OBSTransformer：一种基于自动标注和迁移学习的深度学习地震相位拾取器
摘要：准确的地震震相检测和起始点拾取对地震学研究至关重要。监督式深度学习震相拾取方法在陆地地震数据上表现出色，但在用于研究海洋地区必不可少的海底地震仪（OBS）数据时，其性能显著下降。本研究基于自动标注和迁移学习，开发了一种通用的迁移学习的OBS震相拾取器-OBSTransformer。首先，我们编制了一个全面的数据集，包括来自全球11个临时布设的423个OBS记录的编目地震事件。通过自动化程序，我们利用四种广泛使用的机器学习拾取器（EqTransformer、PhaseNet、广义震相检测和PickNet）以及AIC拾取器分析了这些地震事件至少三次到达的一致性来标记P和S相。这样产生了一个包含约36,000个地震样本的全面的OBS数据集。随后，我们利用这个数据集进行迁移学习，并利用一种经过充分训练的陆地机器学习模型——EqTransformer作为基础模型。此外，我们利用峭度方法从同样的OBS网络中提取了25,000个OBS噪声样本，然后将其与标记的地震样本一起用于模型训练。通过在次全球、区域和局部尺度上进行三组测试数据集的测试，我们证明了OBSTransformer的性能优于EqTransformer。特别地，在大距离（>200 km）处，P和S的回波率分别提高了68%和76%。我们广泛的测试和比较表明，OBSTransformer对检测/拾取阈值的依赖较小，并且对噪声水平更具鲁棒性。
作者：Alireza Niksejel, Miao Zhang
论文ID：2306.04753
分类：Geophysics
分类简称：physics.geo-ph
提交时间：2023-06-09