季倪宏 李鋼 張玲 羅勇 黃金剛

摘要：針對現(xiàn)有地震直達P波到時拾取網(wǎng)絡精度低、誤差大等問題，結合UNet++編碼、解碼器，融入特征過濾器設計一種具有地震震相特征分析與融合能力的輕量級P波到時拾取網(wǎng)絡PPNet，實現(xiàn)對地震P波的高精度、低誤差拾取。首先，該網(wǎng)絡在編碼器模塊采用大卷積核、低通道數(shù)的卷積層，對輸入的地震信號進行深度特征提取;其次，在解碼器模塊的特征還原過程中加入特征融合機制，補全特征信息，避免序列特征污染問題;最后，僅對編碼器后三個下采樣模塊添加特征過濾器，深入挖掘特征序列，通過細化P波到時特征，提升到時拾取精度。實驗結果表明，提出的網(wǎng)絡在0.1 s、0.2 s、0.3 s誤差閾值下P波拾取率分別為80.73%、94.01%、97.81%，平均絕對誤差0.078 s，均方誤差0.021，與現(xiàn)有P波拾取傳統(tǒng)方法和深度學習算法相比性能更優(yōu)。

關鍵詞：深度學習; P波拾取; 智能拾取; 特征融合; 特征過濾

中圖分類號： TP391????? 文獻標志碼：A?? 文章編號： 1000-0844（2024）03-0714-10

DOI：10.20000/j.1000-0844.20221106001

A picking method of direct seismic P-wave arrival time based on PPNet

JI Nihong1， LI Gang1， ZHANG Ling1， LUO Yong2， HUANG Jin'gang2

（1. School of Software， Taiyuan University of Technology， Jinzhong 030600， Shanxi， China;2. Shanxi Earthquake Agency， Taiyuan 030021， Shanxi， China）

Abstract：?To overcome the low accuracies and high error rates of existing P-wave arrival time picking networks， we developed a P-wave pyramid network （PPNet）. This lightweight network was designed for high-precision and low-error picking of seismic P-waves by combining the UNet++ codec with a feature filter. Remarkably， the resulting PPNet could analyze and combine seismic phase characteristics. First， a convolution layer with a large convolution kernel and low channel number was incorporated into the encoder module for deep feature extraction from input seismic signals. Subsequently， a feature fusion mechanism was introduced into the feature restoration process of the decoder module to complement the feature information and prevent sequence feature contamination. Finally， feature filters were selectively applied to the final three downsampling modules of the encoder for deep feature sequence exploration， consequently refining the P-wave arrival features and improving pickup accuracy. Experimental results revealed that the P-wave pickup rates of the proposed network reached 80.73%， 94.01%， and 97.81% under error thresholds of 0.1， 0.2， and 0.3 s， respectively， with an average absolute error of 0.078 s and a mean square error of 0.021. Thus， the proposed network outperformed traditional P-wave pickup methods and deep-learning algorithms.

Keywords：deep learning; P-wave pickup; intelligent pickup; feature fusion; feature filtering

0 引言

震相分析是地震預防與監(jiān)測環(huán)節(jié)中的重要一環(huán)，可為地震預警工作提供重要信息，其中震相和地震信號到時拾取是震相分析的關鍵，也是當前研究的熱點和難點。地震P波是在地震活動中從震源傳出的一種彈性震相波，其傳播方向與傳播介質點振動方向一致，其中直達P波（以下簡稱P波）是由震源直接到達接收點的地震波。當前P波到時拾取工作還有很多難點需克服：一是收錄的波形數(shù)據(jù)背景噪聲大、信噪比低，不利于后續(xù)的拾取工作;二是傳統(tǒng)方法雖有較優(yōu)的拾取效率，但受設定闖值影響較大，拾取效果因數(shù)據(jù)信噪比、數(shù)據(jù)檢測信號區(qū)間不同而差異較大;三是深度學習神經(jīng)網(wǎng)絡因注重對空間模式特征的提取，導致對地震波形數(shù)據(jù)這類時序信息的特征捕獲能力較弱，對時序信息及數(shù)據(jù)間的推理關系表達欠佳，可能缺少深度時序特征，造成模型對其有效特征表達的識別度差。上述問題很大程度上影響了P波到時拾取工作，同時也是當前研究亟待解決的重點問題。

