地震波场通用任务框架

地震学面临着在状态预测和重建（如地震早期预警和地面运动预测）以及管理源位置、机制和地球模型参数变动性（如地下结构和地形效应）方面的根本性挑战。通过仿真来解决这些问题受限于规模巨大，既涉及合成数据体积，又涉及数值复杂度，而真实数据方法则受限于模型未能充分反映地球的复杂性，以及现场稀疏的传感器测量。近期的机器学习（ML）努力展现了前景，但由于缺乏proper characterization、公正的报告和严格的比较，进展常被掩盖。为此，我们引入了一个面向地震波场的机器学习通用任务框架（Common Task Framework, CTF），本文在三个不同的波场数据集上进行演示。我们的CTF包含在不同尺度（全球、地壳、局部）下精选的数据集，以及覆盖预测、重建和在噪声和有限数据等现实约束下的泛化的任务特定指标。灵感来自自然语言处理等领域的CTF，为算法间的头盔比较提供了结构化且严谨的基础。我们评估了 various methods for从稀疏传感器测量中重建地震波场，结果表明CTF在揭示方法的优势、局限性以及特定问题类的适合性方面具有实用价值。我们的愿景是用标准化的评估取代非正式的比较，对科学机器学习的严谨性和可重复性提出更高的要求。