廖詩(shī)榮，張紅才,2，范莉蘋(píng)，李珀任，黃玲珠，房立華,5*, 秦敏

1 福建省地震局，福州 350003 2 中國(guó)地震局廈門(mén)海洋地震研究所，廈門(mén) 381000 3 中國(guó)地震局地球物理研究所，北京 100081 4 中國(guó)地震局震源物理重點(diǎn)實(shí)驗(yàn)室，北京 100081 5 防災(zāi)科技學(xué)院，河北三河 065201 6 云南省地震局，昆明 650224

0 引言

我國(guó)地震臺(tái)網(wǎng)觀測(cè)數(shù)據(jù)的處理流程主要包括事件檢測(cè)、震相到時(shí)拾取、地震定位和震級(jí)測(cè)定等環(huán)節(jié)，目前主要依靠人工完成.隨著地震臺(tái)網(wǎng)的不斷加密，以及大規(guī)模流動(dòng)地震臺(tái)陣和短周期超密集臺(tái)陣的發(fā)展，監(jiān)測(cè)到的地震數(shù)量將成倍增加.如目前正在實(shí)施的“國(guó)家地震烈度速報(bào)與預(yù)警工程”，將在全國(guó)建設(shè)15000多個(gè)地震臺(tái)站(李山有, 2018)，地震臺(tái)站數(shù)量將增加10倍多.現(xiàn)有的人工處理模式難以為繼，迫切需要發(fā)展自動(dòng)處理方法來(lái)解決海量數(shù)據(jù)的快速處理問(wèn)題.

對(duì)于中國(guó)地震臺(tái)網(wǎng)而言，地震預(yù)警、速報(bào)和編目是其三個(gè)重要功能.地震預(yù)警和速報(bào)主要是處理ML3.0以上的較大地震.據(jù)中國(guó)地震臺(tái)網(wǎng)中心統(tǒng)計(jì)，區(qū)域臺(tái)網(wǎng)記錄到的ML3.0以下地震的數(shù)量占比超過(guò)92.5%(代光輝等，2019).地震編目是對(duì)地震觀測(cè)資料進(jìn)行解釋、分析、處理并產(chǎn)出地震目錄和地震觀測(cè)報(bào)告的過(guò)程(中國(guó)地震局，2017)，產(chǎn)出內(nèi)容包括地震目錄(發(fā)震時(shí)刻、震源位置、震級(jí)大小、地震類(lèi)型等)、震相到時(shí)、震相類(lèi)型、初動(dòng)極性、振幅和周期等信息.匯總形成的觀測(cè)報(bào)告是地震臺(tái)網(wǎng)最重要的產(chǎn)品之一，在地震活動(dòng)性分析、地震預(yù)測(cè)預(yù)報(bào)和地球內(nèi)部結(jié)構(gòu)研究等領(lǐng)域發(fā)揮著重要作用，被廣泛用于地震精定位和體波走時(shí)層析成像研究(Zhang and Thurber，2003；Thurber et al.，2004；吳建平等，2013；易桂喜等，2013；蔣長(zhǎng)勝等，2015；房立華等，2018；Wang et al.，2018；Li et al.，2019).中強(qiáng)地震發(fā)生后，在短時(shí)間內(nèi)通常會(huì)伴隨著成千上萬(wàn)個(gè)余震.快速處理這些余震序列，可以為地震應(yīng)急救援、地震序列類(lèi)型研判、余震序列精定位、震源機(jī)制解節(jié)面確定、地震破裂過(guò)程反演和ShakeMap計(jì)算，以及發(fā)震構(gòu)造等研究提供重要參考信息(易桂喜等，2013；Fang et al., 2013；張勇等，2015).

我國(guó)目前共有1200多個(gè)測(cè)震臺(tái)站，每月編目地震數(shù)達(dá)數(shù)萬(wàn)條(代光輝等，2019).現(xiàn)在的地震編目主要依靠人工完成.一方面，受專(zhuān)業(yè)素養(yǎng)、經(jīng)驗(yàn)積累、操作習(xí)慣等因素的影響，對(duì)于同一次地震事件，尤其是信噪比較低的地震波形，由于到時(shí)拾取標(biāo)準(zhǔn)不一致，不同編目人員會(huì)給出不同的分析結(jié)果.另一方面，當(dāng)中強(qiáng)地震或地震序列發(fā)生時(shí)，在短時(shí)間內(nèi)需要處理成千上萬(wàn)個(gè)地震，人工分析時(shí)效性差，且經(jīng)常會(huì)遺漏一些震級(jí)較小的地震，導(dǎo)致地震序列目錄不完整.此外，隨著我國(guó)地震監(jiān)測(cè)臺(tái)站數(shù)量和規(guī)模的不斷擴(kuò)大，臺(tái)網(wǎng)監(jiān)測(cè)能力不斷提升，可編目的地震數(shù)量和記錄臺(tái)站數(shù)將越來(lái)越多，依靠現(xiàn)有人工處理完成地震編目的工作模式將面臨重大挑戰(zhàn).