本研究針對地震信號到時拾取領域中信號和網(wǎng)絡模型方面存在的問題，結合UNet++編解碼器，加入特征過濾器模塊，設計了一種新型地震震相智能拾取網(wǎng)絡PPNet（P-wave Pyramid Network）。特征過濾器可細化提取編碼器特征，還可對因上采樣導致的特征缺失進行信息補全，從而實現(xiàn)對地震P波高精度，低誤差拾取。

1 技術綜述及存在的問題

數(shù)字地震儀在地震學研究領域已廣泛使用，科研人員在此基礎上對地震P波到時拾取研究也有相當可觀的成果。傳統(tǒng)方法和深度學習算法是當前研究P波到時拾取最常見的兩種方法。傳統(tǒng)方法中目前在地震信號處理領域有代表性的算法是長短時窗比法（Short Term Average/Long Term Average，STA/LTA）［1］、基于Akaike信息準則法（Akaike Information Criterion，AIC）［2］等，深度學習方法目前具有代表性的是ConvNetQuake［3］、PhaseNet［4］、EQTransformer［5］等。

傳統(tǒng)方法大都基于數(shù)學原理，雖有較好的拾取效率，但拾取效果很大程度上取決于數(shù)據(jù)信噪比和檢測區(qū)間。STA/LTA法根據(jù)噪聲自適應調整對某一類地震信號的敏感度，反映地震初至波的瞬時變化，為避免隨機噪聲的干擾，要設置固定閾值，靈活度較差，且在一定的噪聲條件下，長/短時窗時間越長越易拾取P波初至點，但會花費更多時間，尤其對于剪切波拾取困難，所以需要研究相應的噪聲特點來選取合適的時窗長度。AIC法反映了地震波到達前地震動與噪聲的穩(wěn)態(tài)過程和地震波到達后幅度變化的穩(wěn)態(tài)過程，一定程度上解決了閾值選擇的問題，但其拾取精度受時間序列長度的影響較大，致使相關信息的分散程度不穩(wěn)定，使用時難以選擇合適的時間序列［6］。郭鐵龍等［7］結合上述兩種方法，運用地震三分量數(shù)據(jù)，首先用STA/LTA法拾取到P波初至點，然后在初至點附近選擇合適的時窗長度，用AIC實現(xiàn)精準拾取。此方法避開了STA/LTA拾取滯后的缺點，放大了AIC精準拾取的優(yōu)點，可實現(xiàn)更高的拾取精度和效率。Baer等［8］提出的方法更好地發(fā)揮了挖掘數(shù)據(jù)的性能，提高了STA/LTA方法對低信噪比數(shù)據(jù)的拾取效果，但仍依賴于閾值設定問題，泛化性較差。除上述算法外，偏態(tài)/峰態(tài)法［9］（P Arrival Identification Skewness/Kurtosis，PAI-S/K）、標準時頻變換方法［10］等P波拾取的傳統(tǒng)算法也有較好的拾取效果，但由于震源機制、場地效應、散射、相位轉換和噪聲源干擾等多種影響，導致傳統(tǒng)方法存在泛化性差、穩(wěn)定性低、拾取誤差大等問題，無法滿足現(xiàn)實需要。

