[论文解读] EPick: Multi-Class Attention-based U-shaped Neural Network for Earthquake Detection and Seismic Phase Picking

Wei Li, Megha Chakraborty+6 more|arXiv (Cornell University)|Sep 6, 2021

Seismology and Earthquake Studies参考文献 31被引用 4

一句话总结

EPick 提出了一种用于地震检测和地震相位拾取的多类别、注意力增强型 U-Net 神经网络，结合了 U-Net 的特征层次结构与自注意力及多头注意力机制，以增强特征精炼。该模型在 S 相位拾取任务上达到最先进性能，并在未见地震数据上展现出强大的泛化能力，在噪声环境下优于 PhaseNet 和 ARRU 等基线模型。

ABSTRACT

Earthquake detection and seismic phase picking not only play a crucial role in travel time estimation of body waves(P and S waves) but also in the localisation of the epicenter of the corresponding event. Generally, manual phase picking is a trustworthy and the optimum method to determine the phase arrival time, however, its capacity is restricted by available resources and time. Moreover, noisy seismic data renders an additional critical challenge for fast and accurate phase picking. In this study, a deep learning based model, EPick, is proposed which benefits both from U shaped neural network (also called UNet)and attention mechanism, as a strong alternative for seismic event detection and phase picking. On one hand, the utilization of UNet structure enables addressing different levels of deep features. On the other hand, attention mechanism promotes the decoder in the UNet structure to focus on the efficient exploitation of the low-resolution features learned from the encoder part to achieve precise phase picking. Extensive experimental results demonstrate that EPick achieves better performance over the benchmark method, and show the models robustness when tested on a different seismic dataset.

研究动机与目标

• 开发一种深度学习模型，以提高地震相位拾取的准确性，特别是针对信噪比（SNR）低和震级小的事件。
• 解决传统自动拾取器的局限性，后者依赖手工设计特征且对参数调优敏感。
• 将注意力机制整合到 U-Net 架构中，以增强特征表示并提升相位到时时间检测能力。
• 实现在多样化地震数据集（包括噪声数据和真实世界数据）上的稳健泛化能力。

提出的方法

• EPick 采用 U-型编码器-解码器架构（U-Net），从地震波形中提取多尺度特征。
• 在解码器中集成自注意力与多头注意力机制，以聚焦于编码器提供的相关低分辨率特征。
• 采用端到端训练方式，使用多类别分类损失函数，将 P 相位和 S 相位到时预测为离散时间步标签。
• 真实标签通过以人工拾取为中心、标准差分别为 0.2 秒（P 相）和 0.3 秒（S 相）的高斯掩码生成。
• 模型在地震与非地震信号上同时进行训练，以提升对噪声的鲁棒性。
• 在 INSTANCE 数据集上通过 ±0.1 秒的容差窗口评估泛化性能，用于相位到时比较。

实验结果

研究问题

• RQ1 基于 U-Net 的架构若增强注意力机制，是否能在地震相位拾取中超越标准 U-Net？
• RQ2 与 SOTA 模型如 PhaseNet 和 ARRU 相比，EPick 在 S 相位拾取中的表现如何？
• RQ3 在地震与非地震信号上同时训练是否能提升模型对噪声的鲁棒性及在未见数据上的泛化能力？
• RQ4 注意力机制如何在解码器中增强特征精炼，以实现更精确的相位到时检测？
• RQ5 标签格式（高斯掩码 vs. 窗口基）对模型性能与泛化能力有何影响？

主要发现

• 在 INSTANCE 数据集上，EPick 对 P 相位到时的平均拾取误差为 -0.885 秒，标准差为 3.947 秒，S 相位准确率优于 PhaseNet 和 ARRU。
• 对于 S 相位拾取，EPick 的平均误差为 0.116 秒，标准差为 1.895 秒，显著优于 PhaseNet（平均：-0.178 秒，标准差：2.234 秒）和 ARRU（平均：0.319 秒，标准差：3.130 秒）。
• 该模型在 INSTANCE 数据集上表现出强大的泛化能力，该数据集包含弱震与强震台站的数据，表明其对多样化信号条件具有鲁棒性。
• 由于在非地震信号上进行训练，EPick 的性能在噪声环境中比基线模型更稳定、更准确。
• 注意力机制显著提升了解码器中的特征精炼能力，使模型能更有效地利用低级特征以实现精确的相位检测。
• 即使在信号特性不同的数据集上测试，该模型仍保持高性能，证实其具备良好的适应性与泛化能力。