世界上很多大城市，如旧金山、洛杉矶、东京，以及我国的北京、重庆、成都等处于活动断层带上，地震风险等级较高。城市区域较高的人口、建筑密度，一方面增大了地震灾害的风险；另一方面，人类活动产生各种强噪声，极大地污染了地震记录，降低了检测灵敏度，增加了误检测率，为地震监测带来了困难。因此，压制城市地震噪声水平，提高信噪比，进而加强地震监测能力对高风险城市区域的防震减灾具有重要的意义。
随着计算能力、数据存储能力的巨大进步，以及地震标签数据的大量积累，机器学习被广泛的应用于地震监测与地震数据去噪。基于到时的地震监测采用机器学习可实现地震检测、震相拾取、震相关联、走时定位等环节（如Zhang et al., 2022），基于波形的地震监测采用机器学习可实现地震检测和定位，得到地震目录（如Shen and Shen, 2021）。
地震数据去噪是机器学习在地震学的另一个应用。城市噪声源头多、能量强、覆盖频带宽。当地震信号与噪声在频率域有交集时，频率域滤波的去噪方法无法有效还原信号，且导致较大的波形畸变；时频域的去噪方法虽然可以克服上述问题，但是提取信号的阈值函数很难准确表达。Siahsar et al.（2017）和Liu et al.（2018）曾采用机器学习中的字典学习，获得地震数据的稀疏表示方式，进而对其进行去噪。Zhu et al.（2019）开发了DeepDenoiser深度学习去噪算法，有效地压制了郊野环境下地震记录中的噪声。Tibi et al. (2021)用Utah大学地震中心采集的数据重新训练了U-net神经网络，得到的神经网络新模型能够更好地对区域地震记录进行去噪。然而，应用上述深度学习的去噪算法对城市地震记录进行去噪，效果皆不理想，可能原因在于郊野环境下的地震噪声特征与城市环境的地震噪声有着较大差异。
针对上述问题，斯坦福大学Earthquake Seismology课题组与中国科学院地质与地球物理研究所赵亮研究员课题组展开合作，开发了能够有效压制城市地震记录噪声的深度学习去噪算法—— UrbanDenoiser（Yang et al., 2022）。Yang et al. 通过对布设在洛杉矶长滩（Long Beach）市区的密集台阵地震记录作时频域的分析，识别出大量的汽车、飞机、直升机、风声等噪声以及未能辨别种类的噪声，并从中提取出80 000条噪声时窗组成噪声样本；同时，经过人工智能震相拾取、震相关联检验、信噪比计算等严格的筛选流程，他们从布设在南加州安静环境下的密集台阵—圣哈辛托（San Jacinto）密集台阵记录中挑选了33 751条高质量的地震信号时窗组成信号样本。基于DeepDenoiser的神经网络架构，采用迁移学习得到UrbanDenoiser神经网络模型。
应用UrbanDenoiser对长滩地震数据进行去噪，可以发现：
（1）新方法能够显著地压制白天城市地震记录的噪声水平（图1），使原来不能被用于地震监测的白天数据也得到应用，增加了地震数据的利用率；
（2）新方法对信噪比大于1的地震记录都能进行有效的去噪，且提取出的信号在体波部分几乎不产生波形畸变（图1）；
（3）利用去噪后的数据进行地震探测，探测到的事件全部对应真实的地震，而不包括任何的能量超过探测阈值的非地震事件，降低了误检测率。
图1 原始地震记录与去噪地震记录对比（Yang et al., 2022）。(A)为原始地震记录（24小时），(B)为相应的去噪地震记录，(C)为(A)中虚线框所示的一个地震信号（黑色）和其去噪后的波形（红色）。去噪方法能够有效的还原地震信号，且在体波部分基本不产生畸变
与原始数据获得结果比较，基于去噪后的地震数据获得的微震定位结果在0-5 km和15-20 km展现出更贴近已知断层带的地震分布规律（图2）。在20 km以下，去噪数据的定位结果中（图2B）不能观测到广泛存在的微震事件，该区域的莫霍面深度约为25 km，因此不支持前人观测到的广泛存在于上地幔的地震事件（Inbal et al., 2016）。5-15 km的切片中未能观测到明显的地震分布趋势，这可能是由于在这个深度，断层处于闭锁状态。15-20 km深度范围内观测到地震集中于断层附近分布，这可能是由于孕震区域根部应力集中所致（Yang et al., 2021）。据此，Yang et al. 建立了浅部蠕滑、中部闭锁、孕震区域根部局部应力集中的断层模型（图3）。
图2 地震定位结果（7天）在不同深度范围的水平切片（Yang et al., 2022）。(A)为原始地震记录定位结果，(B)为去噪数据定位结果。图中每一个圆点代表一个检测到的事件。圆点的大小与反投影成像的振幅超过检测阈值的绝对中位差（median absolute deviation）的倍数成正比
图3 断层模型示意图（修改自Yang et al., 2021）
应用UrbanDenoiser对南加州城市拉哈布拉（La Habra）在2014年发生的一次地震序列的地震记录进行去噪，显著提升了地震序列中不同震级的地震信号的信噪比（图4）。基于去噪后的数据进行地震检测，检测到的地震数量是南加州地震台网中心公布的数量的4.5倍，比目前公认的南加州最完备的QTM地震目录（Ross et al., 2020）中的地震数量还多10%。
图4 地震记录去噪前后信噪比对比图。应用UrbanDenoiser对南加州CI.FUL台站记录到的102条地震记录进行去噪，去噪后的地震记录的信噪比得到显著提高。震级范围为-0.16～5.1（Yang et al., 2022）
研究结果表明，该深度学习城市地震记录去噪算法可以直接应用到北京、天津、重庆等其他城市，亦可用于地表强震动预测、地震早报等其他领域，加强城市地震监测能力。
主要参考文献
Inbal A, Ampuero J P, Clayton R W. Localized seismic deformation in the upper mantle revealed by dense seismic arrays[J]. Science, 2016, 354(6308): 88-92.
Liu L, Ma J, Plonka G. Sparse graph-regularized dictionary learning for suppressing random seismic noise[J]. Geophysics, 2018, 83(3): V215-V231.
Ross Z E, Trugman D T, Hauksson E, et al. Searching for hidden earthquakes in Southern California[J]. Science, 2019, 364(6442): 767-771.
Siahsar M A N, Gholtashi S, Abolghasemi V, et al. Simultaneous denoising and interpolation of 2D seismic data using data-driven non-negative dictionary learning[J]. Signal Processing, 2017, 141: 309-321.
Tibi R, Hammond P, Brogan R, et al. Deep Learning Denoising Applied to Regional Distance Seismic Data in Utah[J]. Bulletin of the Seismological Society of America, 2021, 111(2): 775-790.
Yang L, Liu X, Zhu W, et al. Toward improved urban earthquake monitoring through deep-learning-based noise suppression[J]. Science Advances, 2022, 8(15): eabl3564.（原文链接）
Yang L, Liu X, Beroza G C. Revisiting evidence for widespread seismicity in the upper mantle under Los Angeles[J]. Science Advances, 2021, 7(4): eabf2862.
Zhu W, Mousavi S M, Beroza G C. Seismic signal denoising and decomposition using deep neural networks[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(11): 9476-9488.
（撰稿：毛元彤/岩石圈室）