為解決地震數(shù)據(jù)自動(dòng)處理的問(wèn)題，國(guó)內(nèi)外很多學(xué)者和研究機(jī)構(gòu)開(kāi)發(fā)了多個(gè)處理系統(tǒng).自2008年起，我國(guó)研發(fā)了多個(gè)基于實(shí)時(shí)觀測(cè)數(shù)據(jù)的實(shí)用化地震自動(dòng)處理系統(tǒng)(金星等，2007；梁建宏，2009；黃文輝等，2016b)，這些系統(tǒng)均以ML3.0以上地震自動(dòng)速報(bào)為目標(biāo)，尚不具備自動(dòng)處理微小地震的能力.目前，即便是國(guó)際上已經(jīng)得到廣泛應(yīng)用的Earthworm(Johnson et al., 1995)與SeisComP3(Hanka et al., 2010)等系統(tǒng)也不具備自動(dòng)處理微小地震的能力.只有解決這些數(shù)量眾多的微震的自動(dòng)檢測(cè)，才能充分發(fā)揮密集臺(tái)網(wǎng)的觀測(cè)優(yōu)勢(shì).Tamaribuchi(2018)基于特征函數(shù)率檢測(cè)方法(characteristic function ratio)和震相組合正向搜索法(The Phase combination Forward search)發(fā)展了一套自動(dòng)處理系統(tǒng)，該系統(tǒng)在日本東北地區(qū)檢測(cè)出的地震數(shù)量增加了近1倍.Yeck等(2019)發(fā)展了GLASS3震相關(guān)聯(lián)方法，實(shí)現(xiàn)了本地、區(qū)域和全球范圍內(nèi)地震的實(shí)時(shí)監(jiān)測(cè).Scafidi等(2019)和Spallarossa等(2020)發(fā)展了CASP系統(tǒng)，該系統(tǒng)檢測(cè)到地震的數(shù)量比人工目錄多數(shù)倍.這些系統(tǒng)大都應(yīng)用傳統(tǒng)的震相自動(dòng)拾取算法，部分具有處理微小地震的能力.我國(guó)的地震臺(tái)網(wǎng)分布范圍廣，臺(tái)站密度和背景噪聲水平差異較大，且地殼速度結(jié)構(gòu)變化較劇烈，這些系統(tǒng)難以滿足我國(guó)地震編目工作的需求.例如，即使是在臺(tái)網(wǎng)較為稀疏的地區(qū)，通常只要有3個(gè)臺(tái)站記錄到5個(gè)震相到時(shí)就要產(chǎn)出地震目錄，而國(guó)外的這些系統(tǒng)的觸發(fā)閾值均需超過(guò)4個(gè)以上臺(tái)站.

地震檢測(cè)和到時(shí)拾取是地震數(shù)據(jù)自動(dòng)處理的關(guān)鍵一步，后續(xù)處理還包括震相關(guān)聯(lián)、地震定位、震級(jí)測(cè)定等步驟.2017年，中國(guó)地震局地球物理研究所與阿里云聯(lián)合舉辦了“余震捕捉AI大賽”.此次比賽中，應(yīng)用人工智能算法的參賽隊(duì)伍取得了優(yōu)異成績(jī)，表明人工智能技術(shù)在微震檢測(cè)領(lǐng)域具有良好的應(yīng)用前景(Fang et al., 2017).2018年以來(lái)，以深度學(xué)習(xí)為代表的地震檢測(cè)方法開(kāi)始逐漸得到應(yīng)用(Pero et al., 2018; Ross et al., 2018; Kong et al., 2019; 蔣一然和寧杰遠(yuǎn), 2019; Zhu et al., 2019; Zhu and Beroza, 2019; Wang et al., 2019; 趙明等, 2019; 周本偉等, 2020;于子葉等, 2020).特別是在震相拾取領(lǐng)域，多個(gè)地震檢測(cè)模型得到了廣泛關(guān)注，如基于卷積神經(jīng)網(wǎng)絡(luò)的GPD模型(Ross et al., 2018)，基于U-Net的PhaseNet模型(Zhu and Beroza, 2019)，基于LSTM網(wǎng)絡(luò)的EQTransformer模型(Mousavi et al., 2020)及其改進(jìn)版本S-EqT(Xiao et al., 2021)等.最近，處理連續(xù)波形數(shù)據(jù)得到高精度、完整的地震目錄，逐漸成為新的研究趨勢(shì).Liu等(2020)應(yīng)用PhaseNet模型和REAL震相關(guān)聯(lián)算法(Zhang et al., 2019)對(duì)2019年美國(guó)RidgecrestMW7.1地震序列進(jìn)行處理，檢測(cè)出的地震數(shù)量是人工目錄的2倍多.Park等(2020)、Wang等(2020)和Tan等(2021)將類(lèi)似的流程應(yīng)用于誘發(fā)地震研究中.趙明等(2021)以長(zhǎng)寧地震為例，應(yīng)用遷移學(xué)習(xí)和震相關(guān)聯(lián)，初步構(gòu)建了從連續(xù)波形中產(chǎn)出地震目錄的流程.但上述研究都是基于離線的連續(xù)波形數(shù)據(jù)，并未實(shí)現(xiàn)針對(duì)實(shí)時(shí)觀測(cè)數(shù)據(jù)的在線處理.本文介紹了基于人工智能算法的實(shí)時(shí)地震處理系統(tǒng)(簡(jiǎn)稱(chēng)“實(shí)時(shí)處理系統(tǒng)”)的設(shè)計(jì)和研發(fā)情況，對(duì)系統(tǒng)的架構(gòu)設(shè)計(jì)和核心功能模塊進(jìn)行重點(diǎn)介紹，并以2021年5月21日云南漾濞MS6.4地震序列為例，展示了該系統(tǒng)實(shí)時(shí)處理地震序列的效果.