除了運用傳統(tǒng)方法對地震P波進行拾取外，深度學習方法已成為處理地震信號領域的主流技術。PhaseNet［4］參考UNet模型的構建，通過識別地震三分量數(shù)據(jù)，使用跳躍連接進行特征融合，通過輸出與輸入數(shù)據(jù)等長的概率序列獲取P波到時信息，但由于其網(wǎng)絡模型復雜度低，對信號的擬合度還有待提升。Unet-cea通過對PhaseNet進行優(yōu)化，取得了較優(yōu)的拾取性能［11］。李宇等［6］提出的融合時空注意力機制的拾取網(wǎng)絡，通過對數(shù)據(jù)進行多尺度特征提取與融合，進行權重重新分配，達到了較高的拾取率。蔡鎮(zhèn)宇等［12］構建的回歸模型無需對原始波形進行逐點掃描，即可實現(xiàn)汶川地震余震P波初至到時的有效拾取。上述文獻在對震相識別與到時拾取進行研究時，將深度神經(jīng)網(wǎng)絡用于自動提取復雜波形的抽象特征，在對標簽數(shù)據(jù)進行監(jiān)督學習后，訓練后的模型在測試數(shù)據(jù)集上的效果可超越傳統(tǒng)方法，但其能否實用化的關鍵在于神經(jīng)網(wǎng)絡是否具有更高的泛化性［13］。目前已有一些網(wǎng)絡可以達到較高的泛化性，如Perol等［14］提出的基于U型神經(jīng)網(wǎng)絡進行震相識別和到時拾取的方法，Ross等［15］提出的利用深度學習進行P波到時拾取和初動極性判定的方法。近些年人工智能技術飛速發(fā)展，隨之衍生的深度學習算法也在很多領域得到廣泛應用。深度學習算法由于在自然語言處理領域的優(yōu)勢，其在震相識別和到時拾取的實際應用中已取得很好的效果。除上述拾取模型外，Earthquake Transformer［16］等都具有較優(yōu)的P波拾取效果。但深度學習模型仍存在對數(shù)據(jù)特征的提取能力不足等問題，常會忽略有效信息，導致到時拾取效率不高，所以提高P波到時拾取精度是當前地震信號研究領域亟待解決的問題。傳統(tǒng)方法與深度學習方法在地震信號到時拾取領域已有較好的拾取效果，但仍存在受閾值設定影響大、特征提取能力不足等問題，本研究針對這些問題對P波拾取技術進行了改進。

2 模型建立與結構分析

本文結合UNet++編、解碼器，融入特征過濾器，構建了一種具有地震震相特征分析與融合能力的輕量級P波到時拾取網(wǎng)絡PPNet，其結構如圖1所示。

所構建模型由編碼、解碼器和特征過濾器組成。編碼器模塊借鑒PhaseNet構建，采用大卷積核和低通道數(shù)的卷積層，包括初始卷積模塊和下采樣模塊，可在有效提取震相到時特征的同時過濾大量干擾信息，并有效控制模型參數(shù)量。解碼器模塊由上采樣模塊和時間步全連接模塊構成，反卷積層用于還原特征尺度，Cropping層用來控制上采樣造成的尺度變化，時間步全連接層對網(wǎng)絡輸出的多層卷積特征進行共享參數(shù)，通過共享權重信息對輸出的特征序列進行逐點識別并輸出，精確拾取震相到時信息。特征過濾模塊進一步細化特征提取過程，根據(jù)特征粒度對編碼器不同階段的輸出特征進行提取，并與相應的解碼器進行特征融合，避免了因反卷積造成的特征丟失，同時增加了特征的多樣性。網(wǎng)絡模塊結構及其參數(shù)、輸入輸出尺度如表1所列。

2.1 編碼器

編碼器可以對輸入網(wǎng)絡的地震信號進行深度特征提取，增強信號序列中震相到時權重，同時壓制過濾其他的干擾信息。

本文所提出的PPNet的編碼器由1個初始卷積模塊和4個下采樣模塊構成，所有卷積層的卷積核大小均為7，激活函數(shù)均為線性整流函數(shù)（Rectified Linear Unit，ReLU）。大尺度卷積核的編碼器在每次卷積運算中感受野較大，利于進行全局特征分析，使模型對信號序列的分析能力大幅提升，從而有效提取震相到時特征，增強到時附近的權重特征，同時抑制波形峰值等干擾特征。初始卷積模塊由2個步長為1、通道數(shù)為8的卷積層構成，該模塊可對輸入的地震信號波形數(shù)據(jù)進行初步特征提取，同時提升數(shù)據(jù)通道數(shù)，豐富特征細節(jié)。下采樣模塊均由2層卷積層構成：第一卷積層步長為4，通道數(shù)與輸入特征的通道數(shù)一致;第二卷積層步長為1，通道數(shù)較第一卷積層有所提升。隨著編碼器網(wǎng)絡深度的增加，特征經(jīng)過各卷積層的過濾與池化層的非線性擬合，震相到時特征得到極大增強，特征維度有效提升，數(shù)據(jù)的隱藏特征被深度挖掘并表達。

