摘要
在现代化数字地震仪的大规模部署与全球地质活动愈发频繁的背景下，地震信号数据的产出量之巨大前所未有，对地震信号的快速处理与识别已成为面对海量地震信号数据需首先解决的问题。地震P波（纵波）是地震发生后首先抵达地表的波形，其到时的精准识别与拾取是地震信号识别的重点任务，其拾取精度对震源定位、震源回溯机制等地震学问题的研究有着重要的意义。本文针对现有到时拾取技术智能化程度低、处理效率低、拾取精度差等问题，基于深度学习技术进行了地震P波到时拾取建模研究，提出了两种P波到时拾取模型，通过多种对比实验与消融实验验证了模型的科学性与有效性。本文具体工作如下： （1）针对现有震相拾取方法效率不足、泛化能力不足、时序分析能力差等问题，基于Inception结构与GRU融合提出并构建了可用于地震P波到时拾取的改进网络。与传统方法相比，该模型无需人工对检测阈值进行设置，可对地震波形三分量数据进行智能处理与识别，自动拾取地震P波到时。模型具有轻量化的结构与优良的特征提取能力，可对低信噪比数据进行有效识别，具有较强的鲁棒性。实验结果表明，本文方法在0.1s、0.3s、0.5s的允许误差内，P波拾取率分别达到了74.45%、96.79%和98.68%，P波到时拾取误差为0.031s，性能优于AR-AIC+STA/LTA等传统方法与GRU等主流深度学习方法。 （2）针对现有地震波形到时拾取方法拾取精度较差、鲁棒性不足等问题，基于深度学习技术，设计了一种全新的地震P波到时自动拾取模型，所设计模型以UNet-cea模型为基础，通过对地震信号的逐点预测实现P波到时的拾取。在该模型中，首先通过编码器对输入网络的地震信号数据进行不同尺度特征分析与提取，挖掘数据潜在特征；其次结合残差结构，在保证网络活性的前提下对数据特征进行进一步发掘，加强模型对到时信息的感知能力；而后将时空注意力机制加入到解码器中，提升到时特征权重，使网络拾取精度进一步提升，并帮助网络更快收敛；最后，对编解码特征融合进行有效控制，减少浅层特征融合，防止噪声信息对到时特征序列造成污染。通过对比实验可知，所构建的模型在不同的允许误差下（0.1s、0.2s、0.3s），到时拾取命中率分别达到了75.04%、94.6%、97.37%，均方误差和平均绝对误差分别为0.036、0.092s，对比现有传统到时拾取方法与现有的深度学习自动到时拾取方法，该模型的P波到时拾取精度更高。
NETL