深度学习在地震信号处理中的应用综述

张利欣 ,  肖紫月 ,  戴志军 ,  李子昂 ,  刘红敏

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (27) :11525-11542

PDF (8931KB)
科学技术与工程 ›› 2026, Vol. 26 ›› Issue (27) :11525-11542 DOI: 10.12404/j.issn.1671-1815.2506758
天文学、地球科学

深度学习在地震信号处理中的应用综述

作者信息 +

Review of Deep Learning Applications in Seismic Signal Processing

Author information +
文章历史 +

摘要

深度学习作为一种强大的数据驱动方法,正深刻变革着地震学研究。其端到端的建模范式、自动化的深层特征提取能力以及对复杂非线性关系的拟合优势,有效克服了传统方法依赖人工特征工程、经验阈值和特定物理模型的局限性,已成为地震信号处理领域的前沿核心技术。系统性地构建了深度学习在地震信号处理中的应用研究综述框架,不仅全面梳理了其在实时地震信号解析、地震事件表征与震源参数反演以及地震物理理解与灾害风险评估等方面的关键进展,还创新性地从“数据-模型-物理-任务-评估”耦合视角,探讨了新兴范式与地震信号处理的融合路径,为构建更鲁棒、可解释、低依赖的下一代智能地震监测系统提供了技术路线与理论参考,对推动地震学走向自动化、实时化与智能化具有重要的学术意义与应用价值。

Abstract

Deep learning is a powerful data-driven approach. That profoundly transforms seismological research. Its end-to-end modeling paradigm, automated deep feature extraction capability, and strong ability to fit complex nonlinear relationships effectively overcome the limitations of traditional methods that rely on manual feature engineering, empirical thresholds, and specific physical models. It has become a frontier core technology in seismic signal processing. A systematic review framework for the application of deep learning in seismic signal processing was constructed. Key advances in real-time seismic signal analysis, seismic event characterization and source parameter inversion, as well as seismic physical understanding and disaster risk assessment were comprehensively summarized. An innovative coupling perspective of “data-model-physics-task-evaluation” was introduced. The integration pathways between emerging paradigms and seismic signal processing were explored. The results demonstrate that this structured framework clarifies the internal logical relationships among data representation, model design, physical constraints, task objectives, and evaluation metrics. It provides a technical roadmap and theoretical reference for building more robust, interpretable, and low-dependence next-generation intelligent seismic monitoring systems. It promotes the development of seismology toward automation, real-time processing, and intelligence, and shows significant academic significance and practical value.

Graphical abstract

关键词

深度学习 / 地震学 / 地震信号解析 / 震源参数反演 / 地震构造与灾害

Key words

deep learning / seismology / seismic signal analysis / source parameter inversion / seismotectonics and hazard

引用本文

引用格式 ▾
张利欣, 肖紫月, 戴志军, 李子昂, 刘红敏. 深度学习在地震信号处理中的应用综述[J]. 科学技术与工程, 2026, 26(27): 11525-11542 DOI:10.12404/j.issn.1671-1815.2506758
ZHANG Li-xin, XIAO Zi-yue, DAI Zhi-jun, LI Zi-ang, LIU Hong-min. Review of Deep Learning Applications in Seismic Signal Processing[J]. Science Technology and Engineering, 2026, 26(27): 11525-11542 DOI:10.12404/j.issn.1671-1815.2506758

登录浏览全文

4963

注册一个新账户 忘记密码

地震作为由地壳应力快速释放所驱动的突发性地质灾害,对人类社会安全、基础设施稳定性和生态环境等构成重大威胁。尽管地震学在过去一个世纪的发展历程中构建起完善的理论框架与观测体系,但如何准确高效地实现地震信号处理、事件快速表征与自动化分析仍是该领域的核心科学难题。传统地震信号处理方法是现代地震数据分析的基石,其核心思想是基于信号的先验统计假设与物理特性,通过分析地震波形在时域能量瞬时变化或频域的频谱结构,借助长短时窗能量比、自回归模型、小波变换等特定算法完成地震事件检测、震相拾取等核心任务。由于地震信号固有的非平稳性、背景噪声(涵盖地脉动、仪器噪声、人为干扰等),以及地震序列中多事件波形复杂叠加等挑战,传统方法依赖人工调参后处理,其处理精度、自动化程度、鲁棒性和泛化能力受到严重制约。
现代地震学已发展为一门以数据为核心驱动的科学,地震监测网络对地壳三轴运动(垂直、东西、南北)以每秒数百次的采样率持续采样,生成了规模庞大且结构复杂的多维时序波形数据。全球范围内地震台站构成的观测阵列,进一步增强了数据的时空覆盖能力。这些数据不仅记录了天然地震事件,还包含由爆炸、火山活动、冰川运动乃至人类活动(如工业振动和交通)产生的震动信号。此外,地震学家数十年来对历史数据的精细化人工标注(涵盖震相拾取、事件分类和震源参数反演等),已积累为一个规模可观、质量可靠的监督学习数据库。这种海量的原始波形数据与高质量监督标签的双重特性,为机器学习尤其是深度学习在地震学中的应用构筑了不可或缺的先决条件和试验环境。
随着深度学习技术的突破——包括高性能计算硬件的迭代、创新性神经网络架构的涌现以及大规模地震记录的开放共享等,地震学研究正经历着深刻的范式转变[1]。深度神经网络(deep neural network,DNN)通过端到端的学习机制,经过多层非线性变换逐层提取数据的高级抽象特征,能够自动从原始波形数据中学习内在特征,从而有效克服人工设计特征的局限性。特别是卷积神经网络(convolutional neural network,CNN)[2-3]在地震信号处理中的成功应用、循环神经网络(recurrent neural network,RNN)[4-5]对时序依赖关系的建模能力、生成对抗网络(generative adversarial network,GAN)[6-7]在数据增强和异常检测中的潜力以及基于Transformer[8-9]的架构对长程时空关联的捕捉能力等,这些技术突破为地震信号处理与分析提供了新视角与强大工具。现全面地分析深度学习在地震监测领域应用研究的进展,并提出按照地震学工作流的分类方法进行系统归纳和总结,基本覆盖地震监测领域的关键任务:首先,探讨实时地震信号解析中的应用,包括地震检测、震相拾取等关键问题;其次,分析深度学习在地震事件精细化表征与震源反演中的创新应用,如震源参数、震级反演等核心挑战;最后,讨论深度学习在地震物理理解中的突破性进展,包括地震动特征、地震波形图模拟和地震概率预报等。此外,在总结深度学习在地震领域交叉研究方法的基础上给出应用实例介绍,可以更好地为研究人员了解和进一步应用奠定理论技术基础,为地震学与人工智能的交叉研究提供有价值的参考。

1 实时地震信号解析与事件编目

实时地震信号解析与事件编目构成了地震学工作流的基石,其核心目标是从连续的、充满噪声的地球物理数据流中,精准高效地实现地震事件分类、地震检测、震相拾取、震相关联以及初动极性分类,从而为后续的地震学研究提供高质量的基础数据目录。传统方法在面对低信噪比信号和复杂噪声环境时性能受限。研究人员尝试引入机器学习以提升地震高维特征的表征能力。苗鹏宇等[10]基于随机森林综合预测震损状态。这些机器学习方法证实了非线性建模在解析复杂地震特征时的适配性。在此基础上,深度学习模型凭借其自动捕捉波形的复杂特征以及地震信号的长依赖关系,在低信噪比事件中具有更高的鲁棒性[11],逐步成为该领域的重要技术范式。

1.1 地震事件分类

事件分类旨在解析由天然构造活动或非构造源(人工爆炸、火山震颤、冰川运动、环境噪声等)激发的振动信号,实现不同事件来源的精准区分,是构建高质量地震目录、开展地震活动性分析的基础环节。庞聪等[12]提取地震波的多尺度近似熵特征,优化BP神经网络(back propagation neural network,BPNN)以实现天然地震与人工爆破的有效判别。与此同时,以CNN为代表的深度学习技术也得到广泛应用,Nakano等[13]将日本南海地震信号转换为频谱图像,利用CNN实现了地震、构造震颤和噪声的分类,准确率超过99%。

1.1.1 模型改进

为应对更复杂的分类场景并进一步提升模型性能,学界沿着“模型架构精细化”与“任务场景泛化”两条主线展开深入研究。

(1)模型架构精细化。首先,不同网络结构在地震事件分类中的表现有明显差异:Linville等[14]指出CNN对5~10 Hz的S波横向分量更敏感,而长短期记忆网络(long short-term memory,LSTM)更依赖垂直分量低频信息;Jia等[15]进一步表明,不同CNN架构在信号特征匹配上具有不同优势,VGGNet通过小卷积核堆叠捕捉局部振幅变化,能够精细区分P/S波振幅比明显的事件,在震级较大、局部波形结构清晰的事件分类任务中表现稳定。ResNet的深层残差结构能够保留弱信号特征,在小震数据集中能够有效区分微弱地震信号与环境噪声。Inception通过多尺度并行卷积兼顾局部和全局特征,对震中距变化引起的波形衰减具有更强的适应性,适合用于跨距离、多传播路径的事件分类任务。其次,先进机制被引入以突破传统模型架构的瓶颈。Peng等[16]通过胶囊网络的动态路由,实现地震局部-全局特征的融合,在中国黄土坡铜锌矿微震的四分类任务中取得优异性能。Ku等[17]提出的注意力CNN,通过强化跨时间、跨通道特征对比度,显著优于基准CNN模型。这些方法能够自动聚焦关键信号特征,解释了传统CNN对所有特征一视同仁处理所带来的信息稀释问题。

(2)任务场景泛化。研究人员尝试将事件分类嵌入更广泛的地球科学问题。Rodriguez等[18]提出CNN-TCN(temporal convolutional network)的贝叶斯框架,利用频率掩码和因果卷积增强地震特征表达与时间依赖建模,实现火山活动动态变化的连续监测和评估。Laurenti等[19]为验证“地震周期中断层属性变化”假说,利用CNN模型解析高于10 Hz的高频地震波衰减,成功识别断层损伤演化,提出了地震预警新策略。

1.1.2 基础大模型

随着大模型时代的到来,地震事件分类正迈向可泛化、多任务的基础模型阶段。Si等[20]提出基于对比学习(contrastive language-image pre-training,CLIP)的地震基础模型,利用Transformer和多层感知机(multilayer perceptron,MLP)将地震波形、频谱图像及事件文本描述共同嵌入统一特征空间,在全球公开数据集STEAD上进行预训练,以学习具有物理意义的通用地震表征,并通过微调适配地震事件分类及反演等多种下游任务,在事件类型复杂或需跨台网泛化的地震监测场景中表现出良好的迁移能力。然而,基础模型对数据规模与质量的极端需求也成为模型发展的关键瓶颈。

