通过形状感知损失恢复深学习相位捕获器中的亚阈值 S 波到达
地球物理
2026-04-06 v2 人工智能
摘要
深度学习已彻底变革了地震相位捕获，但仍存在一个系统性失效模式：对于某些对人类分析员而言明显的 S 波到达，模型仅产生一个被压制在检测阈值以下的扭曲峰值，而相同的记录上的 P 波预测则完美无瑕。通过考察训练动力学和损失景观几何，我们诊断了这种�幅抑制源于三个相互作用因素：S 波到达的时序不确定性、CNN 对振幅边界的偏差，以及点态损失无法提供横向纠正力的局限性。诊断结果表明，相位到达标签是结构化的形状，而非独立的概率估计，需要保持一致性的训练目标。我们将此形式化为“形状后对齐”策略，并通过条件生成对抗网络（GAN）验证案例，恢复了此前的亚阈值信号，实现了有效 S 相位检测量提升 64%。除了本实现，我们引入的损失景观可视化和数值模拟技术提供了一种通用方法，用于分析标签设计与损失函数如何与时序不确定性相互作用，将这些选择从试验性方法转变为原则化分析。
引用
@article{arxiv.2511.06731,
title = {Recovering Sub-threshold S-wave Arrivals in Deep Learning Phase Pickers via Shape-Aware Loss},
author = {Chun-Ming Huang and Li-Heng Chang and I-Hsin Chang and An-Sheng Lee and Hao Kuo-Chen},
journal= {arXiv preprint arXiv:2511.06731},
year = {2026}
}