2.2 特征過濾器

特征過濾器有兩方面的作用：首先，進一步細化提取上述編碼器提取到的特征，得到更精確的到時信息，提升網(wǎng)絡的識別精度;其次，對解碼器的特征序列進行特征信息補全，防止因上采樣導致的特征序列細節(jié)表征能力不足。

特征過濾器采用小卷積核的卷積層處理編碼器各下采樣模塊輸出的特征序列，細化處理震相到時特征，提升到時拾取精度。編碼器模塊已經(jīng)對地震信號數(shù)據(jù)進行了序列分析與震相到時特征提取，大致確定了震相到時范圍，加入特征過濾器可對特征序列進行細化分析，其計算粒度更小，可得到更精確的到時信息。

下采樣模塊在編碼器中所處位置不同，對應特征過濾器的卷積層數(shù)與卷積核大小也應不同。下采樣模塊在編碼器中所處位置越深，特征凝練度越高，使用的特征過濾器卷積層數(shù)就越少，卷積核也越小。下采樣模塊位置淺時，淺層特征表征能力弱，則需要更深層、更大尺度的特征過濾器對輸出特征進行特征過濾與序列分析。而編碼器初期由于過濾程度有限，非線性擬合程度不足，輸出的特征序列噪聲較多且震相信息不足，需構建深層的特征過濾器對其進行處理，這將引入大量參數(shù)，計算效率會受到很大影響。因此，僅對編碼器后三個下采樣模塊添加特征過濾器，對輸出的特征序列進行處理，而未使用特征過濾器處理編碼器淺層的初始卷積及第一個下采樣模塊的輸出特征。這樣可在保證網(wǎng)絡識別性能的前提下有效減少網(wǎng)絡參數(shù)量，提升模型識別效率。在地震波形信號數(shù)據(jù)中，到時特征比波峰特征表現(xiàn)更微弱，若將其直接與解碼器特征融合，會對已完成深度過濾的特征造成干擾，影響拾取性能。因此，在進行編碼解碼特征融合過程中，首先采用特征過濾器對編碼器特征進行深度發(fā)掘與提取，以有效過濾冗余及噪聲信息，得到的特征序列到時特征鮮明且細節(jié)特征豐富;再將此序列與解碼器上采樣所得到的特征進行融合，有效補充序列的細節(jié)特征，避免無效特征對后期特征序列造成的污染問題，提升網(wǎng)絡識別性能。

2.3 解碼器

解碼器可將特征序列還原成與輸入數(shù)據(jù)相同的長度，通過識別每個時間步，實現(xiàn)特征序列中P波到時的識別。在特征還原過程中加入特征融合機制，補全特征信息，同時避免了因特征細節(jié)缺失所導致的網(wǎng)絡性能差的問題。

解碼器包括4個上采樣模塊、3個特征融合模塊和1個時間步全連接模塊。上采樣模塊由步長為4的上采樣層與Cropping層構成，上采樣層將特征序列的長度還原，Cropping層裁剪上采樣輸出的特征序列，解決因下采樣特征序列向上取整所引起的長度變化問題。特征融合模塊首先將解碼器特征與其對應的特征融合器特征以Concate方式進行融合，之后采用尺度為1的卷積層進行降維，并使用ReLU函數(shù)激活。時間步全連接模塊作為網(wǎng)絡的輸出層，對每個時間步中的所有通道進行全連接運算，輸出長度為t、維度為1的特征序列;運算完成后，使用Sigmoid函數(shù)將特征序列映射到0～1之間，最終輸出P波到時概率序列。時間步全連接通過逐點預測，實現(xiàn)了地震信號序列中每個時間步的精準識別。

3 模型實驗及結果分析

本實驗使用的硬件環(huán)境平臺：CPU為E5-2695V1，GPU為TITAN V，內(nèi)存32 GB，操作系統(tǒng)為Ubuntu 18.04，所有網(wǎng)絡均基于Python 3.6及框架TensorFlow 2.0進行實驗和測試工作。在網(wǎng)絡訓練過程中，采用自適應矩陣估計算法優(yōu)化器，batch size為64，初始學習率0.01，每進行100次迭代后，學習率下降75%;采用交叉熵損失函數(shù)，當損失值連續(xù)20個epoch未下降時則停止訓練，保存參數(shù)模型。