1 實(shí)時(shí)處理系統(tǒng)介紹

自2018年開(kāi)始，中國(guó)地震局監(jiān)測(cè)預(yù)報(bào)司開(kāi)始推動(dòng)實(shí)時(shí)處理系統(tǒng)的研發(fā).研發(fā)團(tuán)隊(duì)當(dāng)年完成了系統(tǒng)架構(gòu)設(shè)計(jì)，并基于FilterPicker地震檢測(cè)(Lomax et al.，2012)和NLLoc地震定位方法(Lomax et al.，2008)，初步實(shí)現(xiàn)了首都圈與福建地區(qū)ML1.5以上地震的自動(dòng)處理.但對(duì)于ML1.5以下的地震，由于波形信噪比低，處理效果較差，誤檢和漏檢比例較高.2019年，研發(fā)團(tuán)隊(duì)對(duì)處理系統(tǒng)的各模塊進(jìn)行優(yōu)化，重點(diǎn)探索了不同地震檢測(cè)算法的有效性，并完善了震相關(guān)聯(lián)算法，使其可處理省級(jí)區(qū)域地震臺(tái)網(wǎng)和全國(guó)地震臺(tái)網(wǎng)的數(shù)據(jù).2020年，研發(fā)團(tuán)隊(duì)將深度學(xué)習(xí)地震檢測(cè)方法應(yīng)用于實(shí)時(shí)數(shù)據(jù)處理，采用PhaseNet(Zhu and Beroza, 2019)和EQTransformer(Mousavi et al., 2020)兩種模型進(jìn)行數(shù)據(jù)處理，分別使用2013年四川蘆山MS7.0地震、2019年四川長(zhǎng)寧MS6.0地震和2018年四川石棉MS4.1地震序列的連續(xù)波形數(shù)據(jù)進(jìn)行離線測(cè)試，并使用西昌臺(tái)陣、福建地震臺(tái)網(wǎng)和全國(guó)地震臺(tái)網(wǎng)的數(shù)據(jù)進(jìn)行在線測(cè)試.2021年，研發(fā)團(tuán)隊(duì)繼續(xù)對(duì)系統(tǒng)進(jìn)行優(yōu)化，將事件觸發(fā)最小閾值由7個(gè)震相降低至5個(gè)震相，初步解決了在臺(tái)網(wǎng)稀疏地區(qū)漏檢率較高的問(wèn)題.

實(shí)時(shí)處理系統(tǒng)從我國(guó)地震編目工作的實(shí)際需求出發(fā)，針對(duì)省級(jí)臺(tái)網(wǎng)中心負(fù)責(zé)本省行政區(qū)內(nèi)地震的分析工作，國(guó)家臺(tái)網(wǎng)中心綜合產(chǎn)出全國(guó)統(tǒng)一地震目錄的現(xiàn)有工作模式(代光輝等，2019)，以現(xiàn)有的地震編目數(shù)據(jù)處理流程和評(píng)價(jià)指標(biāo)為基礎(chǔ)，并考慮未來(lái)業(yè)務(wù)發(fā)展需求進(jìn)行整體系統(tǒng)設(shè)計(jì).實(shí)時(shí)處理系統(tǒng)采用分布式架構(gòu)、模塊化設(shè)計(jì)，模塊可靈活定制，相關(guān)功能模塊可分階段、協(xié)作研發(fā)，處理效率高，對(duì)計(jì)算機(jī)配置要求低.

(1)系統(tǒng)架構(gòu)

實(shí)時(shí)處理系統(tǒng)的設(shè)計(jì)目標(biāo)是實(shí)現(xiàn)實(shí)時(shí)快速產(chǎn)出地震目錄、事件類(lèi)型、震相報(bào)告等信息，快速產(chǎn)出地震精定位和震源機(jī)制解，分析人員可以在自動(dòng)處理結(jié)果的基礎(chǔ)上，進(jìn)行快速?gòu)?fù)核與修訂，產(chǎn)出正式地震目錄與詳細(xì)震相報(bào)告.

在參考目前國(guó)際上廣泛采用的Earthworm(Johnson et al., 1995)、Hydra(Patton et al., 2016)、SeisComP3(Hanka et al., 2010)、JOPENS(黃文輝等，2016a)等地震數(shù)據(jù)處理系統(tǒng)架構(gòu)的基礎(chǔ)上，實(shí)時(shí)處理系統(tǒng)總體架構(gòu)如圖1所示.該系統(tǒng)包括AI震相撿拾、關(guān)聯(lián)與定位、震級(jí)測(cè)定、單臺(tái)記錄地震處理、事件類(lèi)型判別、快速地震精定位、快速震源機(jī)制解等7個(gè)數(shù)據(jù)處理模塊，包括波形共享、消息交換、人工編目接口、可視化界面等4個(gè)系統(tǒng)支撐模塊，可處理的數(shù)據(jù)源包括測(cè)震、強(qiáng)震、烈度計(jì)等不同類(lèi)型的實(shí)時(shí)波形數(shù)據(jù).

(2)數(shù)據(jù)處理流程

以全國(guó)地震編目工作為例，實(shí)時(shí)處理系統(tǒng)各個(gè)模塊分布式部署在省級(jí)中心與國(guó)家中心(圖1)，其數(shù)據(jù)處理流程如圖2所示.

