.png){kind=icon}
返回
An explicit multi-granularity input modeling method for seismic phase picking
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2026.116339.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
地震相位拾取是地震监测的基本步骤；然而，现有的基于深度学习的方法在跨区域分布偏移和低信噪比（SNR）条件下常出现性能下降。一个关键原因是这类方法在单一输入表示中隐式融合多尺度特征，限制了其对分布偏移和噪声的鲁棒性。相比之下，多粒度建模在输入表示层面显式构建多个时间分辨率表示并建模其交互。为解决此问题，我们提出了一种显式多粒度输入建模方法（MGPP）用于地震相位拾取。所提出的模型在输入表示层面联合建模局部瞬态特征和全局时间结构。具体而言，它整合了通道自适应分块嵌入、多粒度特征提取、跨粒度信息交互和自适应融合，统一于协作建模框架内。在跨数据集设置中，模型在斯坦福地震数据集（STEAD）上训练并在太平洋西北数据集（PNW）上测试，所提模型在初至波（P波）和续至波（S波）拾取方面分别达到0.992和0.986的精度值。附加低SNR实验表明，我们的模型在所有SNR区间均达到最高精度；特别是在5–10分贝（dB）条件下，相较于次优模型多尺度特征融合网络（MFFN），P波和S波精度分别提升了2.36%和3.16%。这些结果支持在本文评估的跨数据集和复杂噪声条件下具有更优的稳定性和鲁棒性。
Keyword:
Seismic phase picking
Deep learning
Explicit multi-granularity input modeling
Cross-granularity interaction
Cross-dataset robustness
Low signal-to-noise ratio robustness