3.1 數(shù)據(jù)預處理

實驗數(shù)據(jù)預處理方法包括去除線性趨勢、帶通濾波、歸一化等，可減少數(shù)據(jù)背景噪聲，提升網(wǎng)絡模型收斂速率。為利于模型進行特征學習及分析，還需對數(shù)據(jù)進行標簽重構處理，數(shù)據(jù)標注范圍是以人工標注到時時刻為中心的25個時間步。數(shù)據(jù)處理各階段效果如圖2所示。

3.2 評價指標

本小節(jié)使用平均絕對誤差（ Mean Absolute Error，MAE ） 、均方誤差（Mean Square Error，MSE）、命中率（Hit rate，H）這幾項評價指標對網(wǎng)絡模型的性能進行整體評估，詳細的描述與計算方式如表2所列。

3.3 消融實驗

為構建更合理的參數(shù)模型，驗證網(wǎng)絡模型構建方式的科學性和有效性，使用5 404條地震波形數(shù)據(jù)進行一系列消融實驗，并對實驗結果進行分析評價（表3）。

與未添加特征融合的網(wǎng)絡（模型1）相比，本文使用的特征融合模型（模型7）在進行測試識別時，MAE和MSE都有明顯降低，在三種閾值誤差下都有更高的拾取命中率，可有效提高拾取精度，降低誤差，從而提升模型魯棒性。與未添加特征過濾器的網(wǎng)絡（模型2）相比，本文使用的特征過濾器網(wǎng)絡在0.1 s閾值誤差下有更高的準確率。與卷積核尺度和特征序列等長的模型3相比，模型4對不同長度特征序列使用不同卷積核過濾網(wǎng)絡，使得MAE、MSE均有降低，拾取精度在三個閾值誤差下都有提高。與進行全部特征過濾的模型3、4相比，模型5、6的特征過濾器采用部分過濾，其MAE、MSE較低，拾取精度高。對過濾器參數(shù)進行調整后發(fā)現(xiàn)，本文模型的過濾器所使用的參數(shù)識別效果最優(yōu)。通過消融實驗數(shù)據(jù)分析，證實了所設計模型特征融合、特征過濾器、對不同長度的特征序列使用不同卷積核過濾、部分過濾和參數(shù)調優(yōu)的有效性。

3.4 對比實驗

3.4.1 國內(nèi)數(shù)據(jù)實驗

為充分評估本網(wǎng)絡模型拾取P波到時的性能，證明PPNet在P波到時拾取任務中的有效性與優(yōu)越性，使用主流傳統(tǒng)到時拾取方法及深度學習方法與本文方法進行對比。實驗所涉及模型的訓練集和測試集均采用相同人工標注三分量地震波形數(shù)據(jù)，包含5 404條中國國內(nèi)連續(xù)地震波形數(shù)據(jù)，研究震相為直達Pg波，數(shù)據(jù)采樣率為100 Hz，數(shù)據(jù)時窗長度為30 s。將數(shù)據(jù)集隨機分為訓練集和測試集，分別用于神經(jīng)網(wǎng)絡模型的訓練和模型識別效果的測試評估，其中訓練集包含4 719條數(shù)據(jù)，測試集包含685條數(shù)據(jù)。輸入數(shù)據(jù)后，網(wǎng)絡輸出與原數(shù)據(jù)長度相同的到時概率序列，序列中概率最高的時間步即為P波到時。對比實驗涉及到的方法如下：傳統(tǒng)方法包括AIC+STA/LTA［7］和Baer［8］方法，均基于ObsPy［16-17］實現(xiàn);深度學習方法包括PhaseNet［4］、Unet-cea［11］、BiLSTM［18-19］、BiGRU［20］、文獻［12］和文獻［6］方法。國內(nèi)地震數(shù)據(jù)對比實驗結果如表4所列。

