较，并检查它是否超过用户定义的阈值。Pugh等人（2016）提出了一种贝叶斯推理方法 极性测定。然而，这种数值方法（i）需要大量的人类参与，（ii）严重依赖于有限数量的参数，并且（iii）不能解释复杂的地震图的性质;因此不能与手动拾取竞争（Ross等人， 2018年）。数据驱动的计算机视觉技术，例如卷积神经网络，已经被证明能够通过模仿人脑对图像的感知来分析空间独立的信息（Alplodimos等人，2018; Lundervold和Lundervold，2019; Brachmann等人，2017年）的报告。与大多数研究领域一样，深度学习已成功应用于地震学，用于事件检测定位等任务&（Perol等人，2018），地震相位识别&拾取（Chen，2018; Zhu和Beroza，2019; Li等人，2021年，2022年），震级表征（Mousavi和Beroza，2020年; Chak-raborty等人，2021 a，b，2022）。Ross等人（2018），Hara等人（2019）和Uchide（2020）已经证明了简单卷积神经网络（CNN）在拾取第一运动极性方面的适用性。在这项研究中，我们使用自动编码器模型来确定第一个-运动极性与Mousavi等人，2019）也使用自动编码器以无监督方式进行极性分类，我们采用监督方法并利用在EQUANCE数据集的元数据中提供的极性信息（Michelini et al.， 2021年）。以来* 通讯作者。 法兰克福高等研究院，60438，法兰克福，德国。电子邮件地址：srivastava@fias.uni-frankfurt.de（N.Srivastava）。https://doi.org/10.1016/j.aiig.2022.08.001接收日期：2022年6月14日;接收日期：2022年7月27日;接受日期：2022年2022年9月8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-geosciencesM. Chakraborty等人地球科学中的人工智能3（2022）4647-=有几种算法能够以0.01秒的精度拾取P到达时间（Mousavi等人，2020年; Li等人， 2021; Zhu和Beroza，2019; Liao等人，2021）我们只关注极性的分类，而不是P到达时间的选择。因此，我们假设P到达时间是先验知识，并使用以已知P到达样本为中心的固定长度的数据窗口。我们对我们的结果进行了广泛的分析，以研究其超越人类分析师的潜力，并研究可能导致模型极性分配错误的可能情况。2. 方法2.1. 数据在2005年1月至2020年1月期间，意大利国家地震台网主要记录了近120万个波形，这些波形是从EQUANCE数据集获得的（Michelini等人，2021）用于训练和验证我们的模型。数据集还包含使用EQTransformer检索多个检测的迹线（Mousavi等人，2020）;这由元数据参数trace_-EQT_number_detections指示。为了简单起见，我们只使用检测次数为1的迹线。它已经被观察到（Ross等人，2018），当信噪比（SNR）低于10 dB时，极性预测的准确性随SNR呈指数下降。因此，我们忽略SNR小于10 dB的迹线，以确保训练数据中的最小差异。这给我们留下了443，002条记录，其中109，748条记录具有由专家分析师识别的极性信息，并通过目录提供。这109，748条轨迹以60：10：30的比例划分，用于训练、验证和测试目的。训练集和验证集中的每个跟踪都在相应的集合Uchide（2020）以前使用的这种增强技术不仅使训练数据量增加了一倍，而且有助于平衡两个类别（“正”和“负”极性），已知这有益于分类器的学习（Batista等人，2004年）。没有这样的增强应用于测试数据集，以保持类的原始分布。我们不应用任何预处理步骤，而是通过将每个波形除以其最大绝对值来对其进行归一化。如前所述，我们假设第一个P到达时间已经知道。我们使用一个固定的数据窗口围绕P-到达样本。在探索了32和1024个样本之间的几个值之后，通过实验将窗口的长度选择为64个样本。注意，仅使用2的幂，因为自动编码器在每一步将数据维度减少22.2. 模型架构和培训我们使用自动编码器模型（Rumelhart等人，1986），其体系结构如图1所示。它使用两组1D卷积（Kiranyaz 等人， 2015）和Maxpooling（Nagi等人， 2011）层将数据映射到16维潜在空间（编码层）。