圖1 實(shí)時(shí)智能地震處理系統(tǒng)總體架構(gòu)示意圖

圖2 實(shí)時(shí)處理系統(tǒng)數(shù)據(jù)處理流程示意圖

AI震相撿拾模塊從實(shí)時(shí)波形數(shù)據(jù)流服務(wù)器中獲取本省各個(gè)站點(diǎn)的實(shí)時(shí)波形數(shù)據(jù)流，采用AI算法撿拾出單個(gè)臺(tái)站的震相到時(shí)、震相類(lèi)別、初動(dòng)方向等單臺(tái)撿拾信息，這些信息通過(guò)消息交換模塊發(fā)送至部署在國(guó)家中心的關(guān)聯(lián)與定位模塊，進(jìn)行震相組合、誤觸發(fā)剔除及震源位置測(cè)定.關(guān)聯(lián)失敗的單臺(tái)撿拾信息，發(fā)送給單臺(tái)記錄地震處理模塊，依據(jù)波形相似性產(chǎn)出單臺(tái)定位結(jié)果，或者直接產(chǎn)出不含震源位置信息的單臺(tái)記錄地震目錄.對(duì)于關(guān)聯(lián)成功的地震事件，自動(dòng)截取事件波形記錄，并通過(guò)波形共享模塊為其他數(shù)據(jù)處理模塊提供事件波形共享服務(wù).震級(jí)測(cè)定模塊完成各類(lèi)型震級(jí)的計(jì)算，事件類(lèi)型判別模塊利用AI技術(shù)實(shí)現(xiàn)天然地震與非天然地震的區(qū)分.經(jīng)過(guò)以上數(shù)據(jù)處理流程，可以實(shí)時(shí)產(chǎn)出全國(guó)統(tǒng)一自動(dòng)地震目錄.

省內(nèi)的自動(dòng)處理信息通過(guò)人工編目接口發(fā)送至人工地震編目系統(tǒng)，地震分析人員在自動(dòng)處理結(jié)果的基礎(chǔ)上，對(duì)震相到時(shí)、震相類(lèi)型、初動(dòng)方向等進(jìn)行快速確認(rèn)與修訂，進(jìn)而產(chǎn)出全國(guó)統(tǒng)一正式目錄.對(duì)于震級(jí)較大的地震，還可通過(guò)地震精定位模塊產(chǎn)出精定位后的震源位置分布圖，通過(guò)快速震源機(jī)制模塊產(chǎn)出震源機(jī)制解或矩張量解.

(3)模塊功能設(shè)計(jì)

實(shí)時(shí)處理系統(tǒng)包含7個(gè)數(shù)據(jù)處理模塊與4個(gè)支撐模塊(圖1).其中AI震相拾取、關(guān)聯(lián)與定位、震級(jí)測(cè)定等3個(gè)數(shù)據(jù)處理模塊與4個(gè)支撐模塊已實(shí)現(xiàn)在線運(yùn)行.單臺(tái)記錄地震處理、事件類(lèi)型判別、地震精定位和震源機(jī)制解反演4個(gè)數(shù)據(jù)處理模塊正在測(cè)試.

4個(gè)支撐模塊的主要功能包括：從實(shí)時(shí)波形流服務(wù)器中接收數(shù)據(jù)，為數(shù)據(jù)處理模塊提供波形共享內(nèi)存服務(wù)；以通用消息中間件軟件為平臺(tái)，為數(shù)據(jù)處理模塊提供消息接收、解析、分發(fā)等服務(wù)，實(shí)現(xiàn)各個(gè)模塊之間的協(xié)同工作；匯聚各個(gè)數(shù)據(jù)處理模塊產(chǎn)出的自動(dòng)處理結(jié)果，寫(xiě)入人工編目系統(tǒng)數(shù)據(jù)庫(kù)，分析人員可在自動(dòng)處理結(jié)果的基礎(chǔ)上，對(duì)震相到時(shí)、震相類(lèi)別、初動(dòng)方向等進(jìn)行快速確認(rèn)與修訂，產(chǎn)出正式地震編目信息；實(shí)時(shí)顯示自動(dòng)識(shí)別的震相、測(cè)定的地震參數(shù)和各模塊狀態(tài)，顯示震中分布圖、M-t圖和地震頻次統(tǒng)計(jì)等常用圖件.

已實(shí)現(xiàn)在線運(yùn)行的3個(gè)數(shù)據(jù)處理模塊的功能如下：

(1)AI震相撿拾模塊.基于PhaseNet和EQTransformer兩種深度學(xué)習(xí)算法對(duì)實(shí)時(shí)波形數(shù)據(jù)進(jìn)行檢測(cè)，實(shí)現(xiàn)數(shù)據(jù)預(yù)處理、矩陣構(gòu)建、模型調(diào)用、震相到時(shí)提取等功能，為其他模塊提供高精度的震相到時(shí)和震相類(lèi)別等信息.

(2)關(guān)聯(lián)與定位模塊.震相關(guān)聯(lián)采用基于組觸發(fā)和等時(shí)差八叉樹(shù)搜索相結(jié)合的方法(Lomax et al., 2008；Tamaribuchi，2018)，事件觸發(fā)閾值最低可達(dá)5個(gè)震相，可滿足小孔徑臺(tái)網(wǎng)、省級(jí)區(qū)域臺(tái)網(wǎng)和全國(guó)臺(tái)網(wǎng)的震相關(guān)聯(lián)需求.可利用一維或三維速度模型，采用Hypo2000(Klein，2002)、HypoSAT(Schweitzer, 2001)和NLLoc(Lomax et al.，2008)等多種方法進(jìn)行地震定位.

(3)震級(jí)自動(dòng)量算模塊.利用波形共享模塊中的事件波形數(shù)據(jù)，按照我國(guó)現(xiàn)行的震級(jí)國(guó)家標(biāo)準(zhǔn)(GB 17740-2017)，對(duì)波形記錄進(jìn)行預(yù)處理，然后進(jìn)行振幅與周期的自動(dòng)量取，計(jì)算ML、mB(BB)和MS(BB)等多個(gè)震級(jí).