由表4可知，較兩種傳統(tǒng)方法，本文提出的網(wǎng)絡模型的MAE分別降低了69.17%、77.97%，MSE分別降低了95.81%、96.63%;在三種設置閾值誤差下，本文方法的命中率更高。這是因為傳統(tǒng)方法拾取結果受閾值設定影響較大，閾值不同導致不同方法對震相的敏感度不同，泛化性和魯棒性弱，所以在實驗中表現(xiàn)較差。與深度學習方法相比，本文提出的網(wǎng)絡模型的MAE分別降低了19.59%、24.27%、31.58%、32.76、50.0%、15.22%，MSE分別降低了38.24%、61.82%、66.13%、63.16%、74.07%、41.67%，本文方法的MAE與MSE均為最低。在0.1 s和0.3 s誤差閾值下，本文方法有最高的P波拾取命中率，在0.2 s誤差閾值下命中率低于Unet-cea和文獻［6］法。Unet-cea采用了更小的卷積核，能更好地識別網(wǎng)絡細節(jié)特征，因此在0.2 s閾值誤差下達到最高拾取率。Baer提出的CRED是近年來拾取能力較為出色的模型，可以通過地震頻譜信號獲取完整震相信息，但因其網(wǎng)絡涉及參數(shù)量大，復雜度較高，在使用的批量數(shù)據(jù)中易發(fā)生過擬合現(xiàn)象，所以其識別結果弱于所提模型。PhaseNet使用大卷積核提升了網(wǎng)絡感受野，但存在對數(shù)據(jù)的細節(jié)信息分析不足等問題，在低閾值誤差下對P波到時的拾取能力較弱，說明其網(wǎng)絡對信號特征的利用率較差。文獻［12］方法對P波到時預測采用回歸方式，無需解碼即可將特征序列進行還原，誤差較小，但拾取精度較低。文獻［6］法加入時空注意力模塊，有效增強了模型對特征數(shù)據(jù)的感知能力，拾取率較高，但可能缺少對卷積通道數(shù)的調整及優(yōu)化，在0.1 s和0.3 s誤差閾值下拾取率比本文方法低。本文所提出的模型在實驗中平均誤差最低，拾取精度相較最優(yōu)，有較強的魯棒性。

所用不同方法在不同誤差閾值下的拾取情況如圖3所示，因AIC+STA/LTA法和文獻［12］法數(shù)據(jù)結果的效果對比度不高，故未繪出。本文方法在不同閾值誤差下的識別結果如圖4所示，每組的三幅圖均為三次隨機采樣的結果。圖4展示了地震波形數(shù)據(jù)的歸一化振幅隨采樣點數(shù)的變化情況，橫坐標軸為地震波形數(shù)據(jù)的采樣點數(shù)，采樣點數(shù)越多，地震波形的描述就越精確；縱坐標軸為地震波的歸一化振幅，一般振幅越大，地震波的能量越強。由圖3、4可知，在低誤差閾值范圍內(nèi)本文方法拾取條數(shù)最多，比例最大，在0.1 s誤差閾值內(nèi)本文方法拾取誤差最低，精度最高。

3.4.2 美國南加州數(shù)據(jù)實驗

為進一步驗證模型的泛化能力，在實驗中引入10 000條美國南加州連續(xù)地震波形數(shù)據(jù)，訓練集包含8 000條數(shù)據(jù)，測試集包含2 000條數(shù)據(jù)。選取了部分有代表性的模型對該數(shù)據(jù)集進行實驗與評估，并使用具體量化指標來評價拾取效果。南加州地震數(shù)據(jù)對比實驗結果如表5所列。

由表5測試結果可知，傳統(tǒng)方法結果誤差及拾取精度較深度學習方法相差較大;本文所提出的網(wǎng)絡在三種閾值設定下MAE與MSE分別為0.057 19 s和0.039 4 s，在0.1 s、0.2 s和0.3 s誤差閾值下命中率分別達到96.9%、98.2%和98.7%，在對比的模型中有最高的拾取率和最低的誤差。

通過對不同數(shù)據(jù)集進行對比實驗，驗證了所提出網(wǎng)絡在地震P波拾取檢測上的有效性，表明其具有較強的數(shù)據(jù)特征處理能力和更好的拾取能力，可對地震P波進行更高精度和更低誤差的拾取，網(wǎng)絡模型具有較強的泛化性和魯棒性。