用于重建数据的解码器由两组卷积层和上采样层组成。关于所使用的超参数的更多细节可以在图1的标题中找到。将softmax函数应用于编码层以执行分类。该模型使用Keras（Charles，2013）实现，并在NVIDIA A100 GPU上进行训练和测试使用Adam Optimiser（Kingma和BaAdam，2014）进行反向传播。损失函数是重构和分类损失的加权和，权重分别为1和200。由于我们对分类性能比重建性能更感兴趣，并且重建仅用于促进学习，因此将更高的权重分配给分类损失。为了计算重建和分类损失，我们使用Keras（Charles，2013）内置的损失函数分别用于均方误差我们使用提前停止（Pre-chelt，2012）来防止过拟合，如果验证损失连续15个时期没有减少，训练就会自动停止，并且学习到的最佳模型权重集（具有最低值验证损失）被迭代地保存我们还使用ReduceLROnPlateau如果验证损失在10个时期内没有减少，则将学习率降低10倍，从10-3的学习率开始，使其具有10-6的最小值。使用这些条件，模型训练75个epoch，平均每个epoch训练时间为1秒。3. 结果和讨论如前所述，PolarCAP仅在信噪比（SNR）高于10 dB的数据上进行训练，以确保训练数据的良好质量，因此我们分别在SNR高于和低于10 dB的数据上进行测试。该测试在两个独立的数据集上进行：（i ）BACHANCE数据集的部分（Michelini等人，2021）不用于训练或验证，以及（ii）来自南加州地震网络（SCSN）的测试数据集（南加州地震数据中心，2013）在Ross et al. （2018年）。然而，对于后一个数据集，我们忽略了极性“不确定”的波形。结果总结在表1的前半部分，相应的混淆矩阵（Ting，2017）见图2。可以看出，SNR高于10 dB的轨迹的准确度在98%左右，数据集，这意味着大约98%的轨迹由我们的模型确定的极性标签与通过手动分析分配的极性标签一致。图3a中示出了这种迹线的几个示例。正如预期的那样，对于较小的SNR，准确度较低，因为较高的噪声水平使得极性信息模糊，因此难以手动或使用深度学习来图 1. 自动编码器 架构 用于我们study.编码器中的1D卷积层使用每个Maxpooling层将数据维度减少了2。使用的辍学率为0.3。卷积解码器中的层使用分别为8个和32个滤波器以及分别为16个和32个的核大小。 最终解码器层具有‘tanh softmax函数应用于编码层，以得到波形分别具有“负”和“正”极性的概率M. Chakraborty等人地球科学中的人工智能3（2022）4648···表1在SNR高于和低于10 dB的迹线的两个数据集上进行数据增强和不进行数据增强训练时的模型性能总结测试数据集准确度（%）精确度（%）召回率（%）正负正负数据无增强信噪比aSNR≥10dB 98. 19 99. 06 96.49 98. 22 98. 12信噪比10dB 96.22 98.18 93.63 95.3 97.5SCSNbSNR≥10dB 97.53 98.89 94.98 97.35 97.87信噪比10dB 89.65 96.11 77.67 88.87 91.48信噪比（SNR）≥10dB 97.65 98.61 95.77 97.86 97.23信噪比10dB 94.24 97.68 89.98 92.36 96.9SCSNbSNR≥10dB 97.78 98.99 95.5 97.64 98.05信噪比10dB 92.46 96.86 83.55 92.26 92.93一 （Michelini等人， 2021年）。b（南加州地震数据中心，2013年）。图二. 用于在数据上测试模型的混淆矩阵（Michelini等人，2021），（a）SNR 10 dB（b）SNR <10 dB，SCSN数据由（Ross等人，2018），（c）SNR 10 dB（d）SNR。模型还值得注意的是，尽管该模型仅使用意大利国家地震网络的数据进行训练，但它可以在南加州地震网络的数据上表现得相当好。这证明了模型的普遍性。3.1. 与先前发布的模型在本节中，我们将PolarCAP的性能与Ross et al.（2018）;Uchide（2020）;Hara et al.（2019）等先前工作中描述的模型进行了比较。