地震震相数据是研究地球内部结构的重要资料。随着近些年来地震观测的不断增多，地震记录的数量飞速增长，通过人工的方式已经无法及时高效地从这些海量数据中提取震相走时信息。尽管研究人员提出了许多经典的自动拾取算法，这些方法往往对噪声组成复杂的数据适应性差，且拾取精度无法达到人工拾取水平。因此，在进行层析成像等研究工作中，研究人员仍需通过人工或半自动的方式拾取大量的震相，这限制了相关研究工作的效率和数据的利用程度。如何对海量地震数据进行快速、高精度的自动拾取，是影响地震学家对地球深部精细结构进行研究的重要问题。 

　　针对上述问题，中国科学院地质与地球物理研究所地球与行星物理院重点实验室王建副研究员团队与中国科学院大学电子与通信工程学院刘畅博士合作，以计算机视觉边界检测领域前沿的深度学习算法为基础，提出了基于深度学习的端到端地震震相自动拾取算法，命名为PickNet（图1）。它将归一化的原始波形记录作为数据，输出一个类脉冲序列，序列的最大值对应的时刻即为震相的到时（图2）。相较于此前将震相拾取问题看做回归问题或者是语义分割问题的深度学习算法而言，PickNet算法将震相拾取问题看做边界检测问题，将地震波形序列映射为尖锐的到时脉冲序列，具有更高的拾取精度和泛化能力。该研究团队在日本Hi-net台网的实际地震数据上检验了PickNet算法，并与人工拾取结果进行比较。从拾取精度方面看，在PickNet和人类专家共同拾取的震相中，73.91%（85.41%）的初至P波偏差在0.05秒（0.10秒）之内，60.75%（77.47%）的初至S波偏差在0.10秒（0.20秒）之内（图3）。从拾取数目方面看，PickNet获得了约8倍于台网中心提供的地震震相，对地震数据的利用更加充分。为了进一步验证PickNet方法可以有效服务于地球深部结构研究，该研究团队将PickNet拾取的震相直接用于层析成像研究，仅使用了299个地震获得的成像结果与此前使用数千个地震得到的速度结构结较一致（图4）。研究人员还利用该算法对中国地震局台网，美国地震台网记录的数据进行了测试，均取得了良好的效果。

　　该PickNet方法具有以下优点：（1）准，拾取精度接近人工拾取结果，拾取后的震相数据能直接用于研究地球内部结构；（2） 快，用一块Nvidia Geforce GTX 1080Ti GPU约4分钟能拾取20多万条地震波形记录；（3）多，拾取的走时数量是台网中心提供的数量的几倍；（4）广，理论上可适用于拾取其它后续震相。该研究表明深度学习可以从海量的地震波形数据中自动高效地挖掘震相数据，为地震学家提供了有效的工具，能加速人们对地球内部结构的了解。 

　　  　

　　图 1. PickNet算法网络结构图。其中三角形表示上采样，圆圈与十字的组合表示残差单元。   

　　

　　图 2. PickNet输入输出示意图。（a和b）， P波、S波对应台站记录（输入）；（c和d）， 震相到时脉冲序列（理想输出）； （e和f）， PickNet输出（实际输出）。 

　　 

　　图 3. PickNet在300个日本区域地震对应的Hi-net台网波形记录上的拾取结果与JMA提供的人工拾取震相对比。（a），潜在震相数目（即地震数目乘以台站数目）、PickNet自动拾取数目、JMA人工拾取数目的对比。当波形中的初至难以拾取时，PickNet输出会全部为零，即此时对该波形记录做拒识处理，这对保证所拾取震相的质量十分重要；（b）同时被PickNet和人类专家拾取的震相的到时偏差对比。 

　　 

　　图 4. 将PickNet拾取的震相数据直接用于层析成像反演得到的日本俯冲带地区P波（左），S波（右）速度异常。成像结果揭示了菲律宾海板块俯冲形态的变化、火山下方的低速体及其与低频地震分布之间的联系等，这些结果与前人层析成像结果有很好的一致性。 

　　研究成果发表于Journal of Geophysical Research: Solid Earth。（Wang J, Xiao Z W, Liu C et al. Deep Learning for Picking Seismic Arrival Times[J]. Journal of Geophysical Research: Solid Earth, 2019, DOI: 10.1029/2019JB017536）

　　原文链接： https://agupubs.onlinelibrary.wiley.com/doi/abs/10.1029/2019JB017536，其PickNet方法已开源，链接：https://doi.org/10.13140/RG.2.2.28081.22887 。