短周期密集地震台阵具有成本低廉、易于布设的优势，逐渐发展成为关键构造区地壳-上地幔尺度结构被动源地震成像的主流方法之一。不同于宽频带地震仪，去仪器响应是短周期地震仪接收函数成像必要的处理步骤，用于恢复远震记录中的低频信号。但是，去仪器响应同时放大了低频噪声，导致噪声水平较高的情况下远震记录信噪比“不升反降”（图1）。由于噪声与远震信号频带相似，使用常规的带通滤波方法难以将其去除，甚至不具备可行性。

图1 去仪器响应（a）能够恢复远震波形、（b）破坏远震波形。去仪器响应前后波形分别用蓝色和黑色线表示，其中零时刻表示远震P波理论到时

为解决这一问题，中科院地质与地球物理研究所博士生冯铭业与导师陈凌研究员、韦生吉客座研究员等，将深度学习方法——卷积神经网络近震记录降噪技术——引入到三分量远震记录降噪中，进而提高P波接收函数波形及成像分辨率。不同于传统的频率域（或小波域等）滤波降噪方法，神经网络经过机器学习训练能够分别预测信号和噪声，实现二者的有效分离，在提高信噪比方面明显优于传统方法。但是，由于近震记录与远震记录波形特征差异较大，基于近震数据集训练得到的神经网络模型难以直接、有效地应用到远震记录。为此，该研究利用全球地震监测台网长达20年的高质量远震数据对“当下先进的”时间域“端到端”卷积神经网络结构WaveDecompNet重新进行了训练，发展了名为NodalWaden的新模型。研究将NodalWaden应用于布设在苏门达腊北部亚齐地区的155个短周期地震仪长达1.5年的远震观测记录，发现约50%远震数据的信噪比有显著提高（从~1提高至>10）（图2）。

图2（a）苏门答腊北部亚齐地区短周期地震仪分布及本研究所用远震事件分布。（b）深度学习技术能够有效分离原始三份量远震记录（黑色）中的远震信号（红色）和噪声（蓝色），其中零时刻表示远震P波理论到时。（b）降噪前后单台A01和所有台（共155个）信噪比（SNR）统计图对比，其中降噪前后结果分别用黑色和红色表示

研究发现相对未降噪数据，利用降噪数据计算的接收函数波形具有三方面明显提升：1）接收函数中的长周期波包噪声得到了有效压制，波形更为清晰；2）在大约2 s处的一个正极性弱信号振幅得到明显加强；3）直达P波震相振幅得到有效恢复（图3a）。经过接收函数波形分析和共转换点叠加成像，发现该约2 s处正极性震相对应中地壳深度，可能反映未降噪数据集无法清晰分辨的康拉德界面（图3b）。

图3（a）降噪前后TG09台站接收函数波形对比（分别位于左侧和右侧）。（b）降噪前后沿图2a中AA’剖面接收函数地壳-上地幔顶部结构成像结果对比，其中Moho和Conrad分别表示本研究所解释的莫霍面和康拉德面

这项研究为短周期地震记录智能降噪提供了新方案，为提高短周期密集台站地壳尺度结构成像分辨率提供了新思路，促进了人工智能与地震学的交叉融合。

研究成果发表于国际地震学学术期刊SRL（冯铭业，陈凌^*，韦生吉，Umar Muksin，Andrean V. H. Simanjuntak，陈余宽，宫畅. Deep Learning – Based Denoising Improves Receiver Function Imaging Using Dense Short-Period Teleseismic Data [J]. Seismological Research Letters. DOI: 10.1785/0220240017.）