月震数据是研究月球内部圈层结构最直接的资料，对于理解月球的演化至关重要。1969年，阿波罗任务首次成功布设月震仪，改变了人类对月球的认知，开启了月球内部结构探测时代。进入21世纪，月球再次成为世界主要航天国家的探测热点，中国和美国分别计划于2026年通过嫦娥7号月震仪和Farside Seismic Suite开展月球极区月震观测，新一轮的月震观测来临。不同于地球，月球地震观测环境异常恶劣。例如，月表的温度变化幅度极大（约-185℃到+122℃）。在阿波罗任务中，为了减小仪器的温度浮动范围，首先使用绝热罩将温度波动范围控制在约±12℃内（Chief and Branch, 1971）。在月球夜间温度骤降时，通过循环加热器将仪器温度稳定在约51℃±0.3℃ 。在月球白天，由于并未配备制冷器，仪器内部温度会明显升高。例如，阿波罗12号站月震仪仪器温度记录显示：月球上的日出48小时内，仪器温度升高约10℃。而阿波罗月震仪使用的LaCoste弹簧在每摄氏度的温度变化下存在4%的热漂移，因此还配备了一个热补偿棒来减轻这种漂移现象（Bendix, 1968）。极端的观测环境和航天器设备的干扰会导致月震记录中出现地球地震观测中未曾出现的特殊信号。检测、理解和去除这些由仪器故障、温度变化等因素引起的异常信号，对于正确解读和分析月震数据至关重要。在此背景下，利用人工智能新方法重新挖掘和分析阿波罗月震数据，不仅有助于增进对已有月震记录的认识，也可为我国即将获取的首批月震数据提供有益参考和技术储备。

为此，中国科学院地质与地球物理研究所刘欣博士，肖卓伟博士后和导师李娟研究员，联合美国德州大学奥斯汀分校Yosio Nakamura教授，利用基于深度学习的无监督聚类方法对阿波罗月震数据进行了深入挖掘，发现了一类此前未被报道过的与温度强相关的长周期信号（图1）。该信号同时存在于阿波罗任务被动源地震实验（Passive Seismic Experiment, PSE）四个长期工作的月震仪记录中，其主周期约560秒，存在倍频，且不同台站的主周期存在差异。该信号的振幅在“峰值”（Peak）和“平坦”（Flat）两种工作模式下的振幅相差约10倍，与仪器响应相符。信号主周期在月球日出日落时会发生迁移（图2）。在排除数模转换器的影响之后，根据阿波罗月震仪的内部结构（图3），推测该信号可能产生自PSE仪器的循环加热器：在月球夜间，当加热器开启时，仪器内温度上升，此时LaCoste弹簧可能变弱，导致摆向下移动；而当加热器关闭时，仪器内温度下降，此时弹簧强度逐渐恢复，导致摆向上移动；循环加热器的往复开关有可能导致了周期为500多秒的长周期信号。遗憾的是，由于阿波罗月震仪并未记录其循环加热器的开关情况，无法最终证实研究人员对该信号成因的推测。

图1 (a) 波形片段聚类结果的叠加展示，以阿波罗PSE 12号站“Peak”模式下的MHZ分量为例。以1小时为时窗切片，聚类叠加后的波形。设置的聚类数量为40，每个子图的标题中说明了每个类的ID（从C0到C39）以及每个类中Peak模式片段的总数（Num）。红框展示了具有该长周期信号的类别，在叠加后的波形中可以看到清晰的长周期信号；（b）图a中片段对应的归一化振幅谱的叠加展示

图2 长周期信号的周期变化特征。（a）根据波形峰值间隔计算得到的周期，日平均值用红点表示。结果受噪声和波形中的异常影响，稳定性较差，样点较分散，尤其是在日落和日出时；（b）使用3小时片段的振幅谱计算得到的周期，滑动步长为30分钟；（c）对振幅谱计算的周期进行微调后得到的周期

图3 阿波罗PSE垂直地震仪的内部结构（改自Bendix, 1968）。阿波罗月震仪采用的LaCoste弹簧在每摄氏度的温度变化下存在4%的热漂移。热补偿棒的作用是减轻弹簧热漂移的影响

研究发现的长周期信号的主周期及其倍频落在月球自由振荡的特征频率范围内（Khan and Mosegaard, 2001），对于月球自由震荡信号的搜索具有重要的价值。该信号在月球夜间长期存在，也会影响阿波罗月震数据的自相关和互相关分析。自开展阿波罗月震研究五十余年后，这一广泛存在的信号才被该研究首次发现和报道，这也提醒研究人员在使用月震数据时，需特别留意极端观测环境下各方面因素对月震记录可能带来的影响。此外，该研究使用的非监督深度聚类方法采用伪标签和分类损失函数更新网络权重，不同于此前依赖重构损失函数或聚类损失函数的方法（Mousavi et al., 2019; Seydoux et al., 2020) ，为行星地震信号挖掘提供了一个新的有力的工具。

研究成果发表于国际权威学术期刊Earth and Space Science（刘欣, 肖卓伟, 李娟^*, Yosio Nakamura. Newly discovered temperature‐related long‐period signals in lunar seismic data by deep learning. Earth and Space Science, 2024, 11(7): e2024EA003676. DOI: 10.1029/2024EA003676.）。研究受国家自然科学基金项目（E42230111）和中国科学院地质与地球物理研究所重点部署项目（IGGCAS-201904）联合资助。