为此，我们在相同的轨迹上训练每个模型，同时使用相同的模型架构，训练参数和由各自作者指定的输入数据长度然后，我们在两个测试数据集上测试我们的观察结果总结在表2中。正如人们可以看到PolarCAP优于其他模型。3.2. 具有不匹配的指定和预测极性的迹线的手动检查我们进一步研究了SNR高于10 dB的ECONANCE数据集的595条迹线，其中PolarCAP预测的极性和手动分配的极性不一致（参见图2）。我们可以将这些情况分为以下三类之一：分析员指定的极性正确。模型预测的极性是正确的。由于高噪声水平或不正确的P拾取，极性信息是模糊的。根据我们的分析，我们观察到，在40.8%的情况下，模型预测的极性是正确的，而在27.6%的情况下，模型预测不正确的极性。在其余31.6%的情况下，极性信息很难通过人工检查确定，主要是由于高噪声水平。前一种情况的一些例子可以在图3b中找到。我们进一步发现，模型对轨迹的不正确分类要么是由于第一个P波至的不正确拾取（尽管从图3b可以看出，模型基于训练数据中遇到的情况考虑了一定程度的时移），要么是由于P波至本质上是突现的。我们继续检查迹线，在那里我们识别出P到达样本被错误地拾取，并使用EPick模型自己拾取P到达（Li等人，2021年）。图4a示出了五个迹线，其中由EPick确定的P到达样本似乎比元数据中提供的那些更准确。然后，我们将64个样本窗口集中在M. Chakraborty等人地球科学中的人工智能3（2022）4649图三. 其中（a）模型预测的极性与人类分析师指定的极性相匹配，（b9）模型预测的极性正确，而不是手动指定的极性。红色虚线显示元数据中提供的P到达样本。图中M代表地震震级，SNR代表信噪比，e代表震中距，d代表震源深度。Passgn和Ppred分别表示分配的和预测的极性，并且方括号中的百分比表示对应于预测极性的概率M. Chakraborty等人地球科学中的人工智能3（2022）4650表2不同模型之间的比较从表中可以看出，PolarCAP在两个数据集上的表现都优于其他模型测试数据集模型准确度（%）精确度（%）召回率（%）正负正负负极性aPolarCAP 98. 19 99. 06 96. 49 98. 22 98. 12Ross等人（ 2018年）b97.294.8298.4296.8897.36Hara等人（ 2019年）c97.0694.798.2696.5697.31内出（2020）d98.01 96.08 99.01 98.03 98.01SCSNePolarCAP 97.53 98.89 94.98 97.35 97.87Ross等人（ 2018年）b96.1891.7198.6997.5395.48Hara等人（ 2019年）c97.2794.3798.8597.7997.01内出（2020）d97.23 94.04 98.96 98.02 96.82一 （Michelini等人， 2021年）。b（Ross等人，2018年 ） 。 c （ Hara 等人 ， 2019 年 ） 。 d（ 内 出 ， 2020年）。e（南加州地震数据中心，2013年）。见图4。（a）由于元数据中提供的P到达时间中的误差，极性预测不正确的迹线的E个示例（用红色虚线示出）。由模型从（Li et al.，2021）以蓝色虚线示出。灰色虚线显示新的时间窗口。红色和蓝色的预测极性对应于元数据中提供的到达时间和使用（Li等人，2021）分别为（b）由于P波到达的突现性质，模型错误预测极性的迹线的E个样本。右边的面板显示了P到达样本周围仅10个样本的放大图（在元数据中提供）。图中M代表地震震级，SNR代表信噪比，e代表震中距，d代表震源深度。Passgn和Ppred分别表示指定和预测的极性，方括号中的百分比表示对应于预测极性的概率。挑选的P相，并且在这些情况中的每一种情况下，由模型预测的极性现在与分配的极性匹配。图4b显示了一些紧急到达的例子。我们还观察到，紧急发作的预测概率通常低于冲动发作。3.3. 影响模型精度的我们从信噪比、震级、震源深度和震中位置等的距离.信噪比（SNR）可以影响拾取第一P到达的容易度，并且因此可以确定第一运动极性，并且幅度可以与SNR相关。然而，我们没有发现信噪比、幅度和模型精度之间的任何可观察到的相关性，如图5a所示，这意味着该模型能够在宽范围的SNR和幅度上执行极性确定。从图5b中还可以看出，不正确的分类仅限于较浅的事件（80 km），尽管这些事件在训练数据中最多。