2 漾濞地震序列自動(dòng)處理

2021年5月21日21時(shí)48分云南漾濞發(fā)生MS6.4地震，此次地震是一個(gè)典型的前—主—余震型地震序列(蘇金波等，2021；Yang et al., 2021).漾濞地震距北東側(cè)的喬后—巍山(維西—喬后)斷裂約3～10 km.地震序列受一個(gè)發(fā)育程度不高、含多級(jí)雁列構(gòu)造的北西向?yàn)橹鳌⒈睎|向?yàn)榇蔚墓曹椬呋瑪鄬酉到y(tǒng)所控制.余震區(qū)長(zhǎng)軸呈NW-SE向展布，長(zhǎng)約22 km，震源深度主要分布在4～8 km.余震分布呈北西窄、南東寬的特征(雷興林等，2021；龍峰等，2021；Yang et al., 2021).

5月28日研發(fā)團(tuán)隊(duì)在云南省地震局部署實(shí)時(shí)處理系統(tǒng)，下午17時(shí)開(kāi)始在線運(yùn)行.該系統(tǒng)從實(shí)時(shí)波形流服務(wù)器中接入云南及周邊地區(qū)105個(gè)地震臺(tái)站(圖3)的波形數(shù)據(jù)，接入的臺(tái)站與人工分析使用的臺(tái)站完全一致，以便于和人工分析結(jié)果進(jìn)行對(duì)比.地震檢測(cè)和震相拾取采用PhaseNet方法，檢測(cè)窗長(zhǎng)為30 s，重疊20 s，滑動(dòng)時(shí)窗10 s.震相關(guān)聯(lián)采用基于組觸發(fā)和等時(shí)差八叉樹(shù)搜索相結(jié)合的方法，地震定位采用NLLoc方法，關(guān)聯(lián)和定位時(shí)使用的速度模型為AK135(Kennett, 2005)，事件定位成功閾值設(shè)為P與S震相數(shù)之和不少于6個(gè).震級(jí)按照我國(guó)現(xiàn)行的震級(jí)國(guó)家標(biāo)準(zhǔn)，將波形記錄實(shí)時(shí)仿真為DD-1型地震記錄(Kanamori et al., 1999；金星等，2004)，計(jì)算ML震級(jí).

圖3 漾濞地震序列震中分布圖(2021年5月18日至6月24日)

5月28日17時(shí)至6月27日12時(shí)，在漾濞余震區(qū)(25.4°N—25.8°N，99.7°E—100.2°E)，云南地震臺(tái)網(wǎng)人工分析2752條余震目錄(簡(jiǎn)稱(chēng)“人工目錄”)，實(shí)時(shí)處理系統(tǒng)處理產(chǎn)出6667條余震目錄(簡(jiǎn)稱(chēng)“自動(dòng)目錄”).為定量比較兩個(gè)目錄的差異，我們按照以下規(guī)則判定兩個(gè)目錄中的地震事件是否匹配：若兩個(gè)地震事件的發(fā)震時(shí)刻差異小于5 s且震中位置差異小于10 km，即認(rèn)為兩個(gè)地震事件是匹配的.若存在多個(gè)匹配事件，則以發(fā)震時(shí)刻差值為依據(jù)優(yōu)先選擇匹配事件；若人工目錄中的事件無(wú)法從自動(dòng)目錄中找到匹配的結(jié)果，則認(rèn)為實(shí)時(shí)處理系統(tǒng)漏檢測(cè)事件，反之則認(rèn)為實(shí)時(shí)處理系統(tǒng)多檢測(cè)事件.

統(tǒng)計(jì)表明，在該時(shí)間段內(nèi)，自動(dòng)目錄與人工目錄匹配事件為2635個(gè)，匹配率為95.75%；漏檢測(cè)117個(gè)，漏檢率4.25%；多檢測(cè)4032個(gè)，自動(dòng)處理的地震數(shù)量是人工目錄的2.42倍.圖4展示了自動(dòng)和人工目錄在震中和震源深度分布方面的差異(圖4).兩個(gè)目錄在水平和深度方向都具有較好的一致性，且實(shí)時(shí)處理系統(tǒng)產(chǎn)出的震中位置條帶狀分布特征十分明顯，震源深度分布也較為合理.

圖4 自動(dòng)目錄和人工目錄震源位置對(duì)比

圖5為自動(dòng)目錄和人工目錄匹配成功2635個(gè)事件的發(fā)震時(shí)刻、震中位置、震源深度和震級(jí)偏差統(tǒng)計(jì)圖.自動(dòng)目錄與人工目錄的發(fā)震時(shí)刻偏差為0.102±0.495 s，偏差小于±0.5 s的事件占73.6%；震中位置偏差為1.5±1.3 km，偏差小于3km的事件占90.2%；震源深度偏差為-1.3±2.8 km，偏差小于5 km的事件占96.7%；震級(jí)偏差為0.15±0.23，偏差小于±0.3級(jí)的事件占80.7%.圖6中分別展示了自動(dòng)目錄與人工目錄匹配的Pg、Sg到時(shí)拾取差異統(tǒng)計(jì)情況，對(duì)于匹配事件且震相類(lèi)型一致的震相計(jì)算到時(shí)偏差.統(tǒng)計(jì)表明，自動(dòng)拾取的震相中有16329個(gè)Pg震相和14222個(gè)Sg震相與人工拾取震相匹配，分別占人工拾取震相數(shù)量的84.98%和88.08%.Pg震相平均到時(shí)差異為0.097 s±0.71 s，Pg震相拾取偏差小于±0.1 s占85.8%，小于±0.2 s占93.0%，小于±0.5 s占97.9%.Sg震相平均到時(shí)差異為0.150 s±0.78 s，Sg震相拾取偏差小于±0.1 s占67.3%，小于±0.2 s占84.2%，小于±0.5 s占96.3%.