首先,大规模标注数据稀缺:全球地震台站虽持续产出海量波形,但需要专业人士人工标注,因此成本高昂,限制了训练集规模;其次,标注的一致性与准确性受限:地震信号复杂多变,尤其在低信噪比(signal-to-noise ratio,SNR)事件或非典型波形,加剧专家判读的主观性,导致标签噪声。为缓解上述难题,研究人员探索了无监督预训练、迁移学习等策略。Mousavi等[21]利用卷积自编码器提取时空特征并聚类,无需标签即可区分地震与远震事件。Titos等[22]将预训练LeNet模型应用于火山地震分类,显著降低了标注依赖。Kim等[23]引入层次化CNN,通过两阶段迁移模型融合时频、相关性和时间域的多源特征,同时聚合网络的中高层特征,并在某地震数据集上取得了99.51%的准确率,验证了迁移策略的有效性。通过这类策略,基础模型不仅保持高度泛化能力,也在有限标注条件下实现了接近监督学习的分类精度。

1.2 地震检测

地震检测是指通过地震监测网络实时采集的地震波数据,以最小漏报率和误报率准确识别地震事件。传统方法依赖人工分析或基于特征函数的阈值算法[如短时平均(short-term average,STA)和长时平均法(long-term average,LTA)],在效率、抗噪性和复杂场景适应性上均存在显著瓶颈。早期机器学习研究曾尝试将连续隐马尔可夫模型应用于火山口的地震检测[24],但仍需要专家手工进行特征选取,泛化能力有限。深度学习的发展为地震检测带来范式转变。凭借端到端自动特征提取与深层非线性建模能力,深度网络突破了传统方法的性能上限,成为现代地震检测的核心技术。

1.2.1 基础CNN模型

奠基性工作是采用8层CNN将地震检测重构为多分类任务[25],通过分析原始三通道波形以区分噪声和六个地理区域集群,在俄克拉何马州诱发地震研究中验证了其有效性。然而CNN模型对长时间依赖关系建模能力有限,尤其在信号持续时间较长、震相重叠或背景噪声呈非平稳变化时,对事件起止边界的刻画能力仍存在不足。因此,该类模型更适用于信噪比较高、波形结构清晰、台网密集的常规地震监测场景。

1.2.2 改进的模型

(1)混合模型探索。CNN与RNN协同。Mousavi等[26]将双向长短期记忆网络(bidirectional long short-term memory,Bi-LSTM)与残差CNN结构融合:CNN负责从原始波形中提取局部时频特征,而Bi-LSTM则对时间维度上的上下文依赖进行建模,从而实现对地震起始时刻和持续时间的精确刻画。并在STEAD与南加州地震中心数据集上进行验证,显著降低了误报率,尤其在强背景噪声和非平稳干扰条件下仍保持稳定性能;类似的,Zhou等[27]采用CNN-双向RNN架构,均遵循“CNN提取空间/时频特征→RNN捕捉时间依赖性”的规则,实现“空间特征提取、时间序列建模”协同建模,显著提升鲁棒性。Chakraborty等[28]进一步证明,仅需1~2 s的P波数据,即可实现快速识别。总体而言,CNN-RNN混合模型特别适用于大规模连续波形数据集的早期预警与在线监测场景,但其训练复杂度较高,对震相标注精度和样本多样性要求较严。

(2)多元模型探索。在新范式探索上,涌现出更多元化的方法。①生成式模型:通过生成对抗网络(GAN)生成器与判别器之间的对抗博弈,迫使判别器学习P波的深层特征,再结合随机森林强化噪声与P波的区分,在南加州地震目录上为特征工程提供了全新视角[29];②纯循环网络:Chin等[30]利用LSTM的门控机制,允许模型选择性保留或遗忘历史信息、捕捉地震信号长时间依赖关系,在需要连续流式处理、震相持续时间长或背景变化缓慢的监测场景中,成功构建多任务实时地震预警系统;③注意力机制:Mousavi等[31]提出的EQTransformer是标志性工作,通过自注意力机制、编码器-解码器结构捕捉信号时序依赖和全局特征,对低信噪比事件和复杂背景噪声具有显著鲁棒性;④高级CNN架构:Liao等[32]在类U形网络(U-shaped network,U-Net)基础上,通过复杂的循环残差卷积块和专门的数据增强技术,显著提升连续数据与截断地震波形的处理能力。

1.2.3 多台站数据融合

地震信号可在数百至数千公里范围内被多台站记录,为协同检测提供物理基础。单台站易受局部噪声干扰(如人为活动、仪器噪声等),而多台站信号具备时空一致性,可有效抑制偶然噪声、提升检测鲁棒性。Yang等[33]开创性地将多台站三分量波形视为多维图像张量,CNN提取时空特征后在台站维度做均值池化,实现多台站信息加权融合,以捕捉信号的时空一致性、抑制单台噪声。Zhu等[34]提出的地震检测模型(earthquake detection model,EQNet)则引入地震波运动学约束对齐各台站深度特征,提升了模型的跨区域泛化能力。Mohammadigheymasi等[35]通过孪生网络学习“成对台站”的波形特征关系,使模型能更有效地识别信号间的微弱关联,增强低信噪比事件的地震检测能力。因此,多台站融合方法更适用于高密度台站网络的协同检测系统,但其对台站时间同步精度和数据完整性要求较高,在稀疏台网或边远区域部署时需谨慎使用。

1.2.4 单通道波形增强

多台站融合虽能有效抑制局部、非相干的噪声,但在极低信噪比场景,仍需要提升原始波形质量。Shi等[36]提出一种基于U-Net的自监督去噪方法:随机掩蔽部分数据通道,迫使模型学习信号的内在相干性而非随机噪声,在去噪的同时保留关键的地震波形特征,为后续高精度检测奠定了数据基础。赵邦六等[37]构建了基于Encoder-Decoder的双输入网络,通过同步输入含噪数据与初至前纯噪声,利用噪声先验分布显著提升了复杂背景下的噪声识别精度与保幅性。该方法在极低信噪比模拟数据及复杂工区实测数据中,实现了全频带噪声的精准去除与弱信号恢复。在实际应用中,该技术将初至自动拾取率从19%大幅提升至82%,其处理效率适配工业化海量数据需求,核心适用于复杂地表油气勘探的叠前预处理全流程。

1.3 震相拾取

震相拾取的核心任务是在连续波形中精确定位P波、S波等关键震相的初至时刻,为震源定位、震级计算及地下结构成像等提供基础数据支撑。震相拾取聚焦于细粒度的局部时间点检测,因此到达时间拾取的时间分辨率和精度对于有效的震相拾取至关重要。然而复杂的波动特征往往成为拾取的瓶颈,如张振等[38]通过正演模拟证明,在深层高陡等复杂构造中,受地层倾角和速度界面影响,初至波常出现分叉或复波等异常现象,若套用传统行业规范会导致严重的拾取误差。这种物理层面的复杂性,加之传统的人工判读或STA/LTA类阈值算法在低信噪比(SNR)场景下鲁棒性局限,使得S波初至拾取尤为困难。深度学习模型通过端到端建模与自动特征提取能力,在连续流式数据处理、弱信号识别以及复杂噪声背景下表现出显著优势,逐步成为现代震相拾取的主流技术路线。

1.3.1 单站模型演进

深度学习在该领域的应用始于对单站波形处理模型的探索。其早期探索主要围绕CNN展开,Ross等[39-40]验证了CNN既能作为分类器区分P波、S波和噪声,又能通过在南加州地震目录上进行回归训练,实现毫秒级的高精度P波到时拾取。该类方法适用于台网密集、信噪比较高、标注数据充足的常规区域监测场景,但对长时间依赖建模能力有限,在震相重叠或背景噪声呈非平稳变化时性能易受影响。为进一步提升单站模型的性能,研究人员主要围绕以下两种技术路径对模型架构进行改进。①构建混合架构模型:Zhou等[27]将CNN-双向RNN模型拓展至震相拾取任务,捕捉P波初至时刻的细微突变、学习波形时序关系;②深度优化CNN架构:PhaseNet[41]将U-Net改造为一维编码器-解码器结构,通过跳跃连接融合深浅层特征,显著提升了波形复杂且易受干扰的S波拾取能力。该模型在南加州与北加州区域地震数据集上进行了系统评估,证明其在低SNR和强干扰环境中的鲁棒性优势。以此为基础,研究人员针对不同应用领域的特定痛点进行了架构定制。针对陆地勘探中复杂地质导致的低信噪比难题,袁联生[42]构建了以ResNet50为骨干的语义分割网络,通过线性校正预处理拉平初至波场并利用多尺度空洞卷积提取道间相干特征,实现了从单点拾取到像素级语义分割的范式革命。该技术核心适用于黄土塬、西部山地及戈壁等地形剧烈起伏、初至信号微弱且不连续的极低信噪比工区,在解决海量数据自动化处理瓶颈的同时,为后续静校正、层析成像等关键环节奠定了坚实的数据基础。胡婷等[43]针对深部开采中的矿山微震监测场景,利用甘肃某矿山近3.8万组数据训练U-Net模型,实现了低信噪比背景下P/S波初至的自动拾取,并在强噪声干扰下表现出极强的鲁棒性。该技术不仅为岩爆等矿山灾害的精准预警提供了核心参数支撑,其良好的泛化性更使其能够推广至隧道围岩稳定性监测、油气压裂裂缝反演以及区域地震台网自动拾取等多元化工程场景,显著提升了海量微震监测数据的处理效率与可靠性。为进一步挖掘CNN的特征提取潜力,Wang等[44]将震相拾取视为一维边缘检测问题,通过多尺度、多层次残差侧输出网络,在日本Hi-net台网远震数据集中实现高精度P/S波拾取。Li等[45]将门控注意力机制引入U-Net网络的跳跃连接环节,增强低分辨率特征聚焦。Liao等[46]针对连续波形监测场景进一步引入循环残差卷积结构,兼顾长期依赖与深层非线性表征。Saad等[47]利用胶囊网络动态路由策略保留特征空间信息,缓解CNN池化导致的特征丢失问题,适用于对相位形态结构保持要求较高的应用场景。

1.3.2 全局序列建模新范式

随着Transformer在序列处理领域的成功,震相拾取也迎来了新革新。EQTransformer[31]通过自注意力机制与编码器-解码器结构对长时间序列中的关键时刻进行全局建模,实现了震相拾取、地震检测与关联的多任务协同。该模型在STEAD数据集上验证了其在低信噪比事件与复杂噪声环境下的显著优势,成为Transformer在地震信号处理领域的代表性模型,但其计算复杂度随序列长度平方增长,对实时部署资源提出较高要求。后续研究探索Transformer与其他架构的融合,Saad等[48]在斯坦福地震数据集(stanford earthquake dataset,STEAD)、加利福尼亚和得克萨斯区域地震波形数据集上,将包含残差结构的CNN与视觉Transformer(vision transformer,ViT)结合提升泛化能力;Li等[49]采用多尺度卷积-Transformer融合在DiTing数据集上实现性能与效率的平衡。Zhang等[50]提出的多任务框架,以RetNet网络(兼具RNN效率与Transformer性能优势)为编码器,解码层则包含多个独立的任务头,实现了震相拾取、定位、震级估计的“一站式”精准预测,成为未来单台站多任务协同推理的重要发展方向。