这可能是因为更深的地震往往有更冲动的M. Chakraborty等人地球科学中的人工智能3（2022）4651图五. 作为记录道总数的一部分的错误分类记录道的分布，相对于（a）信噪比和震级（b）震源深度和震中距离（c）地下顶部30 m的平均剪切波速度（VS30）。与类似震级的浅源地震相比， 2014年）。我们还研究了不同场地条件下不正确分类的比例，其特征是平均剪切波速为表层30 m（VS30）。我们发现，在VS30420 ms-1时，不正确极性分类的倾向略高，<对于在VS为30<240 ms-1的台站记录的11个事件，没有观察到错误分类（图11）。 5 c）。3.4. 通过增加如上所述，极性的错误确定是由P波到达时间的错误选择或P波发作的紧急性质引起的。为了解决第一个问题，我们使用数据增强来为训练数据中的一些轨迹添加时移。Uchide（2020）也探索了这种增强技术。由于我们在元数据中没有关于P波起始质量的任何信息，因此不可能应用增强来增加训练数据中出现的迹线的数量。将时移应用于1/5的迹线（然后将其添加回数据集）;时移量选自平均值为0且标准差为10个样本的正态分布。允许最大移位30个样本，以确保第一个P波到达包含在窗口中。在增强数据上重新训练模型后，我们再次对其进行测试在相同的测试集上。表1的后半部分显示了模型的相应评估。可以看出，数据增强的使用导致了EQUANNCE数据集的准确度较低（无论是低SNR还是高SNR）。这可能是因为在数据集中，轨迹通常正确选择了P到达时间，因此不需要增强。另一方面，在来自南加州地震数据中心（2013）的测试数据的情况下，对于高SNR数据，准确度增加到0.25%，使用数据增强后，低SNR数据为2.81%。正如人们可能预期的那样，对于低SNR情况，改善更为显著。这可能表明增强有助于更好地表示SCSN数据集中的痕迹（南加州地震数据中心，2013年）。4. 结论在这项研究中，我们探索了深度学习模型- PolarCAP在P波到达信息可用时更快更准确地确定地震波形初动极性的潜力与人类分析师相比。我们表明，当测试看不见的痕迹，极性预测的模型，匹配的分配超过98%的情况下都是由人类分析师完成的。我们观察到，模型不正确的极性分配背后的主要原因是不正确的P波到达拾取和紧急到达;为此，我们还发现事件深度通过影响P波到达的质量间接影响不正确预测的比例。然而，尽管存在这些障碍，我们发现，当模型预测的极性与元数据中呈现的极性不同时，通常模型是正确的（几乎41%的时间，而模型只有大约28%的时间是错误的），从而证明了它克服人为错误的能力。竞合利益作者声明，他们没有已知的可能影响本文所报告工作致谢这项研究得到了M. Chakraborty等人地球科学中的人工智能3（2022）4652=Nachwuchswissenschaftlerinnen计算是在法兰克福高级研究所的新GPU集群中进行的Intelligenz（SAI）.作者还要感谢Darius Fenner和JonasK？hler的善意建议。 教授 博士霍斯特Stoecker 炉排 - 完全承认犹大M 。EisenbergLaureatus -Eisenberg 在 法 兰 克 福 歌 德 大 学 物理学 系 的 研 究 ， 由WalterGreiner资助。GesellschaftzurF örderungder物理学Grund-lagenforschung e.V.引用巴蒂斯塔，G.E.A.P. A Prati，R.C.，Monard，M.C.，2004.平衡机器学习训练数据的几种方法的行为研究。SIGKDD EX探测器Newsletter 6，20-29. https://doi.org/10.1145/1007730.1007735网站。Bormann，P.，Klinge，K.，Wendt，S.，2014.数据分析和地震记录-^P.S. P. 1-126Brachmann，A.，Barth，E.，Redies角，2017.利用cnn的特点来更好地理解视觉艺术作品的特殊之处。心理学前沿8. https://doi.org/10.3389/fpsyg.2017.00830。Chakraborty，M.，Fenner，D.，李 伟，Faber ，J.，Zhou ，K.，（ 1991年） ，Rümpker，G.，例如，2022年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，e2022JB 024595。