微震事件检测的可解释人工智能
机器学习
2026-04-10 v2 地球物理
摘要
深度神经网络如PhaseNet在检测微震事件方面表现高精度，但其黑箱特性在关键应用中引发关注。我们应用可解释人工智能（XAI）技术，如梯度加权类激活映射（Grad-CAM）和Shapley 增益解释（SHAP），来解释PhaseNet模型的决策并提高其可靠性。Grad-CAM指示，网络的注意力与P波和S波到达时间一致。SHAP值量化了特征贡献，确认垂直分量振幅驱动P波定位，而水平分量主导S波定位，与地球物理学原理一致。基于这些洞见，我们引入一种结合模型输出和基于解释度量的SHAP门控推断方案，以减少错误。在9000个波形的测试集上，SHAP门控模型实现F1分数0.98（精确率0.99，召回率0.97），优于基线PhaseNet（F1分数0.97），显示出对噪声的增强鲁棒性。这些结果表明，XAI不仅可以解释深度学习模型，还能直接提高其性能，为构建可信的自动化地震检测器提供了模板。本研究使用的实现和脚本将在https://github.com/ayratabd/xAI_PhaseNet上公开。
引用
@article{arxiv.2510.17458,
title = {Explainable AI for microseismic event detection},
author = {Ayrat Abdullin and Denis Anikiev and Umair Bin Waheed},
journal= {arXiv preprint arXiv:2510.17458},
year = {2026}
}
备注
v2: Revised manuscript after journal review; updated methods/results; now under review at Artificial Intelligence in Geosciences