为进一步突破Transformer二次方复杂度的计算瓶颈,最新的研究开始探索状态空间模型(state space model,SSM)这一新兴架构。Zhang等[51]提出的EffiSeisM模型将SSM与混合卷积模块和轻量化卷积模块高效结合(图1),通过创新性信息处理范式——先进行融合式提取,继而轻量化提炼,最终捕捉长程时序依赖,在实现震相拾取等多任务的同时,保持了极低的计算开销,其内存占用仅为488 kB。该模型在DiTing数据集上显著优于EQTransformer等基线模型,为构建下一代大规模、高效率的地震监测系统提供了全新的模型架构思路,尤其适用于大规模部署、边缘计算节点以及对实时性与资源效率要求严格的应用场景。

1.3.3 多台站协同拾取

尽管单站模型的性能不断提升,但其始终面临噪声污染等干扰。为此,研究人员选择多台站数据融合,通过地震波在台站间传播所固有的时空一致性来抑制噪声。Xiao等[52]基于EQTransformer孪生网络,利用高SNR相位信息为低SNR提供“相位先验”,并通过多侧输出残差结构逐层细化。Feng等[53]在EQTransformer中嵌入边缘卷积模块,使模型能够直接融合邻近台站特征,在多台站区域地震数据集上验证了其在低SNR与复杂背景条件下的稳健性。Si等[54]利用图神经网络(graph neural network,GNN)建模台站间的地理关系与物理约束,实现了深层对齐与信号增强。

1.3.4 小样本与跨模态迁移

针对高质量标注数据稀缺问题,迁移学习与半监督学习策略成为关键。Lapins等[55]和Niksejel等[56]分别在火山与海底地震仪(ocean bottom seismometer,OBS)记录的场景中微调预训练模型GPD(generalized phase detection)与EQTransformer,并通过将其GPD全连接层替换为U-Net解码器实现多尺度特征融合。Zhu等[57]构建了全国-区域-省级的三级微调体系,在中国区域地震监测网络中兼顾模型精度与部署成本,为大范围、多层级台网体系提供了工程化应用方案。针对无标签的分布式声学传感(distributed acoustic sensing,DAS)二维时空地震数据(由高密度空间通道和时间序列构成),Zhu等[58]利用预训练的PhaseNet模型为DAS数据生成伪标签,开创性地提出了半监督学习框架,再通过“教师-学生模型”的迁移学习,桥接一维地震数据与二维DAS数据的模态差异。

1.3.5 轻量化与边缘部署

随着模型日益复杂,计算效率成为不容忽视的议题。Yu等[59]采用深度可分离卷积架构,其参数量仅为传统的1/C(C为输入通道数),并通过跨通道信息融合兼顾性能与计算效率。该模型特别适合部署于边缘设备、嵌入式系统及实时预警终端等资源受限环境,为深度学习震相拾取模型的大规模落地提供了可行路径。

1.4 震相关联

震相关联是一项数据聚合与模式识别任务,目标是将不同台站P波、S波归属至同一地震事件,其本质是在时空域中对离散的震相点进行聚类。传统方法依赖人工经验、物理模型和时空搜索,难以应对高精度和复杂场景需求。

1.4.1 基于波形相似性模型

McBrearty等[60]将震相关联简化为成对二分类任务,为特定台站-震相训练专属CNN模型以判断波形是否同震,规避台站与震相差异的干扰。该方法使用美国加州及周边区域的连续波形数据进行验证,在台站密集、事件高频出现的场景中表现稳定,但由于需要为不同台站-震相组合单独训练模型,其跨区域推广能力受到一定限制。为应对传播路径影响,Dickey等[61]引入时序卷积网络(TCN)和三元组损失函数,将波形映射至低维嵌入空间,强制同源信号紧密聚类,在美国区域台网实测数据上提高震相关联的鲁棒性。

1.4.2 基于序列与图结构的全局模型

随着技术发展,研究人员将整个台站网络视为整体进行全局建模。PhaseLink[62]利用门控循环单元(gated recurrent unit,GRU)堆叠网络,将震相视为序列进行处理,并生成海量合成数据以学习包含噪声的复杂关联模式。该模型通过结合南加州区域台网的合成数据与实测数据进行训练,在高事件密度和强噪声环境中表现突出,但模型性能对训练数据分布具有一定依赖性。而序列模型难以捕捉复杂的台站空间信息,后续工作转向GNN。McBrearty等[63]构建台站-震源图结构,利用图卷积捕捉局部近邻特征,在加州地震目录数据上实现震相关联和定位的联合预测。Si等[54]将在震相拾取中提出的注意力图卷积模型应用于此,增强同源信号特征的一致性,显著提升震相密集、事件相互重叠等复杂场景的关联准确率。

1.4.3 深度学习与传统方法的混合模型

为提升计算效率,研究人员将深度学习与传统方法结合:Yu等[64]利用全连接神经网络快速滤除噪声,从而大幅度提高计算效率,再结合非极大值抑制(non-maximum suppression,NMS)算法与GPU并行计算,在云南漾濞地震余震场景中展现出适用于余震密集、实时处理需求强场景的巨大优势。

1.5 初动极性分类

初动极性分类利用P波分析其到达地震台站首个振动的方向,构成了约束和反演地震震源机制解的基础,为理解断层的破裂方式提供了关键信息。

Ross等[40]利用CNN从波形中自动提取初始振动的局部特征,取得高达95%的分类准确率,奠定了该领域的研究基础。后续研究从“数据”和“模型”两个维度进行深化。①数据层面:Hara等[65]对比不同采样率数据实验表明高频数据包含更丰富的波形细节,显著提升初动极性分类性能。该工作基于日本西部区域台网的实测波形数据,结果显示高采样率条件下模型优势更加显著,而在低采样率或低频数据条件下性能提升有限。②模型层面:为挖掘波形的深层信息,Chakraborty等[66]引入自编码器,通过波形重构与极性分类的多任务,迫使模型捕捉潜在波形特征,分类准确率达98%,因此该模型对中高信噪比事件具有良好适应性,但在极低信噪比场景中仍可能出现性能衰减。Zhao等[67]借鉴整体嵌套边缘检测(holistically-nested edge detection,HED)思想,利用多尺度侧输出结构融合局部细节-全局趋势,依托中国区域地震台网数据实现复杂波形的精准分类。

Tian等[68]将多台站波形构建为二维矩阵,利用二维CNN学习台站间的空间关联。这种从“单道”到“多道”的建模方式,能够利用单台站难以察觉的空间一致性特征,将分类错误率降至0.3%,展现了多站联合分析的巨大优势。

针对微震等小样本数据的标注困境,Uchide[69]采用“预训练-微调”两阶段训练方法:第一阶段以日本全国地震目录数据的强震数据预训练通用模型,第二阶段基于目标区域数据进行微调。该策略使得通用知识能够有效迁移至特定小样本任务中,显著提升深度学习模型在数据稀疏场景下的泛化能力和预测精度。

2 地震事件表征与震源参数反演

事件表征与震源反演是利用高质量地震波与震相数据,结合物理模型、数学方法等地球物理反演方法,求解描述震源物理过程的关键参数,包含震源定位、震级估算、震源机制反演等,为揭示地震物理本质和评估灾害提供科学依据。传统物理建模方法面临计算效率低、不确定性高等瓶颈,而深度学习凭借其强大的非线性特征提取优势,为高效、高精度反演带来范式革命。

2.1 定位与震级估计

震源定位是根据地震波信息精准确定地震事件的空间位置,其本质是从观测数据(P/S到时等)中推断出隐藏物理源点信息。传统方法依赖于走时表模型和迭代优化算法,难以有效处理大规模、低信噪比的复杂地震数据集。

2.1.1 特定任务模型

(1)震源定位。精确的震源定位高度依赖于对多台站空间关系的有效建模。Kriegerowski等[70]及Zhang等[71]网格化站台数据,在俄克拉何马诱发地震数据集上,将其对应的波形阵列概念化为图像或张量,并利用多维CNN捕捉隐含的时空传播模式,表现出在事件密集区域的稳健性。Si等[54]通过GNN将台站的物理坐标作为先验知识融入网络,从而在加州地震台网数据上更精准地聚合邻近台站信息、建模地震波在不规则台网中的传播关系。Chin等[72]将台站位置与波形特征一同输入自注意力层,驱动模型学习不同台站对定位结果的贡献权重,实现对空间关系的动态建模。

(2)震级估计。震级估计的核心在于从时序波形中捕捉与地震能量释放相关的关键特征。早期研究证实P波初期形态与震级高度相关:Wang等[73]通过CNN成功从短时窗数据中学习与震级相关的时序模式。王晨晖等[74]利用主成分分析降维结合粒子群优化广义回归神经网络,在多影响因子背景下提升了震级预测的效率与精度。为了捕捉更长时程依赖关系,Mousavi等[75]及Chakraborty等[28]均采用分层式的特征学习流程:前端CNN负责编码波形局部形态,后端Bi-LSTM则整合这些特征的时间演化序列,在加州地震目录数据上验证表现良好,对中高信噪比事件震级估计精度高,但在低信噪比条件下效果有限。Saad等[48]的ViT模型,通过其内在注意力机制识别对震级判别的关键区域,显著提升了预测精度。Lin等[76]将位移场构建为时空张量,利用全连接层-LSTM混合架构,以在北美及合成地震数据上捕捉空间与时间维度的依赖性。钟波等[77]通过门控残差网络与LSTM提取原始位移序列的非线性特征,并结合可解释掩码多头自注意力机制捕捉大地震长破裂过程中的全局依赖。模型实现了端到端的实时序列输出,不仅能同步给出随破裂过程演化的动态矩震级Mw,还利用分位数损失函数量化估计的不确定性,从根本上解决了传统预警方法在特大地震中的震级饱和与滞后问题。该技术核心适用于板块俯冲带区域的国家级地震预警系统与海啸早期预警,在Mw 9.1级特大地震实测中比传统方法提前约一分钟给出稳定震级,在台站稀疏或偏远的极端工况下仍能保持高可靠性,为重大生命线工程的应急触发与灾后救援决策争取了宝贵的黄金时间。

2.1.2 定位-震级多任务联合反演

(1)CNN到混合架构演进。早期探索证实基于单站波形CNN模型的有效性:Mousavi等[78]利用因果扩张卷积网络和残差结构捕捉P波初动至S波到达的时序特征,实现震中距、方位角等高精度预测,对高信噪比事件效果显著,但在台站数量稀疏或低信噪比情况下预测精度下降。同样的,Lomax等[79]通过CNN从P波初期数据中学习与反演相关的时序模式。为了更好地捕捉复杂时空特征,已在单一任务中验证有效的CNN-RNN混合模型被广泛应用于联合反演:Abdalzaher等[80]采用类似的“CNN提取局部特征→Bi-LSTM处理时序依赖”思路,成功在日本及全球单站波形数据上实现多任务高精度反演,适合台站数量中等、波形质量良好的场景。此外,研究人员探索了独特的混合架构:Ristea等[81]利用复值卷积层和残差连接提取更深层波形特征;Joshi等[82]提出深度学习与浅层机器学习的混合模型,在印度地震数据上,通过LSTM-注意力机制捕捉波形时序依赖与关键特征权重,引入浅层机器学习算法降低模型过拟合风险。