网址：http：//doi.org/10.1029/2022JB024595Chakraborty，M.，李伟，Faber，J.，Ruempker，G.， Stoecker，H.，Srivastava，N.，2021年a. 输入数据长度对基于深度学习的幅度分类器的影响研究。https://doi.org/10.48550/ARXIV.2112.07551网站。https://arxiv.org/abs/211207551Chakraborty，M.，Rümpker，G.， Stocker，H.，李伟，Faber，J.，Fenner，D.，Zhou，K.，（1991年），Srivastava，N.，2021b的最后一页。使用深度学习对地震波形进行实时震级分类，EGU大会2021，在线，EGU 21 -15941。网址：http：//doi.org/10.5194/egusphere-egu21-15941Charles，P.，2013年。项目名称。https://github.com/charlespwd/project-title网站。陈玉，2018年 通过无监督机器学习自动拾取微震事件。地球物理学家。J. Int.212，88-102.陈春，霍兰德，AA，2016年。Phaseptools：一个健壮的纯python软件包，地震震相识别 地震研究快报87，1384-1396。Hara，S.，Fukahata，Y.，Iio，Y.，2019.使用深度学习确定日本西部波形数据的P波首动极性。71.第二次世界大战https://doi.org/10.1186/s40623-019-1111-X.Hardebeck，J.L.，希勒，下午，2002.确定初动震源机制的一种新方法。美国地震学会通报92，2264-2276。金玛，D.P.，Ba，J.，亚当2014年随机优化的一种方法。Kiranyaz，S.，Ince，T.，哈米拉河，Gabbouj，M.，2015. 卷积神经网络用于患者特异性ECG分类，pp. 2608-2611. https://doi.org/10.1109/EMBC.2015.7318926。李伟，Chakraborty，M.，Fenner，D.，Faber，J.，Zhou，K.，（1991年），Rümpker，G.， Sto？cker，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型神经网络。https://arxiv.org/abs/2109.02567网站。李伟，Sha，Y.，Zhou，K.，（1991年），Faber，J.，Ruempker，G.，Stoecker，H.，Srivastava，N.，2022年基于深度学习的小震级地震检测与震相分类https://doi.org/10.48550/ARXIV.2204.02870网站。https://arxiv.org/abs/2204.02870.廖文，李，E.，Mu，D.，陈佩，劳河，2021年ARRU相位选择器：注意用于拾取地震P-和S-相位到达的递归-剩余U-网络。Seismol。保留信函92，2410-2428。https://doi.org/10.1785/0220200382。https://pubs.geoscienceworld.org/ssa/srl/article-pdf/92/4/2410/5351037/swww.example.comLundervold，A.S.，Lundervold，A.，2019.深度学习在医学成像中的应用综述，聚焦于mri。Zeitschrift für Medizinische Physik 29，102-127. https：//doi.org/10.1016/j.zemedi.2018.11.002，特刊。https://www.sciencedirect.com/science/article/pii/S0939388918301181（DeepLearning in Medical Physics）.Michelini，A.，Cianetti，S.，Gaviano，S.， Giunchi角，Jozi-nov i'c，D.，Lauciani，V.，2021年举例说明意大利地震数据集的机器学习，地震波形和相关的元数据，Isti-tuto Nazionale di Geofisica e Vulcanologia（INGV）。