[论文解读] PhaseNet: A Deep-Neural-Network-Based Seismic Arrival Time Picking Method

Weiqiang Zhu, Gregory C. Beroza|arXiv (Cornell University)|Mar 8, 2018

Seismology and Earthquake Studies被引用 110

一句话总结

PhaseNet 使用深度神经网络从三分量地震记录输出 P、S 和噪声的概率分布，在 P/S 到时选取精度方面优于传统方法，尤其是对 S 波。

ABSTRACT

As the number of seismic sensors grows, it is becoming increasingly difficult for analysts to pick seismic phases manually and comprehensively, yet such efforts are fundamental to earthquake monitoring. Despite years of improvements in automatic phase picking, it is difficult to match the performance of experienced analysts. A more subtle issue is that different seismic analysts may pick phases differently, which can introduce bias into earthquake locations. We present a deep-neural-network-based arrival-time picking method called "PhaseNet" that picks the arrival times of both P and S waves. Deep neural networks have recently made rapid progress in feature learning, and with sufficient training, have achieved super-human performance in many applications. PhaseNet uses three-component seismic waveforms as input and generates probability distributions of P arrivals, S arrivals, and noise as output. We engineer PhaseNet such that peaks in probability provide accurate arrival times for both P and S waves, and have the potential to increase the number of S-wave observations dramatically over what is currently available. This will enable both improved locations and improved shear wave velocity models. PhaseNet is trained on the prodigious available data set provided by analyst-labeled P and S arrival times from the Northern California Earthquake Data Center. The dataset we use contains more than seven million waveform samples extracted from over thirty years of earthquake recordings. We demonstrate that PhaseNet achieves much higher picking accuracy and recall rate than existing methods.

研究动机与目标

• 在密集传感器网络中自动、无偏的地震相位选取的需求
• 开发一种数据驱动的方法，从带标签的 P 和 S 到学习相位特征
• 利用三分量波形输出 P、S、噪声的概率输出，从而实现更准确的到时
• 在使用大型 NCEDC 派生数据集的实验中，证明其在性能方面优于传统的 STA/LTA 和现有拾取器。

提出的方法

• 采用对 U-Net 架构的一维改编（PhaseNet），将时间序列输入映射到三个概率分布：P、S 和噪声。
• 在带标签的地震到达事件上训练网络，将真实 P/S 时间表示为高斯概率分布以处理标注不确定性。
• 使用四层下采样和四层上采样，并带跳跃连接，将 P 和 S 的到选局部化为输出分布中的峰值。
• 从预测的 P 和 S 概率分布的峰值中提取到时（最后一层 softmax 与交叉熵损失）。
• 使用精确率、召回率、F1 和基于残差的度量（∆t）来评估与真实到时的符合度，并与 AR 拾取基线进行比较。

实验结果

研究问题

• RQ1 PhaseNet 是否能够直接从原始三分量波形中学习对 P 和 S 到达具有鲁棒性和泛化性的新特征？
• RQ2 与传统方法相比，PhaseNet 在 P 和 S 到达选取的精确度、召回率和到时残差方面的表现如何？
• RQ3 在不同仪器类型和嘈杂数据下，PhaseNet 是否在不进行繁重预过滤的情况下也具有鲁棒性？
• RQ4 将到达时间表示为概率分布对收敛性和精度有何影响？
• RQ5 PhaseNet 能否提供适用于地震监测的可靠连续时间检测？

主要发现

指标	P 相位（PhaseNet）	P 相位（AR picker）	S 相位（PhaseNet）	S 相位（AR picker）
精确度	0.939	0.558	0.853	0.195
召回率	0.857	0.558	0.755	0.144
F1 分数	0.896	0.558	0.801	0.165
µ(∆t) (ms)	2.068	11.647	3.311	27.496
σ(∆t) (ms)	51.530	83.991	82.858	181.027

• PhaseNet 在精确度、召回率和 F1 分数上优于比较的 AR 拾取器，尤其是对 S 到达。
• P 与 S 的残差（µ(∆t)）为 2.068 ms（P）和 3.311 ms（S），标准差分别为 51.530 ms（P）和 82.858 ms（S）。
• PhaseNet 在仪器类型和信噪比水平下表现出鲁棒性，无需进行强力去噪或滤波。
• PhaseNet 能在学习得到的潜在表示中有效分离 P、S 和噪声，深层层的 PCA 显示。
• PhaseNet 能为 P 和 S 输出连续的概率分布，从而为地震检测和改进速度建模带来潜在可能。