(2)前沿架构应用。随着技术的发展,Transformer及其注意力机制、编码器-解码器框架被引入该领域,Berhich等[83]的注意力LSTM模型,通过聚焦关键时间步特征,为多任务预测提供更具信息量的输入,在地震波形复杂且时间依赖性强的场景中显著提升预测精度。Ge等[84]创新性地使用傅里叶变换替代自注意力机制,在降低计算复杂度的同时增强了序列全局特征提取。Zhang等[85]借鉴U-Net框架提取特征并保留波形细节信息,展示在合成数据情况下的高精度反演。

(3)多站联合反演。研究人员还建模台站空间与物理关系。简单方法是延续将台站阵列图像化的思路,并利用不同网络进行处理:①纯CNN方法:Licciardi等[86]利用二维或三维CNN从多站波形阵列中提取时空特征,在意大利地震数据上表现稳定;②混合方法:Juhel等[87]对重力信号矩阵采用CNN-全连接层组合,实现震级、位置等多参数联合反演。

为更精细地建模台站间的物理关系,特定任务中图网络与Transformer架构被成功迁移至联合反演框架。van den Ende等[88]将多台站波形与地理坐标作为图节点属性进行信息聚合,在日本Hi-net多台站地震数据上验证高精度震源联合反演,适用于台站分布稠密且需要显式空间建模的区域;Bilal等[89]在GNN中引入注意力机制,将台站间的地理关系融入关键时序特征,进而精准捕捉台站间的空间相关性。同样,Münchmeyer等[90]使用自注意力机制将台站与波形特征一同编码,在欧洲及北美台网数据上动态地建模台站间的空间相关性。为降低Transformer的计算复杂度,Meng等[91]通过概率自注意力机制动态筛选Query与Key,仅保留前n个高相关特征避免全矩阵运算。

2.2 震源机制反演

震源机制反演旨在从地震波形记录中精确解析表征断层面运动学特征的节面解(走向、倾角、滑动角)。这些参数对揭示区域构造应力场、阐明地震物理本质乃至预测强地面运动灾害至关重要。传统P波初动或波形拟合方法,高度依赖于高质量震相记录和简化的地球模型假设,在处理复杂地震数据时面临性能瓶颈。

研究人员通过将地震波形及其对应的震源机制解构成对,训练深度神经网络自主学习数据与物理参数的内在联系,如Juhel等[87]将定位-震级估计方法拓展至震源机制反演任务中,以同样的思路在南加州台网数据上实现了高精度反演。该方法的优势在于同时建模局部波形特征与长时程时序依赖,显著提升了对复杂多事件地震的解析能力。

针对纯数据驱动模型在小样本情景下泛化能力不足与输出缺乏物理一致性的内部局限,研究人员探索了模型与物理知识及现实约束深度融合方法:Kuang等[92]通过编码器-解码器架构输出震源机制的概率分布,将反演问题转化为更稳健的概率预测任务,适用于如日本Hi-net等台网密度较高的地震活跃区应用部署。Steinberg等[93]将贝叶斯神经网络结合变分推理,构建量化地球结构及震源时间的模型。Zhang等[94]将辐射模式理论作为物理约束嵌入损失函数,引导网络参数向符合物理规律的解空间优化。

2.3 破裂过程的代理建模与反演

深度学习正被用于更具挑战性的地震破裂过程建模,旨在构建能够替代或加速传统数值模拟的物理过程代理模型。

2.3.1 利用物理信息神经网络

Rucker等[95]将其用于求解含速率-状态摩擦的断层动力学问题,通过软/硬约束施加初始与边界条件,以融合物理方程与数据,实现位移和摩擦参数的反演。该方法适用于研究复杂摩擦条件下的断层动力学演化,并能够在计算成本可控的情况下替代传统数值模拟。Fukushima等[96]利用物理信息神经网络(physics-informed neural network,PINN)复现慢滑事件的演化过程,并在侧重于单断层或理想化系统的实验条件下实现关键摩擦参数的高精度估计。

2.3.2 基于大规模模拟数据构建代理模型

Ahamed等[97]基于动态破裂模拟数据,融合深度神经网络-随机森林预测复杂几何断层上的破裂传播与终止。Gong等[98]的RuptureNet2D模型采用CNN-Transformer混合架构,通过多头注意力机制捕捉断层动力学中的长程依赖,快速预测地震破裂时间和最终滑动量。这项工作适用于加速复杂断层几何和多事件场景的破裂模拟,以3~5个数量级的速度提升,为加速复杂震源反演提供了可行路径。彭真等[99]构建了融合残差卷积与Transformer的混合网络,利用多头自注意力机制弥补了传统卷积对地震序列长程依赖建模的不足,实现了叠后地震数据与波阻抗间的端到端映射。该模型在30%高斯噪声下仍能保持高精度反演。该技术尤其适用于地层横向变化快、薄储层发育的区块,在常规反演分辨率不足的复杂地震区域具备极强的抗噪性与泛化能力。

这些开创性研究共同展示了深度学习在加速复杂震源反演、深化地震物理理解方面的巨大潜力,标志着该领域正从参数化描述迈向物理过程的精细化模拟。

3 地震物理理解与灾害评估

地震物理过程的理解是在已知地下介质结构(速度模型、密度分布等)和震源参数(破裂位置、滑动量、震源机制等)的条件下,求解弹性波动方程模拟地震波完整传播全过程。

3.1 地震动特征

地震动特征是反映地震波传播路径衰减、能量效应等物理过程的关键参数集合。传统方法依赖物理驱动的数值模拟,虽物理意义明确,但存在计算成本高、结果依赖先验介质模型精准性等问题。早期机器学习尝试利用随机森林[100],但依赖于手工特征设计,难以捕捉波传播路径中的非线性关系和高频细节。深度学习以数据为驱动,通过深度神经网络算法挖掘高维、非线性规律,突破了物理模拟对波动方程依赖与计算效率的瓶颈。

3.1.1 浅层网络到CNN模型

早期研究采用多种浅层神经网络以探索数据间非线性关系,Wiszniowski[101]应用级联相关网络处理诱发地震数据,Wang等[102]将神经网络与广义最小二乘法结合,在北美地震观测数据上提升模型精度,Sharma等[103]利用多层感知机(MLP)预测谱加速度(spectral acceleration,SA),并探索MLP-物理模拟生成宽带谱的潜力。随着深度学习的发展,直接处理原始波形的端到端学习成为主流:Hsu等[104]和Liu等[105]率先利用CNN从P波初期波形中提取特征,实现峰值地面加速度(peak ground acceleration,PGA)的快速预测,为地震实时预警提供了新思路。Smith等[106]通过残差网络逐层提取非线性特征,从波形中学习复杂映射关系,进一步验证了端到端模型的可行性。

3.1.2 前沿单站模型

为进一步提升单站模型的表征能力,更前沿的深度学习框架被相继引入,Neelamraju等[107]利用条件生成对抗网络(conditional generative adversarial network,C-GAN),通过对抗训练学习数据的复杂概率分布,以预测加速度响应谱和PGA。同时因出色的长依赖捕捉能力,Transformer受到广泛应用,Saad等[108]将ViT模型引入该领域,通过自注意力机制整合波形全局特征,相较CNN和LSTM在加州及合成地震数据上显著提高预测精度(图2)。Johnson等[109]采用Wav2Vec-2.0自监督模型,通过Transformer掩码重建任务学习地震波形的深层表征,并微调将其映射至地表位移,展现了基础模型的巨大潜力。针对深度学习在地震动预测中缺乏物理可解释性的瓶颈,姚吉涛等[110]构建了基于神经加性模型(neural additive models,NAMs)的NGA-West2竖向地震动预测框架。该模型通过独立的子神经网络拟合震源、路径及场地效应的单变量形状函数,在保持深度学习高维非线性拟合能力的同时,实现了地震动物理机制的深度解耦与透明化可视化。该技术核心适用于浅地壳主动构造区的竖向地震动预测,通过同步输出包括PGA、峰值地面速度(peak ground velocity,PGV)及全周期伪谱加速度(pseudo-spectral acceleration,PSA)在内的关键参数,为核电站、大跨度桥梁等重大工程的精细化抗震设计提供了兼具物理可靠性与数据驱动精度的高质量输入基准。

3.1.3 多站联合模型

尽管单站模型日益复杂,但其无法捕捉区域内波传播空间相关性的固有缺陷限制了其性能上限,Jozinović等[111]通过卷积层提取多站空间信息,实现PGA、峰值地面速度(PGV)和SA的精准预测。Datta等[112]利用堆叠的LSTM层,隐式地编码空间相关性,实现未来10 s的加速度振幅预测。而Münchmeyer等[113]将Transformer引入多站场景,构建了“特征提取→空间融合→概率预测”的端到端流程,在欧洲及北美台网数据上表现出较高精度。

3.1.4 迁移学习策略

Meenakshi等[114]利用“通用知识-区域微调”范式:首先在NGA-West2等海量通用数据集上预训练基础DNN模型,使其学习地震动通用特征;然后冻结部分DNN参数,在目标区域的小样本数据中进行微调,以注入区域特异性。该方法极大地提升了模型在数据稀缺地区的预测精度和泛化能力,为深度学习在更广泛区域的落地应用铺平道路。此外Murshed等[115]提出GNN自监督对比学习方法,强制模型从短时间窗口中学习到与长窗口一致的事件特征,为在孟加拉国地震台网等小样本场景下进行正演提供了有效途径。

3.2 地震波形图模拟与介质反演

地震波场模拟与反演是利用地震波探测地下结构的两个核心环节。波形模拟旨在通过数学建模重现地震波的传播过程以生成理论地震图,而反演则是从观测数据出发反推地下介质的物理属性。传统数值方法在这两方面均面临计算成本高昂、难以处理复杂地质情况等瓶颈。为突破这些局限,深度学习提供了全新的解决范式:一是将深度学习作为波动方程的求解器;二是以生成模型直接合成逼真的地震波形;三是赋能全波形反演过程,从数据中高精度地推断模型。

3.2.1 波动方程求解

该路径的核心思想是利用神经网络的强大拟合能力学习波动方程的特定解,代表性工作是物理信息神经网络[116-117],将声学波动方程本身作为物理约束,与观测数据约束项组成损失函数。这类方法迫使模型输出结果遵守物理定律,将复杂的矩阵反演求解转化为优化问题,为传统数值模拟提供了一种高效的替代方案。这些方法在数值模拟生成的合成数据集上,高精度再现复杂地震波传播,计算成本约为传统有限差分法的10%。

另一重要技术路线则是学习从物理参数到解的映射算子——神经算子:Zhang等[118]针对2D弹性波方程,提出单连接傅里叶神经算子以增强模型对低频物理分量的捕捉能力,并结合残差跳连结构提高高频预测精度,在2D弹性波场模拟中实现比传统有限差分方法更快的波场预测。Kong等[119]通过多阶段残差学习框架弥补神经算子的频率偏差,显著提升了高频分量的拟合精度,为复杂地质下的波场预测提供可靠的AI代理模型。

