[论文解读] A Machine Learning-enhanced Robust P-Phase Picker for Real-time Seismic Monitoring

Dazhong Shen, Qi Zhang+8 more|arXiv (Cornell University)|Nov 21, 2019

Seismology and Earthquake Studies参考文献 44被引用 4

一句话总结

该论文提出EL-Picker，一种基于集成学习的机器学习增强框架，用于在噪声连续波形中实时自动检测地震P波初至。通过结合低复杂度触发器、多样化的分类器集成以及精炼模块，EL-Picker实现了卓越性能——检测到的P波初至比专家标注数据多出120%，同时揭示了因人工疏忽而被遗漏的细微地震模式。

ABSTRACT

Identifying the arrival times of seismic P-phases plays a significant role in real-time seismic monitoring, which provides critical guidance for emergency response activities. While considerable research has been conducted on this topic, efficiently capturing the arrival times of seismic P-phases hidden within intensively distributed and noisy seismic waves, such as those generated by the aftershocks of destructive earthquakes, remains a real challenge since most common existing methods in seismology rely on laborious expert supervision. To this end, in this paper, we present a machine learning-enhanced framework based on ensemble learning strategy, EL-Picker, for the automatic identification of seismic P-phase arrivals on continuous and massive waveforms. More specifically, EL-Picker consists of three modules, namely, Trigger, Classifier, and Refiner, and an ensemble learning strategy is exploited to integrate several machine learning classifiers. An evaluation of the aftershocks following the MS 8.0 Wenchuan earthquake demonstrates that EL-Picker can not only achieve the best identification performance but also identify 120% more seismic P-phase arrivals as complementary data. Meanwhile, experimental results also reveal both the applicability of different machine learning models for waveforms collected from different seismic stations and the regularities of seismic P-phase arrivals that might be neglected during manual inspection. These findings clearly validate the effectiveness, efficiency, flexibility and stability of EL-Picker.

研究动机与目标

• 解决在余震序列的连续噪声地震波形中检测弱信号、信噪比（SNR）低的P波初至的挑战。
• 通过机器学习自动化P波初至检测，减少对人工密集型标注的依赖。
• 通过集成学习整合多种机器学习模型，提升检测准确率和完整性。
• 揭示人工检查过程中被忽略的地震模式，特别是在高震级或复杂余震序列中。
• 开发一种可扩展、高效且稳定的框架，适用于实际地震监测系统中的实时部署。

提出的方法

• EL-Picker框架由三个模块组成：触发器（使用STA/LTA进行初始事件候选选择）、分类器（多种机器学习模型的集成）和精炼器（用于后处理并提高初至时间精度）。
• 采用集成学习策略，结合多种分类器（如SVM、HMM和深度神经网络），以增强在不同地震台站数据上的鲁棒性和泛化能力。
• 触发器模块使用短时平均（STA）与长时平均（LTA）的能量比来识别潜在地震相位，从而在机器学习推理前降低计算负载。
• 分类器模块对触发器标记的时间窗应用多种模型，利用其互补优势以提升检测准确率。
• 精炼器模块利用信号特征和注意力机制对初至时间预测进行微调，尤其在低SNR区域表现更优。
• 采用循环注意力（RA）-CNN模型分析频谱瀑布图，识别波形中的判别性特征，特别是在S波峰值附近，以解释漏检现象。

实验结果

研究问题

• RQ1 在实时连续地震波形中，集成多个机器学习模型是否能优于单个模型检测P波初至？
• RQ2 自动化检测在多大程度上可减轻人工标注负担，同时提升检测完整性？
• RQ3 在地震波形中，哪些结构或信号特征模式在人工检查中持续被遗漏，特别是在低SNR或高震级余震场景下？
• RQ4 轻量级触发器与复杂分类器及精炼器的集成，如何提升检测效率与准确率？
• RQ5 深度学习模型中的注意力机制能否揭示地震波形中与漏检P波初至相关的隐藏规律？

主要发现

• 在汶川8.0级地震余震数据集上，EL-Picker在所有评估方法中表现出最高的检测性能。
• 该框架检测到的P波初至比专家标注数据多出120%，表明检测完整性有显著提升。
• 大量被遗漏的初至具有较低的信噪比（SNR），尤其在P波初至后的15–25秒窗口内，波形特征不明显。
• RA-CNN模型显示，注意力机制聚焦于S波峰值区域，表明在这些区域附近的微弱P波信号常被人工检查所忽略。
• 集成分类器在不同地震台站间表现出良好适应性，证实该框架在处理异构波形数据方面的灵活性。
• 人工标注倾向于优先关注高振幅、高SNR事件，导致对低SNR、区域性余震的系统性漏检，尤其在主震后更为明显。