[论文解读] Evaluating the SAIPy Performance using a Local Seismic Network for Volcano-Tectonic Earthquakes Monitoring

Claudia Quinteros-Cartaya, Francisco Javier Núñez-Cornú+1 more|arXiv (Cornell University)|Feb 1, 2026

Seismology and Earthquake Studies被引用 0

一句话总结

本论文在本地地震网络环境中评估 SAIPy——一个开源深度学习地震数据分析包，以监测火山-构造地震，并将单站输出整合用于多站事件关联，从而提升事件检测与目录完整性。

ABSTRACT

In this study, we evaluated the performance of SAIPy, an open-source Python package for deep learning-based seismic data analysis, by applying its single-station monitoring tools and extending its use to a seismic network based approach, using data from a local seismic network deployed in a Caldera. Although the integrated models into SAIPy for earthquake detection,magnitude estimation, seismic phase picking, and P-wave polarity classification, were originally trained on tectonic signals, we assess their performance in a more complex seismic environment that includes volcano-tectonic events, along with signal interference from distant earthquakes.We also demonstrate the advantages of integrating outputs using multiple stations to improve event detection. SAIPy was able to identify a significantly larger number of local events than those included in previously published catalogs. SAIPy demonstrated reliable phase picking and P-wave polarity estimation, particularly for local volcano-tectonic events, with some limitations observed in the magnitude estimation for complex volcanic signals. These results support the utility of SAIPy for processing continuous seismic data and suggest that future retraining using data with physically standardized units, removing instrumental response, and including data from more diverse seismic sources, could improve its generalization for magnitude estimation to complex scenarios and different seismic networks and sensor types.

研究动机与目标

• 在超出原本构造训练范围的本地火山-构造地震数据上评估 SAIPy 的性能。
• 评估如何将 SAIPy 的单站输出在网络中聚类以提升事件检测。
• 识别 SAIPy 在火山环境下的震级估计与相位拾取的优点与局限性。
• 演示一个基于网络的框架，利用 SAIPy 的输出来提升地震事件关联性与目录完整性。

提出的方法

• 将 SAIPy 的核心模型应用于九台本地地震网络的数据（CREIME_RT 用于探测与震级，DynaPicker_v2 用于 P 相与 S 相拾取，PolarCAP 用于初始极性）。
• 对数据进行预处理以匹配训练输入（三分量 E、N、Z；100 Hz 采样；1–45 Hz 带通）。
• 对每个台站进行单站监测，然后跨台站进行基于时间的 P 到达关联，将探测聚类为事件。
• 使用带时间接近阈值 Delta t_max 的预聚类步骤对探测进行分组，再通过跨集群的台站模式匹配来细化重叠的聚类。
• 在包含构造、火山-构造以及火山信号的火山口地区评估性能，包括来自远距离 Mw 8.2 事件的后震。
• 按单站绘图、CSV 摘要以及用于下游分析的字典结构化多站结果来报告输出。

实验结果

研究问题

• RQ1 在仅用构造信号训练的情况下，SAIPy 能否对本地火山-构造事件进行有效探测与震级估计？
• RQ2 跨多台相邻台站整合 SAIPy 输出是否可以提升事件检测并降低误检？
• RQ3 在该框架下，火山性与群发地震活动的相位拾取与震级估计存在哪些局限性？
• RQ4 多站聚类是否能够在密集地震网络中恢复以往未被编目_LOCAL_的事件？

主要发现

• SAIPy 在某些时间窗内识别的本地事件数量显著多于此前已发表目录中的事件。
• 对于本地火山-构造事件，尤其在使用多站聚类时，相位拾取与 P 波极性估计具备可靠性。
• 震级估计在各台站之间存在变异，在某些情形下差异可达约 0.9 等级单元。
• 在复杂火山信号或当 S 在固定分析窗口内未清晰出现时，S 波拾取可能不太可靠，尤其针对远距离事件。
• 该方法通过恢复先前未检测到的本地事件来提升目录完整性，但震级偏差仍然存在，可能由于训练使用原始计数值以及局部场地效应。