3.2.2 合成地震波形

以生成模型直接合成地震波形是一条更主流、更具创造性的路径,目标是绕开波动方程求解,直接学习真实地震数据的复杂分布,生成逼真的合成样本。GAN及其变体是实现该路径的核心工具。Wang等[120]通过GAN生成器的转置卷积捕捉时序特征,在对抗训练下合成包含地震事件和噪声的三分量波形。在美国俄克拉何马州数据集上,该方法不仅生成的波形保留了震级、震中距和噪声特征,还可用于数据增强和地震预警模型训练,显示出良好的时序一致性和物理合理性。为解决GAN训练不稳定问题,Florez等[121]引入Wasserstein距离,深度耦合震级、震中距等物理参数,实现三维加速度时程的高保真合成,增强了模型在大规模数据增强场景中的适用性。此外,研究人员探索了生成波形的应用价值,Joshi等[122]在CGAN生成器中嵌入变分高斯混合模型,以保留真实数据的多模态分布,并利用合成波形训练机器学习模型,实现地震震级的高精度预测,验证了生成波形的逼真度,更展示了其作为数据增强工具的巨大应用潜力。

近年来,扩散模型作为新兴的生成范式,在训练稳定性和生成样本的保真度上展现出超越GAN的潜力。Bergmeister等[123]提出一种条件式潜在扩散模型,能够根据物理参数(震级、距离、场地条件等)生成高保真三分量波形,在全球/区域强震动观测台网记录的真实地震波形上验证其预测精度,证明了数据驱动模型不仅能在峰值地面运动(PGA/PGV)预测上达到与经典地面运动模型相媲美的精度,还能生成包含完整时程信息、变异性更符合物理现实的波形数据,为地震危险性评估提供了强大的数据驱动新工具。Bi等[124]利用条件U形Transformer驱动的扩散模型,通过“生成振幅谱→恢复相位”两步策略,根据震源和台站位置生成缺失地震记录,为高分辨率地震成像提供更完整的数据支撑。

3.2.3 全波形反演

与生成数据的合成路径截然相反,全波形反演(full waveform inversion,FWI)是从观测数据反推物理模型的成像技术,其目标在于构建复现真实地震记录的高分辨率地下速度场。通过迭代地调整地下模型,直至其正演模拟结果与真实观测数据高度匹配,从而实现对地下介质的精细刻画。

在加速FWI计算引擎方面,Zou等[125]在频域利用U-Net型傅里叶神经算子架构求解3D弹性波方程,结合自动微分机制,在Open FWI基准数据集上不仅实现百倍的正演加速,更将整个FWI流程加速超过300倍。

在提供数据先验方面,Wang等[126]提出扩散正则化FWI方法,将扩散模型作为FWI的强正则化器,在反向去噪中引入FWI拟合项引导生成过程,确保生成模型既符合数据驱动的先验分布、又满足观测数据的物理约束。在澳大利亚海洋数据集上验证,模型在小样本和噪声较高场景下仍能稳定重建地下速度场,展现了强鲁棒性和泛化能力,适合数据稀缺或复杂地质条件下的全波形反演。Zhang等[127]利用扩散模型的采样过程作为一个多信息融合平台,通过协同驱动多个并行的“专家”扩散模型(分别由地震数据、井日志、地质知识和背景速度场进行约束),并在每个去噪步骤中进行加权融合。该方法不仅继承扩散先验的强大正则化能力,更是实现了多源、多尺度地球物理信息的协同约束。

3.3 地震可预报性与灾害评估

在利用深度学习进行地震序列概率性预报研究中,核心趋势是构建混合架构以捕捉复杂的时空前兆模式,其最终目标是在给定时空窗口估计地震发生概率场,为动态风险沟通与应急准备提供科学依据:地震预测深度学习模型(deep learning model for earthquake prediction,DLEP)[128]通过CNN-门控注意力融合人工设计的物理前兆特征与深层隐式表征,并采用动态损失函数克服类别不平衡,实现未来主震震级分类的高精度预报。DLEP在处理包含丰富历史震级和前兆信号的区域时表现优异,但在地震数据稀疏的区域,其预测性能受限,显示模型依赖数据丰富性和区域特异性。进一步的,Kavianpour等[129]提出CNN-BiLSTM-注意力加权的融合架构,并采用零阶保持(zero-order hold,ZOH)预处理方法增强数据连续性,在美国地质调查局全球地震目录上实现未来最大震级与地震频次的精准预报。该方法能够有效处理震级变化剧烈且时间间隔不均匀的序列,适合区域地震活动频繁且数据连续性较好的场景。在微观工程尺度的地质灾害评估中,孟馨等[130]针对天山褶皱带高海拔、高地应力及岩体极破碎的极端环境,构建了融合隧道散射地震成像与多维物探指标的改进型 ResNet18预测模型。该研究通过对隧道地震层析成像(tunnel seismic tomography,TST)偏移图像与地质分区特征的深度联合提取,实现了掌子面前方150 m范围内围岩等级的智能化定量预测,在东天山特长隧道实测中的准确率达72.5%,显著优于传统经验法。该技术的成功应用,不仅为深埋隧道、城市地下空间及矿山巷道的突水、塌方等灾害防控提供了关键依据,更在地震工程领域证明了深度学习在处理复杂构造区非线性波场演化与浅地层高精度探测中的卓越性能,为构建下一代地下工程地震动态监测与实时预警体系提供了重要的技术示范。

尽管这些定制化模型展现出巨大潜力,但其适用性并非普遍。Sadhukhan等[131]的对比研究揭示,在未来震级可预报性任务中,不同深度学习架构具有显著的区域特异性:LSTM适用于复杂地震序列,Bi-LSTM擅长中高震级,而Transformer在稀缺地震数据中表现最佳。这项研究凸显了在地震概率预报领域,模型架构与特定区域的数据质量深度耦合以及基础大模型的重要性。

4 研究展望

深度学习方法凭借其强大的非线性映射能力,在地震信号处理领域获得深入应用。系统梳理了近年来深度学习在此领域的研究进展,涵盖了其在实时地震信号解析(包括地震事件分类、地震检测、震相拾取、震相关联、初动极性分类)、事件表征与震源反演(包括震源定位、震级估计、震源机制反演、破裂过程建模)以及地震物理理解(包括地震动特征、地震图模拟、地震概率预报)等多个层面。这些研究凸显深度学习在处理海量、高维、复杂的地震波形数据,挖掘潜在非线性模式方面所展现出的独特优势与巨大潜力。相较于传统方法,深度学习模型表现出更高的效率和准确性,为研究人员深入理解地球内部结构、预警地震发生提供了新的视角与有力工具。

为直观展现技术演进脉络,从时间与应用两个维度,对引用的核心深度学习文献涉及的模型架构进行了分类与统计。需要强调的是,系列图表反映的是本综述所涵盖研究的发展趋势,而非对所有已发表相关论文的全面普查。如图3所示为时间演进趋势,清晰揭示出该领域的技术迭代路径:从早期的CNN/RNN,到成为主流范式的Transformer,再发展到当前百花齐放的各类新兴架构。同样,这种技术演进在不同研究任务的应用中也体现出清晰的分工(图4):CNN/RNN架构为事件分类、地震检测等基础信号解析任务奠定了方法论基石;随后,Transformer凭借强大的序列建模能力,成为定位与震级估计等多任务综合反演领域的中坚力量;而物理过程建模与全波形反演则是这类最具挑战性的前沿科学问题,则由最新的生成模型等新兴架构推动发展。图3与图4共同揭示了该领域的鲜明特征:随着研究广度与深度的不断拓展,研究问题的复杂度持续升级,更先进的人工智能范式被快速采纳融合,使得领域发展始终与全球主流AI技术浪潮保持高度同步。

虽然深度学习在地震研究中已经取得了一定成果,但仍存在诸多亟待解决的问题,将从“数据-模型-物理-任务-评估”五个层面对相关问题展开剖析,并对未来发展方向进行展望。

(1)在数据层面,具备大规模、高精准标注的数据集是深度学习性能提升的关键基础,然而地震数据的稀疏性与不平衡性问题尤为突出。数据增强技术虽可有效提升数据多样性,但在样本极度稀缺的场景下效果十分有限,因此合成数据与迁移学习成为当前解决该问题的两条核心技术路径。①合成数据:尽管生成对抗网络等深度学习生成方法不断涌现,但当前多数研究更倾向于采用物理建模方法合成地震数据。McBrearty等[63]就借助美国地质调查局D速度模型(United States geological survey-D velocity model,USGS-D)、快速行进法和统计法等传统地震学方法完成数据合成。这种选择大概率源于深度学习的“黑箱”特性使其缺乏物理可解释性,导致研究人员对这类方法合成的数据普遍持谨慎态度。随着条件扩散模型等更先进、生成质量更高的新一代生成模型出现,这一困境正被逐步打破。这类模型通过引入物理参数作为强约束,能够生成统计特征更逼真、高频细节更丰富的样本,这也凸显出该方向未来的核心价值在于开发并应用深度融合物理机制的生成模型,以此弥合数据驱动方法与物理现实之间的鸿沟。②迁移学习:该方法通过“预训练-微调”的范式将通用知识迁移到小样本下游任务中,这一策略的效果高度依赖预训练模型的质量,因此先构建地震领域的大规模通用预训练模型,再针对各类下游任务开展高效微调,是极具发展潜力的研究方向。此外,当前领域内的研究范式正从依赖单一地震波形数据向融合DAS、图像、雷达等多源多模态信息演进,因此从更完整的信息中构建多模态模型,是进一步提升地震相关任务预测精度的重要突破口。

(2)在模型层面,深度学习在地震学中的应用呈现出从简单到复杂的清晰演进路径:从基础的卷积神经网络CNN,到能够捕捉时序依赖关系的长短期记忆网络LSTM,再发展到U-Net和Transformer这类更为先进的网络架构。模型复杂度的提升,显著增强了模型提取多层次、多尺度特征的能力。不过,模型复杂度的提升是一把“双刃剑”,它同时带来了计算成本急剧攀升与模型泛化能力不足的挑战。①计算复杂度问题:参数量庞大的模型依赖价格高昂的高性能计算资源,这限制了模型的广泛应用与落地部署,因此通过模型轻量化降低计算复杂度成为该领域的重要研究方向;②泛化能力问题:复杂模型在规模有限的地震数据集上更容易发生过拟合,传统的Dropout正则化方法虽然能起到一定作用,但调整Dropout参数高度依赖研究者的主观经验。未来可探索的系统性解决方案包括两方面:一是开发适配性更强的高级正则化策略,比如引入物理约束惩罚项、采用贝叶斯方法等;二是利用知识蒸馏技术将大型“教师模型”学到的知识迁移到轻量型“学生模型”中,在模型压缩与性能保留之间取得平衡,同时实现效率与精度的双重提升。

(3)模型可解释性是制约深度学习获得更广泛信任与应用的关键障碍,深度学习固有的“黑箱”属性,和以物理定律为核心基石的地球科学研究范式存在天然冲突。为提升模型的透明度与可靠性,未来研究正朝着物理知识与数据驱动深度融合的方向推进,例如以PINNs[116]为代表的方法,将波动方程等物理定律融入损失函数,约束神经网络输出符合物理规律的结果。此外,将深度学习模块与传统物理模型结合开展混合建模,也是一个极具前景的探索方向。

(4)在任务多样性方面,随着单一任务相关研究日趋成熟,多任务学习框架已经成为新的研究增长点:也就是用一个统一模型完成多个相关任务的预测,在提升计算效率的同时,还可以通过任务间的信息共享和相互约束,提升每个子任务的预测性能。

