SeisT：一种面向地震监测任务的基础深度学习模型
地球物理
2024-03-08 v3 机器学习
摘要
地震波形图作为基础的地震记录，已彻底改变了地震研究与监测。深度学习的最新进展进一步增强了地震信号处理，带来了更精确、更有效的地震监测能力。本文介绍了一种基础深度学习模型——地震波形图Transformer（SeisT），专为多种地震监测任务而设计。SeisT结合了针对不同类型任务定制的多个模块，展现出令人印象深刻的分布外泛化性能，在地震检测、震相拾取、初动极性分类、震级估计、反方位角估计和震中距估计等任务上优于或匹敌当前最优（SOTA）模型。各任务的性能分数分别为0.96、0.96、0.68、0.95、0.86、0.55和0.81。与现有模型相比，最显著的改进出现在P波相拾取、S波相拾取和震级估计上，增益分别为1.7%、9.5%和8.0%。我们的研究通过严谨的实验与评估表明，SeisT有潜力推动地震信号处理与地震研究的发展。
引用
@article{arxiv.2310.01037,
title = {SeisT: A foundational deep learning model for earthquake monitoring tasks},
author = {Sen Li and Xu Yang and Anye Cao and Changbin Wang and Yaoqi Liu and Yapeng Liu and Qiang Niu},
journal= {arXiv preprint arXiv:2310.01037},
year = {2024}
}