圖5 自動(dòng)目錄中與人工目錄差異統(tǒng)計(jì)圖

圖6 自動(dòng)目錄與人工目錄匹配的Pg、Sg到時(shí)拾取差異統(tǒng)計(jì)圖

我們對(duì)比了自動(dòng)目錄和人工目錄的事件數(shù)量(圖7a)和震級(jí)分布(圖7b).實(shí)時(shí)處理系統(tǒng)在線運(yùn)行后，每天檢測(cè)出的地震事件數(shù)量明顯多于人工分析結(jié)果，產(chǎn)出的事件數(shù)量是人工分析事件的2～3倍.由圖7b可見(jiàn)，多檢測(cè)事件的震級(jí)多數(shù)為ML<1.0，這些事件由于震相到時(shí)信噪比較低，因而人工分析中往往有所遺漏.而實(shí)時(shí)處理系統(tǒng)采用的AI震相拾取算法同時(shí)使用三分量波形進(jìn)行判斷，靈敏度更高，因此可以較好地識(shí)別這類(lèi)低信噪比的事件.由圖7c可見(jiàn)，自動(dòng)目錄的微小地震數(shù)量更多，完整性震級(jí)更低，因此有助于計(jì)算得到更準(zhǔn)確的b值.由自動(dòng)目錄和人工目錄計(jì)算得到的b值分別為0.89和0.74.

圖7 自動(dòng)目錄與人工目錄事件數(shù)量對(duì)比

實(shí)時(shí)處理系統(tǒng)在線運(yùn)行期間，不僅處理了漾濞地震序列，還處理了云南全省及周邊地區(qū)的地震.一個(gè)月內(nèi)，系統(tǒng)共產(chǎn)出10263條地震目錄，震級(jí)分布范圍為ML-1.0～ML5.2，其中包括6月10日云南雙柏MS5.1地震序列和6月12日云南盈江MS5.0地震序列(圖8).運(yùn)行結(jié)果表明，實(shí)時(shí)處理系統(tǒng)可在震后2～4 min內(nèi)自動(dòng)產(chǎn)出云南全省的地震目錄.

圖8 實(shí)時(shí)處理系統(tǒng)運(yùn)行狀態(tài)監(jiān)視界面

3 討論

2018年以來(lái)，基于深度學(xué)習(xí)的地震檢測(cè)方法取得了很大進(jìn)展，在地震檢測(cè)能力、到時(shí)拾取精度和處理效率等方面較其他方法都有明顯提升.但目前的研究，多數(shù)仍聚焦在地震檢測(cè)和到時(shí)拾取方面，將人工智能算法應(yīng)用于實(shí)時(shí)波形處理中的研究和應(yīng)用仍比較少，極大的制約了人工智能在實(shí)時(shí)地震學(xué)方面的應(yīng)用.

根據(jù)我國(guó)地震活動(dòng)特點(diǎn)、臺(tái)站分布和地震業(yè)務(wù)發(fā)展需求，我們研發(fā)了一套基于人工智能的實(shí)時(shí)地震處理系統(tǒng)，實(shí)現(xiàn)了地震自動(dòng)檢測(cè)、震相拾取、震相關(guān)聯(lián)、地震定位和震級(jí)測(cè)定等功能，具備實(shí)時(shí)、高靈敏度、高精度的地震目錄產(chǎn)出能力.在系統(tǒng)研發(fā)測(cè)試階段，我們分別使用2013年四川蘆山MS7.0地震、2019年四川長(zhǎng)寧MS6.0地震和2018年四川石棉ML4.1地震序列的連續(xù)波形數(shù)據(jù)，對(duì)系統(tǒng)性能進(jìn)行離線測(cè)試，并使用西昌地震臺(tái)陣、福建地震臺(tái)網(wǎng)和全國(guó)地震臺(tái)網(wǎng)的數(shù)據(jù)進(jìn)行實(shí)時(shí)在線測(cè)試.漾濞地震發(fā)生后，我們于5月28日在云南省地震局部署了實(shí)時(shí)處理系統(tǒng)，該系統(tǒng)實(shí)時(shí)處理了漾濞MS6.4、雙柏MS5.1和盈江MS5.0等地震序列.系統(tǒng)可在震后2～4 min內(nèi)產(chǎn)出地震目錄，具備處理密集地震序列的能力，檢測(cè)出的地震數(shù)量是人工處理的2～3倍，定位精度與人工處理結(jié)果相當(dāng)，震級(jí)測(cè)量誤差小，震級(jí)處理下限可達(dá)ML0.0級(jí)左右.離線測(cè)試與在線運(yùn)行結(jié)果表明，實(shí)時(shí)處理系統(tǒng)不僅可應(yīng)用于省級(jí)地震臺(tái)網(wǎng)的數(shù)據(jù)自動(dòng)處理，在水庫(kù)、礦山、火山等小型區(qū)域臺(tái)網(wǎng)中也將具有廣泛的應(yīng)用前景.