(5)在评估方面,缺乏统一的基准是阻碍领域健康发展的关键瓶颈。目前已有一系列高质量的公共数据集与评估平台,如STEAD已成为地震检测/震相拾取任务(EQTransformer[31]、PhaseNet[41]等)事实上的标准大规模基准;NEIC/USGS和中国DiTing等则分别提供了全球尺度和区域性的重要数据源; INSTANCE/CREW等区域型基准则为交叉区域泛化研究提供了支撑;以及SeisBench等集成式平台提供了模型公平对比的“通用度量衡”。但是多数研究仍然倾向于在各自特定数据集上进行评估,难以实现公平客观的横向比较。同时缺乏严谨的消融实验,难以判断模型创新点是否带来了真实的性能提升。更为核心的是,地震学领域迫切需要一个开放、高质量、包含多模态数据和丰富元数据的平台。建立标准化的基准测试和基准数据集,不仅是实现模型公平对比的“通用度量衡”,更是加速技术迭代、推动领域实现突破性进展的基石。

5 总结

深度学习技术凭借端到端建模与自适应特征提取的突出能力,已成为推动地震学研究方法革新的核心驱动力。总结分析了深度学习在地震信号实时解析、震源参数快速反演及灾害评估等关键任务中的应用研究进展,研究内容几乎覆盖了从检测拾取到参数估计的地震信号分析完整工作流程。同时,针对当前深度学习应用面临的挑战展开了深入探讨与分析:数据层面存在标注数据稀缺、样本分布不平衡与区域泛化能力不足的问题;模型层面存在结构复杂度高、计算成本偏大与实时性难以满足的瓶颈;物理层面则缺乏显式物理约束,导致模型可解释性弱,预测结果的不确定性难以量化。与现有综述研究相比,以地震学完整工作流为主线,全面梳理了深度学习在多类任务中的最新研究进展,还结合典型案例展开了系统归纳,能够为相关研究者提供清晰的技术参考。随着学习网络-物理知识混合建模等方向的不断发展,深度学习有望进一步推动地震监测向自动化、智能化与可信化方向演进,为防震减灾研究提供更坚实的技术支撑。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

贾漯昭, 孟令媛, 闫睿. 深度学习在地震监测预报中的应用进展[J]. 地震研究, 2024, 47(3): 336-349.
[2]

Jia Luozhao, Meng Lingyuan, Yan Rui. Advancements of deep learning in seismic monitoring and prediction[J]. Journal of Seismological Research, 2024, 47(3): 336-349.
[3]

Krizhevsky A, Sutskever I, Hinton G E. Imagenet classification with deep convolutional neural networks[J]. Advances in Neural Information Processing Systems, 2012, 25: 1097-1105.
[4]

刘伟吉, 张家辉, 程灵, 等. 基于CNN-BIGRU-Attention模型的地层可钻性预测[J]. 科学技术与工程, 2025, 25(36): 15473-15484.
[5]

Liu Weiji, Zhang Jiahui, Cheng Ling, et al. Research on formation drillability prediction based on CNN-BIGRU-Attention model[J]. Science Technology and Engineering, 2025, 25(36): 15473-15484.
[6]

Smirnova E, Vasile F. Contextual sequence modeling for recommendation with recurrent neural networks[C]// Proceedings of the 2nd Workshop on Deep Learning for Recommender Systems. New York: Association for Computing Machinery, 2017: 2-9.
[7]

王晨, 李又轩, 王淑侠, 等. 基于ICEEMDAN分解重构的BiLSTM-KELM短期电力负荷预测[J]. 科学技术与工程, 2024, 24(32): 13836-13843.
[8]

Wang Chen, Li Youxuan, Wang Shuxia, et al. BiLSTM-KELM short-term power load fore-casting based on ICEEMDAN decomposition and reconstruction[J]. Science Technology and Engineering, 2024, 24(32): 13836-13843.
[9]

Goodfellow I J, Pouget-Abadie J, Mirza M, et al. Generative adversarial nets[J]. Advances in Neural Information Processing Systems, 2014, 27: 2672-2680.
[10]

武光利, 郭振洲, 李雷霆. 融合自上而下和自下而上注意力的图像描述生成[J]. 科学技术与工程, 2022, 22(32): 14313-14320.
[11]

Wu Guangli, Guo Zhenzhou, Li Leiting. Combining bottom-up and top-down attention for image captioning[J]. Science Technology and Engineering, 2022, 22(32): 14313-14320.
[12]

Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need[J]. Advances in Neural Information Processing Systems, 2017, 30: 5998-6008.
[13]

高天祥, 苏树智, 朱彦敏, 等. 基于平行融合图Tr-ansformer的岩爆烈度等级预测[J]. 科学技术与工程, 2025, 25(5): 2111-2118.
[14]

Gao Tianxiang, Su Shuzhi, Zhu Yanmin, et al. Rockburst intensity level prediction basedon parallel fusion graph transformer[J]. Sci-ence Technology and Engineering, 2025, 25(5): 2111-2118.
[15]

苗鹏宇, 王自法, 位栋梁, 等. 基于机器学习方法的地震破坏预测[J]. 科学技术与工程, 2023, 23(14): 5903-5913.
[16]

Miao Pengyu, Wang Zifa, Wei Dongliang, et al. Earthquake damage prediction based on machine learning[J]. Science Technology and Engineering, 2023, 23(14): 5903-5913.
[17]

Tibi R, Linville L, Young C, et al. Classification of local seismic events in the Utah region: a comparison of amplitude ratio methods with a spectrogram-based machine learning approach[J]. Bulletin of the Seismological Society of America, 2019, 109(6): 2532-2544.
[18]

庞聪, 江勇, 吴涛, 等. 神经网络参数对地震类型识别的影响[J]. 科学技术与工程, 2022, 22(18): 7765-7772.
[19]

Pang Cong, Jiang Yong, Wu Tao, et al. Effect of neural network parameters on earthquake type recognition[J]. Science Technology and Engineering, 2022, 22(18): 7765-7772.
[20]

Nakano M, Sugiyama D, Hori T, et al. Discrimination of seismic signals from earthquakes and tectonic tremor by applying a convol-utional neural network to running spectral images[J]. Seismological Research Letters, 2019, 90(2A): 530-538.
[21]

Linville L, Pankow K, Draelos T. Deep learning models augment analyst decisions for event discrimination[J]. Geophysical Research Letters, 2019, 46(7): 3643-3651.
[22]

Jia L, Chen H, Xing K. Rapid classification of local seismic events using machine learning[J]. Journal of Seismology, 2022, 26(5): 897-912.
[23]

Peng P, He Z, Wang L, et al. Microseismic records classification using capsule network with limited training samples in underground mining[J]. Scientific Reports, 2020, 10(1): 13925.
[24]

Ku B, Kim G, Ahn J K, et al. Attention-based convolutional neural network for earthquake event classification[J]. IEEE Geoscience and Remote Sensing Letters, 2020, 18(12): 2057-2061.
[25]

Rodriguez A B, Benitez C, Zuccarello L, et al. Bayesian monitoring of seismo-volcanic dynamics[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 60: 1-14.
[26]

Laurenti L, Paoletti G, Tinti E, et al. Probingthe evolution of fault properties during the seismic cycle with deep learning[J]. Nature Communications, 2024, 15(1): 10025.
[27]

Si X, Wu X, Sheng H, et al. SeisCLIP: a seismology foundation model pre-trained by multimodal data for multipurpose seismic feature extraction[J]. IEEE Transactions on Geoscience and Remote Sensing, 2024, 62: 1-13.
[28]

Mousavi S M, Zhu W, Ellsworth W, et al. Unsupervised clustering of seismic signals using deep convolutional autoencoders[J]. IEEE Geoscience and Remote Sensing Letters, 2019, 16(11): 1693-1697.
[29]

Titos M, Bueno A, García L, et al. Classification of isolated volcano-seismic events based on inductive transfer learning[J]. IEEE Geoscience and Remote Sensing Letters, 2019, 17(5): 869-873.
[30]

Kim G, Ku B, Ko H. Multifeature fusion-based earthquake event classification using transfer learning[J]. IEEE Geoscience and Remote Sensing Letters, 2020, 18(6): 974-978.
[31]

Beyreuther M, Carniel R, Wassermann J. Continuous hidden Markov models: application to automatic earthquake detection and classification Las Canãdas caldera, Tenerife[J]. Journal of Volcanology and Geothermal Research, 2008, 176(4): 513-518.
[32]

Perol T, Gharbi M, Denolle M. Convolutional neural network for earthquake detection and location[J]. Science Advances, 2018, 4(2): e1700578.
[33]

Mousavi S M, Zhu W, Sheng Y, et al. CRED: a deep residual network of convolutional and recurrent units for earthquake signal detection[J]. Scientific Reports, 2019, 9(1): 10267.
[34]

Zhou Y, Yue H, Kong Q, et al. Hybrid event detection and phase-picking algorithm using convolutional and recurrent neural networks[J]. Seismological Research Letters, 2019, 90(3): 1079-1087.
[35]

Chakraborty M, Fenner D, Li W, et al. CREIME: a convolutional recurrent model for earthquake identification and magnitude estimation[J]. Journal of Geophysical Research: Solid Earth, 2022, 127(7): e2022JB024595.
[36]

Li Z, Meier M A, Hauksson E, et al. Machine learning seismic wave discrimination: application to earthquake early warning[J]. Geophysical Research Letters, 2018, 45(10): 4773-4779.
[37]

Chin T L, Chen K Y, Chen D Y, et al. Intelligent real-time earthquake detection by recurrent neural networks[J]. IEEE Transactions on Geoscience and Remote Sensing, 2020, 58(8): 5440-5449.
[38]

Mousavi S M, Ellsworth W L, Zhu W, et al. Earthquake transformer—an attentive deep-learning model for simultaneous earthquake detection and phase picking[J]. Nature Communications, 2020, 11(1): 3952.
[39]

Liao W Y, Lee E J, Chen D Y, et al. RED-PAN: real-time earthquake detection and phase-picking with multitask attention network[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 1-11.
[40]

Yang S, Hu J, Zhang H, et al. Simultaneous earthquake detection on multiple stations via a convolutional neural network[J]. Seismological Society of America, 2021, 92(1): 246-260.
[41]

Zhu W, Tai K S, Mousavi S M, et al. An end-to-end earthquake detection method for joint phase picking and association using deep learning[J]. Journal of Geophysical Research: Solid Earth, 2022, 127(3): e2021JB023283.
[42]

Mohammadigheymasi H, Shi P, Tavakolizadeh N, et al. IPIML: a deep-scan earthquake detection and location workflow integrating pair-input deep learning model and migration location method[J]. IEEE Transactions on Geoscience and Remote Sensing, 2023, 61: 1-9.
[43]

Shi Q, Denolle M A, Ni Y, et al. Denoising offshore distributed acoustic sensing using masked auto-encoders to enhance earthquake detection[J]. Journal of Geophysical Research: Solid Earth, 2025, 130(2): e2024JB029728.
[44]