4 結語

本文提出了一種基于深度學習的地震震相智能拾取網(wǎng)絡PPNet，通過結合UNet++編碼、解碼器，融入特征過濾器，實現(xiàn)對地震P波的高精度、低誤差拾取。該網(wǎng)絡采用大卷積核、低通道數(shù)的卷積層，能更深層次提取波形特征，并在提取地震P波到時特征的同時過濾掉干擾信息;將特征融合機制融入特征還原過程中，可補全特征信息，防止特征細節(jié)缺失所導致的網(wǎng)絡性能差等問題，進而實現(xiàn)信號序列中每個時間步的精確識別;僅對編碼器后三個下采樣模塊添加了特征過濾器，通過控制參數(shù)量提高模型識別效率，細化分析序列特征，實現(xiàn)序列精準識別，最終提升網(wǎng)絡精度。通過測試全國范圍的地震數(shù)據(jù)集和美國南加州多維度、多震源的地震數(shù)據(jù)集，驗證了本文網(wǎng)絡對地震P波拾取的優(yōu)越性。實驗結果表明，與文中提及的傳統(tǒng)方法相比，本文方法具有較高的拾取精度與較低的誤差;與現(xiàn)今主流的震相拾取深度學習方法相比，本文方法具有更優(yōu)秀的綜合性能，可實現(xiàn)對地震P波到時高精度、低誤差拾取。

未來將進一步優(yōu)化網(wǎng)絡模型，平衡特征融合器應用層數(shù)與計算參數(shù)量大小影響拾取效率的問題;研究分析各前沿震相拾取模型，對模型參數(shù)進行優(yōu)化，調整卷積尺度與卷積通道數(shù)對拾取性能的影響;嘗試同時拾取地震P波與S波，為后續(xù)預警建設和相關地學研究提供重要參考。

參考文獻（References）

［1］ ALLEN R V.Automatic earthquake recognition and timing from single traces［J］.The Bulletin of the Seismological Society of America，1978，68（5）：1521-1532.

［2］ AKAIKE H.A new look at the statistical model identification［J］.IEEE Transactions on Automatic Control，1974，19（6）：716-723.

［3］ PEROL T，GHARBI M，DENOLLE M，等.用于地震檢測與定位的卷積神經(jīng)網(wǎng)絡［J］.世界地震譯叢，2020，51（3）：236-247.

PEROL T，GHARBI M，DENOLLE M，et al.Convolutional neural network for earthquake detection and location［J］.Translated World Seismology，2020，51（3）：236-247.

［4］ ZHU W Q，BEROZA G C.PhaseNet：a deep-neural-network-based seismic arrival-time picking method［J］.Geophysical Journal International，2019，216（1）：261-273.

［5］ MOUSAVI S M，ELLSWORTH W L，ZHU W Q，et al.Earthquake transformer-an attentive deep-learning model for simultaneous earthquake detection and phase picking［J］.Nature Communications，2020，11（1）：3952.

［6］ 李宇，韓曉紅，張玲，等.融合時空注意力機制的P波到時拾取網(wǎng)絡［J］.計算機工程與應用，2023，59（6）：113-124.

LI Yu，HAN Xiaohong，ZHANG Ling，et al.Seismic P-wave first-arrival picking model based on spatiotemporal attention mechanism［J］.Computer Engineering and Applications，2023，59（6）：113-124.

［7］ 郭鐵龍，張雪梅，鄒立曄.STA/LTA-AIC算法對地震P波震相拾取穩(wěn)定性影響［J］.地震地磁觀測與研究，2017，38（3）：13-17.

GUO Tielong，ZHANG Xuemei，ZOU Liye.Influence of the STA/LTA-AIC algorithm on the stability of P-wave pickups［J］.Seismological and Geomagnetic Observation and Research，2017，38（3）：13-17.

［8］ BAER M，KRADOLFER U.An automatic phase picker for local and teleseismic events［J］.Bulletin of the Seismological Society of America，1987，77（4）：1437-1445.

［9］ 郭茂祖，張慶宇，趙玲玲.基于人工智能建模的結構振動響應預測研究綜述［C］//2021中國自動化大會論文集.北京：中國自動化學會，2021：759-764.

GUO Maozu，ZHANG Qingyu，ZHAO Lingling.Review on the prediction of structural vibration response based on artificial intelligence modelling［C］//Proceedings of the 2021 China Automation Conference.Beijing：Chinese Association of Automation，2021：759-764.

［10］ 姚彥吉，柳林濤，盛敏漢，等.利用標準時頻變換方法在強噪聲環(huán)境下無偏拾取地震P波、S波到時［J］.地球物理學報，2022，65（1）：227-243.