http：doi.org/10.13127/instance。Mousavi，S.M.，哥伦比亚特区贝罗扎2020.地震震级估计的机器学习方法。地球物理学家。保留信函47，e2019GL085976https://doi.org/10.1029/2019GL085976.Mousavi，S.M.，朱伟，埃尔斯沃思，W.，Beroza，G.，2019.使用深度卷积自动编码器对地震信号进行IEEE Geoscience and RemoteSensing Letters 16，1693-1697. https://doi.org/10.1109/LGRS.2019.2909218网站。Mousavi，S.M.，埃尔斯沃思，W. L.，朱伟，庄湖，Beroza，G.，2020.地震变压器-一个专注的深度学习模型，用于同时地震检测和相位拾取。国家通信11https://doi.org/10.1038/s41467-020-17591-w。Nagi，J.，Ducatelle，F.，Di Caro，GA，Cires Escherichan，D.，迈耶，美国，Giusti，A.，Nagi，F.，S c h m i d h u b e r ，J.，Gambardella，L.M.，2011年。最大池卷积神经网络用于基于视觉的手势识别。在：IEEEInternational信号与图像处理应用会议ICSIPA），pp.342-347https://doi.org/10.1109/ICSIPA.2011.6144164，2011年。Perol，T.，Gharbi，M.，Denolle，M.，2018.卷积神经网络用于地震探测与定位。Sci.Adv. 4，e1700578https://doi.org/10.1126/sciadv.1700578.普雷切尔特湖，2012年。提前结束-但什么时候？Springer Berlin Heidelberg，pp.53比67https://doi.org/10.1007/978-3-642-35289-8_5网站。Pugh，D.，怀特河，克里斯蒂，P.，2016年。自动电池极性测定。Geophysical Journal International 206，275罗斯，Z. E.，Meier，M.-一、Hauksson，E.，2018年P波到时拾取和初动用深度学习确定极性。地球物理研究杂志：固体地球123，5120-5129。https://doi.org/10.1029/2017JB015251.arXiv。https：//agupubs.onlinelibrary.wiley.com/doi/abs/10.1029/2017JB015251。https：//agupubs. onlinelibrary.wiley.com/doi/pdf/10.1029/2017JB015251网站。Rumelhart，D.，Hinton，G.，威廉姆斯河，1986.通过误差传播学习内部表示。在：在齿轮的微观结构中的实验探索，卷。1.一、MITPress，Cambridge，MA，USA，pp. 318-362. http://dl.acm.org/citation.cfm? ID104279.104293南加州地震数据中心，2013年。https://doi.org/10.7909/C3WD3X H1.Ting，K.M.，2017. 混乱矩阵X. Springer US，Boston，MA. https://doi.org/10.1007/978-1-4899-7687-1_50，260-260。内出，T.，2020. 基于深度学习选择的第一动极性的地球物理杂志International 223，1658-1671. https://doi.org/10.1093/gji/ggaa401网站。Anglodimos，A.，Doulamis，N.，Doulamis，A.， Protopa-padakis，E.，2018. 计算机 视 觉 的 深 度 学 习 ： 简 要 回 顾 。 计 算 智 能 和 神 经 科 学 2018 。https://doi.org/10.1155/2018/7068349网站。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.216，261-273. https://doi.org/10.1093/gji/ggy423.
我的内容管理
展开