赵邦六, 王伟, 梁奇, 等. 基于双输入联合深度学习的地震背景噪声压制技术及应用[J]. 地球物理学报, 2025, 68(12): 4729-4744.
[45]

Zhao Bangliu, Wang Wei, Liang Qi, et al. Dual-input joint deep learning approach for seismic background noise attenuation and its application[J]. Chinese Journal of Geophysics, 2025, 68(12): 4729-4744.
[46]

张振, 蔡涵鹏, 王腾宇, 等. 深层高陡地层零井源距垂直地震剖面初至波特征分析及拾取策略[J]. 科学技术与工程, 2022, 22(27): 11820-11828.
[47]

Zhang Zhen, Cai Hanpeng, Wang Tengyu, et al. Analysis of zero-offset VSP first-arrival wave characteristics and picking strategy in deep and high-steep formation[J]. Science Technology and Engineering, 2022, 22(27): 11820-11828.
[48]

Ross Z E, Meier M A, Hauksson E, et al. Generalized seismic phase detection with deep learning[J]. Bulletin of the Seismological Society of America, 2018, 108(5A): 2894-2901.
[49]

Ross Z E, Meier M A, Hauksson E. P wave arrival picking and first-motion polarity determination with deep learning[J]. Journal of Geophysical Research: Solid Earth, 2018, 123(6): 5120-5129.
[50]

Zhu W, Beroza G C. PhaseNet: a deep-neural-network-based seismic arrival-time picking method[J]. Geophysical Journal International, 2019, 216(1): 261-273.
[51]

袁联生. 基于深度学习的复杂地质条件下地震波初至拾取研究[J]. 地球物理学进展, 2022, 37(4): 1657-1668.
[52]

Yuan Liansheng. Research on seismic first break picking under complex geological conditions based on depp learning[J]. Progress in Geophysics, 2022, 37(4): 1657-1668.
[53]

胡婷, 徐彬, 王永发, 等. 基于U-Net的矿山微震初至拾取研究[J]. 科学技术与工程, 2023, 23(16): 6802-6809.
[54]

Hu Ting, Xu Bin, Wang Yongfa, et al. Arrival picking of mine microseismic events using U-Net[J]. Science Technology and Engineering, 2023, 23(16): 6802-6809.
[55]

Wang J, Xiao Z, Liu C, et al. Deep learning for picking seismic arrival times[J]. Journal of Geophysical Research: Solid Earth, 2019, 124(7): 6612-6624.
[56]

Li W, Chakraborty M, Fenner D, et al. Epick: multi-class attention-based U-shaped neural network for earthquake detection and seismic phase picking[J]. arXiv Preprint, arXiv: 2109. 02567, 2021.
[57]

Liao W Y, Lee E J, Mu D, et al. Toward fully autonomous seismic networks: backprojecting deep learning-based phase time functions for earthquake monitoring on continuous recordings[J]. Seismological Society of America, 2022, 93(3): 1880-1894.
[58]

Saad O M, Chen Y. CapsPhase: capsule neural network for seismic phase classification and picking[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 60: 1-11.
[59]

Saad O M, Chen Y, Savvaidis A, et al. Real-time earthquake detection and magnitude estimation using vision transformer[J]. Journal of Geophysical Research: Solid Earth, 2022, 127(5): e2021JB023657.
[60]

Li S, Yang X, Cao A, et al. Seist: a foundational deep-learning model for earthquake monitoring tasks[J]. IEEE Transactions on Geoscience and Remote Sensing, 2024, 62: 1-15.
[61]

Zhang T, Liu F, Yuan Y, et al. Fast information streaming handler (fish): a unified seismic neural network for single station realtime earthquake early warning[J]. arXiv Preprint, arXiv: 2408. 06629, 2024.
[62]

Zhang L, Li Z, Dai Z, et al. EffiSeisM: an efficient multi-task deep learning model for earthquake monitoring[J]. Computers & Geosciences, 2025, 10: 6039.
[63]

Xiao Z, Wang J, Liu C, et al. Siamese earthquake transformer: a pair-input deep-learning model for earthquake detection and phase picking on a seismic array[J]. Journal of Geophysical Research: Solid Earth, 2021, 126(5): e2020JB021444.
[64]

Feng T, Mohanna S, Meng L. Edgephase: a deep learning model for multi-station seismic phase picking[J]. Geochemistry, Geophysics, Geosystems, 2022, 23(11): e2022GC010453.
[65]

Si X, Wu X, Li Z, et al. An all-in-one seis-mic phase picking, location, and association network for multi-task multi-station earthquake monitoring[J]. Communications Earth & Environment, 2024, 5(1): 22.
[66]

Lapins S, Goitom B, Kendall J M, et al. A little data goes a long way: automating seismic phase arrival picking at Nabro volcano with transfer learning[J]. Journal of Geophysical Research: Solid Earth, 2021, 126(7): e2021JB021910.
[67]

Niksejel A, Zhang M. OBSTransformer: a deep-learning seismic phase picker for OBS data using automated labelling and transfer learning[J]. Geophysical Journal International, 2024, 237(1): 485-505.
[68]

Zhu J, Li Z, Fang L. USTC-Pickers: a unified set of seismic phase pickers transfer learned for China[J]. Earthquake Science, 2023, 36(2): 95-112.
[69]

Zhu W, Biondi E, Li J, et al. Seismic arrival-time picking on distributed acoustic sensing data using semi-supervised learning[J]. Nature Communications, 2023, 14(1): 8192.
[70]

Yu Z, Wang W. LPPN: a lightweight network for fast phase picking[J]. Seismological Society of America, 2022, 93(5): 2834-2846.
[71]

McBrearty I W, Delorey A A, Johnson P A. Pairwise association of seismic arrivals with convolutional neural networks[J]. Seismological Research Letters, 2019, 90(2A): 503-509.
[72]

Dickey J, Borghetti B, Junek W, et al. Beyond correlation: a path-invariant measure for seismogram similarity[J]. Seismological Research Letters, 2020, 91(1): 356-369.
[73]

Ross Z E, Yue Y, Meier M A, et al. Phase-link: a deep learning approach to seismic phase association[J]. Journal of Geophysical Research: Solid Earth, 2019, 124(1): 856-869.
[74]

McBrearty I W, Beroza G C. Earthquake phase association with graph neural networks[J]. Bulletin of the Seismological Society of America, 2023, 113(2): 524-547.
[75]

Yu Z, Wang W. Fast-link: a machine learningand GPU-based fast phase association methodand its application to Yangbi Ms 6. 4 aftershock sequences[J]. Geophysical Journal International, 2022, 230(1): 673-683.
[76]

Hara S, Fukahata Y, Iio Y. P-wave first-moti-on polarity determination of waveform data in western Japan using deep learning[J]. Earth, Planets and Space, 2019, 71(1): 127.
[77]

Chakraborty M, Cartaya C Q, Li W, et al. PolarCAP-a deep learning approach for first motion polarity classification of earthquake waveforms[J]. Artificial Intelligence in Geosciences, 2022, 3: 46-52.
[78]

Zhao M, Xiao Z, Zhang M, et al. DiTingMotion: a deep-learning first-motion-polarity classifier and its application to focal mechanism inversion[J]. Frontiers in Earth Science, 2023, 11: 1103914.
[79]

Tian X, Zhang W, Zhang X, et al. Comparison of single-trace and multiple-trace polarity determination for surface microseismic data using deep learning[J]. Seismological Research Letters, 2020, 91(3): 1794-1803.
[80]

Uchide T. Focal mechanisms of small earthquakes beneath the Japanese islands based on first-motion polarities picked using deep learning[J]. Geophysical Journal International, 2020, 223(3): 1658-1671.
[81]

Kriegerowski M, Petersen G M, Vasyura-Bathke H, et al. A deep convolutional neural network for localization of clustered earthquakes based on multistation full waveforms[J]. Seismological Research Letters, 2019, 90(2A): 510-516.
[82]

Zhang X, Zhang J, Yuan C, et al. Locating induced earthquakes with a network of seismic stations in Oklahoma via a deep learning method[J]. Scientific Reports, 2020, 10(1): 1941.
[83]

Chin T L, Chen K Y, Chen D Y, et al. An attention-based hypocenter estimator for earthquake localization[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 60: 1-10.
[84]

Wang Y, Li X, Wang Z, et al. Deep learningfor magnitude prediction in earthquake early warning[J]. Gondwana Research, 2023, 123: 164-173.
[85]

王晨晖, 袁颖, 刘立申, 等. 基于主成分分析法优化广义回归神经网络的地震震级预测[J]. 科学技术与工程, 2022, 22(29): 12733-12738.
[86]

Wang Chenhui, Yuan Ying, Liu Lishen, et al. Prediction research of earthquake magnitude based on generalized regression neural net-work optimized by principal component analysis[J]. Science Technology and Engineering, 2022, 22(29): 12733-12738.
[87]

Mousavi S M, Beroza G C. A machine-learning approach for earthquake magnitude estimation[J]. Geophysical Research Letters, 2020, 47(1): e2019GL085976.
[88]

Lin J T, Melgar D, Thomas A M, et al. Early warning for great earthquakes from characterization of crustal deformation patterns with deep learning[J]. Journal of Geophysical Research: Solid Earth, 2021, 126(10): e2021JB022703.
[89]

钟波, 胡星辉, 方荣新, 等. 基于高频GNSS和端到端深度学习的大地震震级估计[J]. 地球物理学报, 2026, 69(1): 97-112.
[90]

Zhong Bo, Hu Xinghui, Fang Rongxin, et al. Magnitude estimation of large earthquakes based on high-rate GNSS and end-to-end deep learning[J]. Chinese Journal of Geophysics, 2026, 69(1): 97-112.
[91]

Mousavi S M, Beroza G C. Bayesian-deep-learning estimation of earthquake location from single-station observations[J]. arXiv Preprint, arXiv: 1912. 01144, 2019.
[92]

Lomax A, Michelini A, Jozinović D. An investigation of rapid earthquake characterization using single-station waveforms and a convolutional neural network[J]. Seismological Research Letters, 2019, 90(2A): 517-529.
[93]

Abdalzaher M S, Soliman M S, Fouda M M. Using deep learning for rapid earthquake parameter estimation in single-station single-component earthquake early warning system[J]. IEEE Transactions on Geoscience and Remote Sensing, 2024, 62: 1-10.
[94]

Ristea N C, Radoi A. Complex neural networks for estimating epicentral distance, depth, and magnitude of seismic waves[J]. IEEE Geoscience and Remote Sensing Letters, 2021, 19: 1-5.
[95]

Joshi A, Singh P, Raman B. A deep attentionmodel for onsite estimation of earthquake epicenter distance and magnitude[J]. IEEE Transactions on Geoscience and Remote Sensing, 2024, 62: 1-11.
[96]

Berhich A, Belouadha F Z, Kabbaj M I. An attention-based LSTM network for large earthquake prediction[J]. Soil Dynamics and Earthquake Engineering, 2023, 165: 107663.
[97]

Ge K, Wang C, Guo Y T, et al. A multitask Fourier transformer network for seismic source characterization estimation from a single-station waveform[J]. IEEE Geoscience and Remote Sensing Letters, 2024, 21: 1-5.
[98]