YAO Yanji，LIU Lintao，SHENG Minhan，et al.Unbiased picking onset time of P and S phases by normal time-frequency transform method under a strong noise environment［J］.Chinese Journal of Geophysics，2022，65（1）：227-243.

［11］ 趙明，陳石，房立華，等.基于U形卷積神經(jīng)網(wǎng)絡的震相識別與到時拾取方法研究［J］.地球物理學報，2019，62（8）：3034-3042.

ZHAO Ming，CHEN Shi，F(xiàn)ANG Lihua，et al.Earthquake phase arrival auto-picking based on U-shaped convolutional neural network［J］.Chinese Journal of Geophysics，2019，62（8）：3034-3042.

［12］ 蔡振宇，蓋增喜.人工智能在拾取地震P波初至中的應用：以汶川地震余震序列為例［J］.北京大學學報（自然科學版），2019，55（3）：451-460.

CAI Zhenyu，GE Zengxi.Using artificial intelligence to pick P-wave first-arrival of the microseisms：taking the aftershock sequence of Wenchuan earthquake as an example［J］.Acta Scientiarum Naturalium Universitatis Pekinensis，2019，55（3）：451-460.

［13］ 趙明，唐淋，陳石，等.基于深度學習到時拾取自動構建長寧地震前震目錄［J］.地球物理學報，2021，64（1）：54-66.

ZHAO Ming，TANG Lin，CHEN Shi，et al.Machine learning based automatic foreshock catalog building for the 2019 MS6.0 Changning，Sichuan earthquake［J］.Chinese Journal of Geophysics，2021，64（1）：54-66.

［14］ PEROL T，GHARBI M，DENOLLE M.Convolutional neural network for earthquake detection and location［J］.Science Advances，2018，4（2）：e1700578.

［15］ ROSS Z E，MEIER M A，HAUKSSON E.P wave arrival picking and first-motion polarity determination with deep learning［J］.Journal of Geophysical Research：Solid Earth，2018，123（6）：5120-5129.

［16］ 李曉銳，張娜，姚林鵬，等.ObsPy包中的地震事件觸發(fā)和震相拾取算法梳理［J］.山西地震，2020（3）：42-46.

LI Xiaorui，ZHANG Na，YAO Linpeng，et al.Sorting of seismic event triggering and seismic phase picking algorithms in ObsPy package［J］.Earthquake Research in Shanxi，2020（3）：42-46.

［17］ BEYREUTHER M，BARSCH R，KRISCHER L，et al.ObsPy：a Python toolbox for seismology［J］.Seismological Research Letters，2010，81（3）：530-533.

［18］ 王國棟，蘆天亮，尹浩然，等.基于CNN-BiLSTM的惡意代碼家族檢測技術［J］.計算機工程與應用，2020，56（24）：72-77.

WANG Guodong，LU Tianliang，YIN Haoran，et al.Malicious code family detection technology based on CNN-BiLSTM［J］.Computer Engineering and Applications，2020，56（24）：72-77.

［19］ CHO K，VAN MERRIENBOER B，GULCEHRE C，et al.Learning phrase representations using RNN encoder-decoder for statistical machine translation［J］.ArXiv e-Prints，2014：1406.1078.

［20］ HOCHREITER S，SCHMIDHUBER J.Long short-term memory［J］.Neural Computation，1997，9（8）：1735-1780.

（本文編輯：趙乘程）

基金項目：中央引導地方科技發(fā)展資金項目（YDZJSX2021C004）;山西省青年科學研究項目（20210302124554）

第一作者簡介：季倪宏（1998-），女，碩士研究生，主要研究方向為深度學習、地震信號處理。E-mail：376891282@qq.com。

通信作者：李 鋼（1980-），男，博士，副教授，主要研究方向為深度學習、地震信號處理。E-mail：tx2090@126.com。

季倪宏，李鋼，張玲，等.一種基于PPNet的地震直達P波到時拾取方法［J］.地震工程學報，2024，46（3）：714-723.DOI：10.20000/j.1000-0844.20221106001

JI Nihong，LI Gang，ZHANG Ling，et al.A picking method of direct seismic P-wave arrival time based on PPNet［J］.China Earthquake Engineering Journal，2024，46（3）：714-723.DOI：10.20000/j.1000-0844.20221106001