基于分布式声学传感的海洋声学与地震监测深度学习框架
地球物理
2026-03-17 v1
摘要
分布式声学传感（DAS）通过将现有光纤电缆转化为密集传感器阵列，实现对海洋声学与地震活动的高分辨率和长时程监测。然而，由于数据量庞大且信号复杂，从连续DAS数据中提取多样化信号仍具有挑战性。本文提出DASNet——一个针对DAS数据中多样化海洋信号的深度学习框架，用于自动检测、分类和到达时定位。该模型基于连续录制数据通过半监睕流程进行训练，联合预测每个检测到的事件的时空边界框和分割掩码。应用于 Monterey Bay 淺海光纤阵列（SeaFOAM）三年数据后，DASNet识别出超过50万个跨越多个信号类别的事件。对于地震监测，该模型在100公里范围内检测到大部分目录化地震，并识别远距离地震产生的T波，通过波束分析显示源方位聚集在西南太平洋及中洋脊系统沿线。对于生物声学监测，DASNet检测并跟踪超过40万个蓝鲸和金鲸叫声，揭示季节性和年际波动情况与独立水听器记录相符。对于人为活动，DASNet检测并定位靠近电缆的船舶交通，估计位置经由自动识别系统（AIS）轨迹验证。这些结果表明，DAS结合深度学习提供了一种可扩展、高分辨率的海洋环境观测方法。随着海底DAS部署的扩大，这一框架将显著增强稀疏地区的地震、生物声学和人为活动观测。
引用
@article{arxiv.2603.14844,
title = {A deep learning framework for marine acoustic and seismic monitoring with distributed acoustic sensing},
author = {Chun Zhang and Weiqiang Zhu and Barbara A. Romanowicz and Richard M Allen and Kenichi Soga and Yuxin Wu},
journal= {arXiv preprint arXiv:2603.14844},
year = {2026}
}