對(duì)于實(shí)時(shí)處理系統(tǒng)，誤檢測(cè)和漏檢測(cè)的平衡是一個(gè)難點(diǎn)，檢測(cè)出的地震數(shù)量與觸發(fā)閾值設(shè)定有很大關(guān)系.設(shè)定較低的觸發(fā)閾值，可檢測(cè)出的震相數(shù)量和地震數(shù)量會(huì)增加數(shù)倍，但誤檢測(cè)率會(huì)隨之提高.反之，會(huì)導(dǎo)致漏檢較多.在前期大量離線測(cè)試和對(duì)人工編目數(shù)據(jù)分析的基礎(chǔ)上，本研究設(shè)定事件定位成功閾值為P與S震相數(shù)之和不少于6個(gè)，在控制漏檢測(cè)率和誤檢測(cè)率上基本取得平衡.對(duì)漾濞地震序列的統(tǒng)計(jì)表明，自動(dòng)處理的地震數(shù)量是人工目錄的2.42倍，兩個(gè)目錄的匹配率為95.75%.

為評(píng)估實(shí)時(shí)處理系統(tǒng)多檢測(cè)事件的可信度.本文對(duì)實(shí)時(shí)處理系統(tǒng)1個(gè)月內(nèi)多檢測(cè)的4032事件(不包含與人工處理匹配的2635個(gè)地震事件)，繪制了震中分布圖(圖9a)，由圖可見(jiàn)，多檢測(cè)事件震中位置絕大多數(shù)位于漾濞余震區(qū)，具有較高的可信度.本文對(duì)余震數(shù)量最多的5月29日多檢測(cè)出的374個(gè)事件進(jìn)行分析，人工逐一瀏覽事件波形，確定其中364個(gè)為漾濞序列地震(97.3%)，10個(gè)為誤檢測(cè)事件(2.7%)，誤檢測(cè)事件震級(jí)均小于ML0.6.我們還從多檢測(cè)事件中選擇2個(gè)偏離余震區(qū)較遠(yuǎn)和2個(gè)定位殘差較大的事件(震級(jí)分布范圍ML-0.7～ML1.0)，繪制了波形圖，并標(biāo)注了自動(dòng)檢測(cè)的震相到時(shí)(圖9b～e).由圖可見(jiàn)，近臺(tái)波形相對(duì)清晰，但遠(yuǎn)臺(tái)信號(hào)衰減很快、信噪比較低，導(dǎo)致自動(dòng)拾取的震相到時(shí)可靠性降低，這些震相參與定位有可能造成較大的定位誤差.如圖9c、e所展示的波形，系統(tǒng)存在將不同事件或干擾誤關(guān)聯(lián)成同一事件的情況，表明現(xiàn)在采用的關(guān)聯(lián)算法在處理此類(lèi)情況時(shí)存在一定的缺陷，需要進(jìn)一步優(yōu)化.

圖9 自動(dòng)目錄多檢測(cè)出的事件震中分布圖和隨機(jī)抽取的4個(gè)事件波形記錄(b)—(e)中紅色實(shí)線為自動(dòng)拾取到時(shí)位置，藍(lán)色虛線為理論到時(shí)位置.

為分析漏檢測(cè)117個(gè)事件的原因，我們采用離線方式對(duì)云南地震臺(tái)網(wǎng)的連續(xù)波形數(shù)據(jù)進(jìn)行自動(dòng)處理.事件定位成功震相數(shù)閾值設(shè)為最小值5個(gè)，放寬與人工目錄的匹配條件，即將震中位置偏差由10 km放寬至22 km(余震區(qū)長(zhǎng)度).117個(gè)漏檢測(cè)事件中，有91個(gè)事件可以離線檢測(cè)到，其中29個(gè)因?qū)崟r(shí)數(shù)據(jù)流中斷導(dǎo)致漏檢測(cè)，62個(gè)在降低震相數(shù)閾值和放寬匹配條件后可以檢測(cè)到.另有26個(gè)事件由于多震疊加和清晰震相數(shù)量較少等原因，導(dǎo)致離線處理也未能檢測(cè)到，圖10展示了其中6個(gè)典型漏檢測(cè)事件的波形圖.為進(jìn)一步降低漏檢測(cè)率，需加強(qiáng)對(duì)多震疊加事件分離技術(shù)和單雙臺(tái)記錄地震檢測(cè)技術(shù)的研究，加強(qiáng)實(shí)時(shí)數(shù)據(jù)流狀態(tài)的監(jiān)控，做到出現(xiàn)異常及時(shí)處置.

圖10 典型漏檢測(cè)事件的波形圖

目前實(shí)時(shí)處理系統(tǒng)采用PhaseNet方法檢測(cè)震相到時(shí)，盡管PhaseNet在不同地區(qū)展示出較好的泛化性能，但由于該模型訓(xùn)練時(shí)沒(méi)有使用噪聲數(shù)據(jù)，因此當(dāng)處理連續(xù)波形時(shí)，尤其是當(dāng)?shù)卣鸩ㄌ卣髋c北加州有明顯差異、臺(tái)站間距較大、異常干擾較多時(shí)，該算法檢測(cè)地震的能力會(huì)有明顯下降.為進(jìn)一步提高地震檢出率和到時(shí)拾取精度，需要利用不同臺(tái)網(wǎng)的地震波形重新訓(xùn)練模型，或者采用遷移學(xué)習(xí)技術(shù)提高模型性能(Zhu et al., 2019; Chai et al., 2020; 趙明等，2021).另外，目前用于檢測(cè)地震的深度神經(jīng)網(wǎng)絡(luò)，如PhaseNet和EQTransformer主要使用了震中距150 km以?xún)?nèi)的地震波形數(shù)據(jù)進(jìn)行訓(xùn)練，盡管可以較好的檢測(cè)Pg、Sg震相，但當(dāng)震中距較大，同時(shí)出現(xiàn)Pn、Pg、Sn、Sg等震相時(shí)，該方法無(wú)法同時(shí)拾取多種震相，容易導(dǎo)致震相類(lèi)型判定錯(cuò)誤，需結(jié)合高分辨率的三維速度模型，計(jì)算得到不同類(lèi)型震相的理論走時(shí)，進(jìn)一步提高震相類(lèi)型的識(shí)別準(zhǔn)確率.

