[论文解读] PickBlue: Seismic Phase Picking for Ocean Bottom Seismometers With Deep Learning

Thomas Bornstein, Dietrich Lange+6 more|arXiv (Cornell University)|Apr 13, 2023

Seismology and Earthquake Studies被引用 1

一句话总结

本文提出 PickBlue，一种专为海底地震仪（OBS）设计的基于深度学习的地震相位拾取器，可联合处理三通道地震计数据与水听器信号。该模型在包含15次OBS部署的新型大规模标注数据集上进行训练，P波的平均绝对偏差（MAD）为0.05秒，S波为0.12秒，显著优于仅在陆地数据上训练的模型，证明了在海洋噪声环境中整合水听器信号的价值。

ABSTRACT

Detecting phase arrivals and pinpointing the arrival times of seismic phases in seismograms is crucial for many seismological analysis workflows. For land station data machine learning methods have already found widespread adoption. However, deep learning approaches are not yet commonly applied to ocean bottom data due to a lack of appropriate training data and models. Here, we compiled an extensive and labeled ocean bottom seismometer dataset from 15 deployments in different tectonic settings, comprising ~90,000 P and ~63,000 S manual picks from 13,190 events and 355 stations. We propose PickBlue, an adaptation ot the two popular deep learning networks EQTransformer and PhaseNet. PickBlue joint processes three seismometer recordings in conjunction with a hydrophone component and is trained with the waveforms in the new database. The performance is enhanced by employing transfer learning, where initial weights are derived from models trained with land earthquake data. PickBlue significantly outperforms neural networks trained with land stations and models trained without hydrophone data. The model achieves a mean absolute deviation (MAD) of 0.05 s for P waves and 0.12 s for S waves. We integrate our dataset and trained models into SeisBench to enable an easy and direct application in future deployments.

研究动机与目标

• 解决因水听器干扰、鲸鱼叫声和水体多次反射等独特噪声特征，导致现有深度学习模型难以适配海底地震仪（OBS）数据的问题。
• 开发一种能有效利用OBS独有的水听器通道与三通道地震计数据相结合的相位拾取器，以提升复杂海洋环境中的拾取精度。
• 创建并发布一个包含15次OBS部署、约90,000个P波拾取和约63,000个S波拾取的大型、标准化且已标注的数据集，以支持未来研究与模型训练。
• 证明在陆地数据上预训练并微调至OBS数据的模型，其性能优于仅在陆地数据上训练的模型，尤其在包含水听器数据时表现更优。
• 实现模型与数据集在SeisBench平台上的无缝集成，便于未来OBS部署与地震学工作流程中的直接应用。

提出的方法

• 提出PickBlue作为基于EQTransformer与PhaseNet的混合架构，经调整以接收四个输入通道：垂直与两个水平方向的地震计分量，以及水听器信号。
• 采用迁移学习策略进行模型训练，使用陆地模型（如STEAD和INSTANCE数据集）的预训练权重初始化，随后在新编写的OBS数据集上进行微调。
• 采用多阶段训练流程：先在陆地数据上进行预训练，再在新整理的OBS数据集上进行微调，且包含人工标注的拾取结果。
• 在预测输出中引入置信度分数，以反映异常拾取的可能性，从而提升自动化工作流中的可靠性。
• 通过残差分析与置信度叠加，在多个部署场景与模型变体中验证性能，包括不使用水听器输入的消融实验。
• 通过SeisBench平台发布训练好的模型与数据集，提供标准化接口，支持在地震学应用中直接使用。

实验结果

研究问题

• RQ1 是否仅在海底地震仪数据上训练的深度学习相位拾取器，在海洋环境中对P波与S波的拾取性能，优于在陆地数据上预训练的模型？
• RQ2 在存在复杂噪声（如水体多次反射与海洋哺乳动物叫声）的情况下，包含水听器通道在多大程度上能提升OBS数据的相位拾取精度？
• RQ3 考虑到数据集中OBS部署在不同构造环境与部署条件下的多样性，模型性能在不同场景下的表现如何变化？
• RQ4 模型生成的置信度分数是否能可靠地指示错误拾取的可能性，从而提升自动化地震目录的鲁棒性？
• RQ5 在结合领域特定微调的前提下，从陆地模型迁移学习在多大程度上能提升OBS数据上的泛化能力与性能表现？

主要发现

• PickBlue在测试集上对P波的平均绝对偏差（MAD）为0.05秒，S波为0.12秒，证明其在相位到时时间估计方面具有高精度。
• 在陆地数据上预训练并微调至OBS数据的模型显著优于仅在陆地数据上训练的模型，尤其在包含水听器数据时表现更优。
• 引入水听器通道可显著提升性能，尤其在减少误报与提升S相拾取精度方面效果明显。
• 即使不使用水听器通道，仅在OBS数据上直接训练的模型也优于仅在陆地数据上训练的模型，表明针对海洋环境的领域特定数据具有重要价值。
• 在不同OBS部署中观察到性能波动，表明应针对每种部署场景测试并评估PickBlue的两种变体。
• 数据集与训练好的模型可通过SeisBench平台公开获取，提供标准化接口，支持直接集成至未来的OBS数据处理工作流中。