PickBlue：利用深度学习进行海底地震仪的地震相拾取
摘要：探测地震记录中的相位到达并准确确定到达时间对许多地震学分析流程至关重要。对于陆地台站数据，机器学习方法已经得到广泛应用。然而，由于缺乏适合的训练数据和模型，深度学习方法在海底数据上尚未普遍应用。在这里，我们从不同构造环境下的15个部署中汇编了一个大规模的有标签海底地震仪数据集，该数据集包括来自13,190个事件和355个台站的约90,000个P波和约63,000个S波的人工挑选。我们提出了PickBlue，这是EQTransformer和PhaseNet两个受欢迎的深度学习网络的适应版本。PickBlue同时处理三个地震仪记录以及一个水听器组件，并使用新数据库中的波形进行训练。通过使用迁移学习进行性能增强，初始权重是从使用陆地地震数据进行训练的模型中得出的。PickBlue在性能上显著优于使用陆地台站训练的神经网络和不使用水听器数据训练的模型。该模型对于P波和S波的平均绝对偏差（MAD）分别为0.05秒和0.12秒。我们将我们的数据集和训练模型整合到SeisBench中，以便在未来的部署中进行方便和直接的应用。
作者：Thomas Bornstein, Dietrich Lange, Jannes M"unchmeyer, Jack Woollam, Andreas Rietbrock, Grace Barcheck, Ingo Grevemeyer, Frederik Tilmann
论文ID：2304.06635
分类：Geophysics
分类简称：physics.geo-ph
提交时间：2023-04-14