對(duì)于震級(jí)較大，震中距較遠(yuǎn)的臺(tái)站，除了記錄到初至Pn與Sn震相外，還會(huì)記錄到Pg、Sg、PmP、SmS等其他續(xù)至震相，這些續(xù)至震相有時(shí)會(huì)被錯(cuò)誤關(guān)聯(lián)為一個(gè)新的事件，即產(chǎn)生“事件分裂”現(xiàn)象.對(duì)于距離較近，時(shí)間間隔較短的多個(gè)地震事件，可能會(huì)發(fā)生漏檢測(cè)與誤檢測(cè).這些問(wèn)題都需要通過(guò)進(jìn)一步完善震相關(guān)聯(lián)算法來(lái)解決.在后續(xù)研究中，將進(jìn)一步提升現(xiàn)有模塊的處理性能，繼續(xù)完成單臺(tái)記錄地震處理、事件類(lèi)型判別、快速地震精定位和震源機(jī)制解等功能模塊的研發(fā)，全面提升實(shí)時(shí)處理系統(tǒng)的數(shù)據(jù)處理能力，豐富產(chǎn)出產(chǎn)品，為地震應(yīng)急處置、地震預(yù)測(cè)預(yù)報(bào)等提供技術(shù)支撐和數(shù)據(jù)支持.

4 結(jié)論

本文介紹了一套基于人工智能的實(shí)時(shí)地震處理系統(tǒng)，該系統(tǒng)可實(shí)時(shí)處理連續(xù)地震波形數(shù)據(jù)，具備地震檢測(cè)、到時(shí)拾取、震相關(guān)聯(lián)、地震定位和震級(jí)測(cè)定功能，實(shí)現(xiàn)了實(shí)時(shí)、高靈敏度、高精度的地震目錄產(chǎn)出.以云南漾濞MS6.4地震序列為例，該系統(tǒng)可處理密集地震序列，在震后2～4 min內(nèi)產(chǎn)出地震目錄，檢測(cè)出的地震數(shù)量是人工處理的2～3倍，定位精度與人工處理結(jié)果相當(dāng)，震級(jí)測(cè)量誤差小，震級(jí)處理下限可達(dá)ML0.0級(jí)左右.

本文研究顯示，AI方法在地震實(shí)時(shí)處理中具有良好的應(yīng)用前景.本系統(tǒng)不僅可應(yīng)用于省級(jí)區(qū)域地震臺(tái)網(wǎng)，在水庫(kù)、礦山、火山等小型區(qū)域臺(tái)網(wǎng)中也具有較好的應(yīng)用前景.該系統(tǒng)不僅可以實(shí)時(shí)處理在線數(shù)據(jù)，也可處理歷史上積累的離線數(shù)據(jù).利用本系統(tǒng)對(duì)中國(guó)地震臺(tái)網(wǎng)積累的連續(xù)波形數(shù)據(jù)進(jìn)行處理，可獲得完備性和一致性更高的地震目錄，可為深入認(rèn)識(shí)地震活動(dòng)背景、確定地震空區(qū)和地震危險(xiǎn)段落提供重要參考.

后續(xù)將進(jìn)一步提升該系統(tǒng)的處理性能，并集成單臺(tái)記錄地震處理、初動(dòng)符號(hào)拾取、事件類(lèi)型判別、地震精定位和震源機(jī)制解等模塊，將自動(dòng)產(chǎn)出結(jié)果與我國(guó)現(xiàn)有的人工分析模式結(jié)合，實(shí)現(xiàn)地震事件的分級(jí)分類(lèi)快速處理，優(yōu)化我國(guó)地震編目的工作流程，提高地震目錄產(chǎn)出的時(shí)效性和一致性，提升我國(guó)地震數(shù)據(jù)的實(shí)時(shí)智能化處理水平.基于系統(tǒng)產(chǎn)出的實(shí)時(shí)地震目錄，可以快速計(jì)算b值變化，分析地震時(shí)空遷移特征，開(kāi)展地震序列實(shí)時(shí)精定位，為地震應(yīng)急救援、地震序列類(lèi)型判定和地震預(yù)測(cè)預(yù)報(bào)等研究提供及時(shí)有效的數(shù)據(jù)支撐.

致謝本研究使用的數(shù)據(jù)由云南省地震局提供.感謝蘇有錦研究員、劉麗芳處長(zhǎng)和鐘玉盛主任在實(shí)時(shí)處理系統(tǒng)安裝部署過(guò)程中給予的大力支持.在本文完成過(guò)程中，作者與陳緋雯高工進(jìn)行了多次交流和討論，審稿專(zhuān)家的寶貴意見(jiàn)和建議使本文臻于完善，部分圖件使用GMT繪制(Wessel et al., 2019)，在此一并表示感謝.