基于 Transformer 网络从实时地震波形估计地震震级与位置

精确的实时地震震级与位置估计对于预警和快速响应至关重要。尽管近期已提出多种用于快速评估地震的深度学习方法，但它们通常依赖于单一台站或固定台站集的地震记录。本文引入一种利用基于注意力的 transformer 网络进行实时震级与位置估计的新模型。我们的方法融合了动态变化台站集的波形，在震级与位置估计性能上均优于深度学习基线。此外，它大幅优于一种经典的震级估计算法，并与经典定位算法相比展现出有前景的性能。在这项工作中，我们利用三个多样且大规模的数据集，对训练数据需求、训练流程及典型失败模式进行了全面研究。我们的分析给出若干关键见解。首先，我们能精确指出大量训练数据的作用；例如，四倍大的训练集将实时评估所需时间缩减为原来的四分之一。其次，基础模型系统性低估大震级事件。该问题可通过迁移学习将其他区域的事件纳入训练来缓解。第三，在训练数据充足的区域位置估计高度精确，但对于训练分布之外的事件则严重退化。我们的分析表明，这些特征不仅存在于我们的模型中，也存在于迄今大多数已发布的快速评估深度学习模型中。它们源于黑箱建模，而其缓解可能需要对神经网络施加物理推导的约束。