Zhang X, Zhang M. Universal neural networks for real-time earthquake early warning trained with generalized earthquakes[J]. Communications Earth & Environment, 2024, 5(1): 528.
[99]

Licciardi A, Bletery Q, Rouet-Leduc B, et al. Instantaneous tracking of earthquake growth with elastogravity signals[J]. Nature, 2022, 606(7913): 319-324.
[100]

Juhel K, Bletery Q, Licciardi A, et al. Fast and full characterization of large earthquakes from prompt elastogravity signals[J]. Communications Earth & Environment, 2024, 5(1): 561.
[101]

van den Ende M P A, Ampuero J P. Automated seismic source characterization using deep graph neural networks[J]. Geophysical Research Letters, 2020, 47(17): e2020GL088690.
[102]

Bilal M A, Ji Y, Wang Y, et al. Early earthquake detection using batch normalization graph convolutional neural network (BNGCNN)[J]. Applied Sciences, 2022, 12(15): 7548.
[103]

Münchmeyer J, Bindi D, Leser U, et al. Earthquake magnitude and location estimation from real time seismic waveforms with a transformer network[J]. Geophysical Journal International, 2021, 226(2): 1086-1104.
[104]

Meng F, Ren T, Zhang H, et al. SeisParaNet: a novel multitask network for seismic source characterization in earthquake early warning[J]. IEEE Transactions on Geoscience and Remote Sensing, 2024, 62: 1-11.
[105]

Kuang W, Yuan C, Zhang J. Real-time determination of earthquake focal mechanism via deep learning[J]. Nature Communications, 2021, 12(1): 1432.
[106]

Steinberg A, Vasyura-Bathke H, Gaebler P, et al. Estimation of seismic moment tensors using variational inference machine learning[J]. Journal of Geophysical Research: Solid Earth, 2021, 126(10): e2021JB022685.
[107]

Zhang H, Innanen K A, Eaton D W. Inversion for shear-tensile focal mechanisms using an unsupervised physics-guided neural network[J]. Seismological Society of America, 2021, 92(4): 2282-2294.
[108]

Rucker C, Erickson B A. Physics-informed deep learning of rate-and-state fault friction[J]. Computer Methods in Applied Mechanics and Engineering, 2024, 430: 117211.
[109]

Fukushima R, Kano M, Hirahara K. Physics-informed neural networks for fault slip monitoring: simulation, frictional parameter estimation, and prediction on slow slip events in a spring-slider system[J]. Journal of Geophysical Research: Solid Earth, 2023, 128(12): e2023JB027384.
[110]

Ahamed S, Daub E G. Application of machine learning techniques to predict rupture propagation and arrest in 2D dynamic earthquake simulations[J]. Geophysical Journal International, 2021, 224(3): 1918-1929.
[111]

Gong Z, Wang Z, Liang C, et al. RuptureNet2D, a deep neural network based surrogate for dynamic earthquake rupture simulation in two dimensions[J]. Journal of Geophysical Research: Solid Earth, 2025, 130(5): e2024JB030069.
[112]

彭真, 许辉群. 基于TransUNet神经网络的叠后地震波阻抗反演方法[J]. 地球物理学进展, 2024, 39(2): 704-715.
[113]

Peng Zhen, Xu HuiQun. Post-stack seismic impedance inversion method based on TransUNet neural network[J]. Progress in Geophysics, 2024, 39(2): 704-715.
[114]

Trugman D T, Shearer P M. Strong correlation between stress drop and peak ground acceleration for recent M 1-4 earthquakes in the San Francisco Bay Area[J]. Bulletin of the Seismological Society of America, 2018, 108(2): 929-945.
[115]

Wiszniowski J. Estimation of a ground motion model for induced events by Fahlman’s cascade correlation neural network[J]. Computers & Geosciences, 2019, 131: 23-31.
[116]

Wang Z, Zentner I, Zio E. Accounting for uncertainties of magnitude-and site-related parameters on neural network-computed groundmotion prediction equations[J]. Bulletin of the Seismological Society of America, 2020, 110(2): 629-646.
[117]

Sharma V, Gade M, Dhanya J. ANN-based ground motion and physics-based broadband models for vertical spectra[J]. Pure and Applied Geophysics, 2025, 182(2): 637-665.
[118]

Hsu T Y, Huang C W. Onsite early prediction of PGA using CNN with multi-scale and multi-domain P-waves as input[J]. Frontiers in Earth Science, 2021, 9: 626908.
[119]

Liu Y, Zhao Q, Wang Y. Peak ground acceleration prediction for on-site earthquake early warning with deep learning[J]. Scientific Reports, 2024, 14(1): 5485.
[120]

Smith J D, Azizzadenesheli K, Ross Z E. Eikonet: solving the eikonal equation with deep neural networks[J]. IEEE Transactions on Geoscience and Remote Sensing, 2020, 59(12): 10685-10696.
[121]

Neelamraju P M, Basu J, Raghukanth S T G. Ground motion model for acceleration response spectra using conditional-generative adversarial network[J]. Natural Hazards, 2025, 121: 4865-4900.
[122]

Saad O M, Helmy I, Mohammed M, et al. Deep learning peak ground acceleration prediction using single-station waveforms[J]. IEEET Ransactions on Geoscience and Remote Sensing, 2024, 62: 1-13.
[123]

Johnson C W, Wang K, Johnson P A. Automatic speech recognition predicts contemporaneous earthquake fault displacement[J]. Nature Communications, 2025, 16(1): 1069.
[124]

姚吉涛, 胡进军, 丁龙兵. 2026. 基于可解释深度学习的NGA-West2竖向地震动模型[J]. 地球物理学报, 2026, 69(4): 1617-1633.
[125]

Yao Jitao, Hu Jinjun, Ding Longbing. An interpretable deep learning vertical ground motion model based on NGA-West2 data-base[J]. Chinese Journal of Geophysics, 2026, 69(4): 1617-1633.
[126]

Jozinović D, Lomax A, Štajduhar I, et al. Rapid prediction of earthquake ground shaking intensity using raw waveform data and a convolutional neural network[J]. Geophysical Journal International, 2020, 222(2): 1379-1389.
[127]

Datta A, Wu D J, Zhu W, et al. DeepShake: shaking intensity prediction using deep spatiotemporal RNNs for earthquake early warning[J]. Seismological Society of America, 2022, 93(3): 1636-1649.
[128]

Münchmeyer J, Bindi D, Leser U, et al. The transformer earthquake alerting model: a new versatile approach to earthquake early warning[J]. Geophysical Journal International, 2021, 225(1): 646-656.
[129]

Meenakshi Y, Podili B, Raghukanth S T G. Alternative ground motion model for CENA region using a deep neural network integratedwith transfer learning technique[J]. Natural Hazards, 2025, 121: 8733-8759.
[130]

Murshed R U, Noshin K, Zakaria M A, et al. Real-time seismic intensity prediction using self-supervised contrastive GNN for earthquake early warning[J]. IEEE Transactions on Geoscience and Remote Sensing, 2024, 62: 1-19.
[131]

Song C, Alkhalifah T, Waheed U B. Solving the frequency-domain acoustic VTI wave equation using physics-informed neural networks[J]. Geophysical Journal International, 2021, 225(2): 846-859.
[132]

Moseley B, Markham A, Nissen-Meyer T. Solving the wave equation with physics-informed deep learning[J]. arXiv Preprint, arXiv: 2006, 11894, 2020.
[133]

Zhang T, Trad D, Innanen K. Learning to solve the elastic wave equation with Fourier neural operators[J]. Geophysics, 2023, 88(3): 101-119.
[134]

Kong Q, Zou C, Choi Y, et al. Reducing frequency bias of fourier neural operators in 3D seismic wavefield simulations through multistage training[J]. Seismological Research Letters, 2026, 97(1): 272-282.
[135]

Wang T, Trugman D, Lin Y. SeismoGen: seismic waveform synthesis using GAN with application to seismic data augmentation[J]. Journal of Geophysical Research: Solid Earth, 2021, 126(4): e2020JB020077.
[136]

Florez M A, Caporale M, Buabthong P, et al. Data-driven synthesis of broadband earthquake ground motions using artificial intelligence[J]. Bulletin of the Seismological Society of America, 2022, 112(4): 1979-1996.
[137]

Joshi A, Raman B, Mohan C K. Real-time earthquake magnitude prediction using designed machine learning ensemble trained on real and CTGAN generated synthetic data[J]. Geodesy and Geodynamics, 2025, 16(3): 350-368.
[138]

Bergmeister A, Palgunadi K H, Bosisio A, et al. High resolution seismic waveform gen-eration using denoising diffusion[J]. arXiv Preprint, arXiv: 2410. 19343, 2024.
[139]

Bi Z, Nakata N, Nakata R, et al. Advancing data-driven broadband seismic wavefield simulation with multiconditional diffusion model[J]. IEEE Transactions on Geoscience and Remote Sensing, 2025, 63: 1-9.
[140]

Zou C, Azizzadenesheli K, Ross Z E, et al. Deep neural Helmholtz operators for 3D elastic wave propagation and inversion[J]. Geophysical Journal International, 2024, 239(3): 1469-1484.
[141]

Wang F, Huang X, Alkhalifah T A. A prior regularized full waveform inversion using generative diffusion models[J]. IEEE Transactions on Geoscience and Remote Sensing, 2023, 61: 1-11.
[142]

Zhang H, Li Y, Huang J. DiffusionVel: multi-information integrated velocity inversion using generative diffusion model[C]// 86th EAGE Annual Conference & Exhibition. Houten: European Association of Geoscientists & Engineers, 2025: 1-5.
[143]

Li R, Lu X, Li S, et al. DLEP: a deep learning model for earthquake prediction[C]// 2020 International Joint Conference on Neural Networks (IJCNN). New York: IEEE, 2020: 1-8.
[144]

Kavianpour P, Kavianpour M, Jahani E, et al. A CNN-BiLSTM model with attention mechanism for earthquake prediction[J]. The Journal of Supercomputing, 2023, 79(17): 19194-19226.
[145]

孟馨, 秦拥军, 谢良甫, 等. 基于深度学习的东天山特长隧道围岩等级预测[J]. 科学技术与工程, 2022, 22(25): 11219-11226.
[146]

Meng Xin, Qin Yongjun, Xie Liangfu, et al. Prediction of surrounding rock grade of East Tianshan extra long tunnel based on deep learning[J]. Science Technology and Engineering, 2022, 22(25): 11219-11226.
[147]

Sadhukhan B, Chakraborty S, Mukherjee S. Predicting the magnitude of an impending earthquake using deep learning techniques[J]. Earth Science Informatics, 2023, 16(1): 803-823.

基金资助

国家自然科学基金(62273315)

北京科技大学2024年本科教育教学改革项目(JG2024M29)

PDF (8931KB)

53

访问

0

被引

详细
导航
相关文章

/

〈 〉

京ICP备05035734号-4
版权所有 © 《科学技术与工程》编辑部
地址： 北京市海淀区学院南路86号 《科学技术与工程》编辑部　邮编：100081
电话：(010)62118920 　E-mail：stae@vip.163.com
技术支持：北京玛格泰克科技发展有限公司 　
网站管理员登录