[论文解读] Accelerating Time-Reversal Imaging with Neural Operators for Real-time Earthquake Locations

Hongyu Sun, Yang Yan+3 more|arXiv (Cornell University)|Oct 13, 2022

Seismic Imaging and Inversion Techniques被引用 4

一句话总结

该论文提出一种基于U型神经算子的深度学习框架，用于加速实时、高分辨率地震定位的时间反演成像。通过在合成波场数据上进行训练，该模型可近乎实时地预测所有台站的反向传播波场——将计算时间从数小时缩短至1分钟以内，从而实现高效、物理信息驱动的多台站波形源定位，其精度与全波形模拟相当。

ABSTRACT

Earthquake hypocenters form the basis for a wide array of seismological analyses. Pick-based earthquake location workflows rely on the accuracy of phase pickers and may be biased when dealing with complex earthquake sequences in heterogeneous media. Time-reversal imaging of passive seismic sources with the cross-correlation imaging condition has potential for earthquake location with high accuracy and high resolution, but carries a large computational cost. Here we present an alternative deep-learning approach for earthquake location by combining the benefits of neural operators for wave propagation and time reversal imaging with multi-station waveform recordings. A U-shaped neural operator is trained to propagate seismic waves with various source time functions and thus can predict a backpropagated wavefield for each station in negligible time. These wavefields can either be stacked or correlated to locate earthquakes from the resulting source images. Compared with other waveform-based deep-learning location methods, time reversal imaging accounts for physical laws of wave propagation and is expected to achieve accurate earthquake location. We demonstrate the method with the 2D acoustic wave equation on both synthetic and field data. The results show that our method can efficiently obtain high resolution and high accuracy correlation-based time reversal imaging of earthquake sources. Moreover, our approach is adaptable to the number and geometry of seismic stations, which opens new strategies for real-time earthquake location and monitoring with dense seismic networks.

研究动机与目标

• 解决传统时间反演成像在地震定位中计算成本过高的问题。
• 利用密集地震网络实现实时、高分辨率的地震监测。
• 将物理波动传播规律整合到深度学习中，实现准确且可解释的地震定位。
• 降低对相位拾取的依赖，并提升在复杂、非均质介质中的性能。
• 开发一种可扩展、泛化能力强的方法，可适应不同的台站几何布局和速度模型。

提出的方法

• 训练一个U型神经算子，同时预测每个台站的时间反演地震波场，输入为基于二维声波方程生成的合成波场。
• 通过在多样化的源时间函数和速度结构上进行训练，使模型能够泛化至不同地震场景。
• 将所有台站的反向传播波场进行互相关处理，生成源图像，峰值强度对应地震震源位置。
• 该方法利用互相关成像条件，提升空间分辨率并增强对振幅误差的鲁棒性。
• 训练数据通过谱元法（SEM）模拟生成，以确保物理准确性并避免数值伪影。
• 该方法设计为可扩展至三维和弹性介质，通过适当微调和架构调整实现。

实验结果

研究问题

• RQ1 神经算子能否在保持精度的前提下显著加速地震定位的时间反演成像？
• RQ2 与全波形模拟（SEM）相比，该神经算子在定位精度和分辨率方面的表现如何？
• RQ3 该方法在低信噪比数据和实际波形中的振幅误差下，其性能可容忍到何种程度？
• RQ4 该方法在滤波后与原始地震计波形上的表现有何差异？为获得最佳结果，需要何种预处理？
• RQ5 该框架是否可在不重新训练的情况下推广至不同的台站几何布局和速度模型？

主要发现

• 对于96×96网格，神经算子（UNO）在30秒内即可预测所有台站的反向传播波场，而SEM需9小时，实现180倍加速。
• UNO生成的源图像在定位精度上与SEM相当，尤其在低频波形（≤6 Hz）中表现优异，在合成数据和实测数据中均能准确恢复震源位置。
• 即使输入为原始地震计波形，互相关成像条件仍能生成准确的源图像，表明对振幅误差和低频主导成分具有鲁棒性。
• 对实测数据施加简单的低通滤波（3–6 Hz）可显著提升定位精度，表明低频成分已足够实现可靠成像。
• 该方法在不同台站几何布局下保持高分辨率和高精度，并可通过已知地下速度模型信息适配至不同速度模型。
• 该方法具备实现实时地震监测的潜力，处理时间适合在密集地震网络中进行业务化部署。