哪个选择器适合我的数据？基于深度学习的地震拾取方法的定量评估
摘要：地震事件检测和相位挑选是许多地震学工作流程的基础。近年来，几篇论文证明了深度学习方法在某些情况下明显优于传统方法，甚至能够达到人类水平的表现。然而，由于大多数研究在使用的数据集和具体评估任务上存在差异，目前尚不清楚不同方法之间的差异如何。此外，还没有系统研究模型在跨领域场景下的表现，即应用于具有不同特征的数据时的表现如何。在这里，我们通过进行大规模基准研究来解决这些问题。我们比较了六个先前发布的深度学习模型在八个数据集上的性能，这些数据集涵盖了从局部到远震的距离，并且涉及到三个任务：事件检测、相位识别和发生时间拾取。此外，我们将结果与经典的Baer-Kradolfer picker进行了比较。总体上，我们观察到EQTransformer，GPD和PhaseNet的表现最好，其中EQTransformer在远震数据上稍占优势。此外，我们进行了跨领域研究，分析了模型在未经训练的数据集上的性能。我们展示了经过训练的模型可以在不同区域之间进行转移，而仅有轻微的性能下降，但是从区域到远震数据或者反之则不能。由于深度学习在检测和挑选方面是一个快速发展的领域，我们通过在标准化框架上构建我们的代码并将其公开，确保了我们基准研究的可扩展性。这使得模型开发人员可以轻松地比较新模型或者评估新数据集上的性能，而不仅仅局限于这里所呈现的数据集。此外，我们通过SeisBench框架提供了所有已训练模型的可用性，使最终用户可以轻松将这些模型应用于地震学分析中。
作者：Jannes M"unchmeyer, Jack Woollam, Andreas Rietbrock, Frederik Tilmann, Dietrich Lange, Thomas Bornstein, Tobias Diehl, Carlo Giunchi, Florian Haslinger, Dario Jozinovi''c, Alberto Michelini, Joachim Saul, Hugo Soto
论文ID：2110.13671
分类：Geophysics
分类简称：physics.geo-ph
提交时间：2022-02-09