类型a：单篇原创研究的学术报告

1. 主要作者、机构及发表信息

本研究的作者团队包括Yongming Huang、Yi Xie、Wei Liu、Yongsheng Ma、Fajun Miao和Guobao Zhang，分别来自东南大学自动化学院（School of Automation, Southeast University）和江苏省地震局（Seismological Bureau of Jiangsu Province）。研究论文《Multi-scale convolution networks for seismic event classification with windowed self-attention》发表于《Journal of Seismology》2025年第29卷（257–268页），在线发表于2024年11月15日。

2. 学术背景与研究目标

地震事件分类是地震应急预警和地震目录数据库建立的关键环节，对区分天然地震、人工爆破和塌陷事件具有重要意义。传统方法依赖人工提取特征（如初动方向、P波与S波振幅比）或固定长度截取波形，但存在信息冗余（短事件）或信息丢失（长事件）的问题，且难以全面捕捉地震波的多尺度时空特征。

近年来，深度学习（Deep Learning）尤其是卷积神经网络（CNN）在解决此类问题上表现出潜力。然而，传统CNN存在梯度消失问题，且单一卷积核难以同时捕获局部细节和全局特征。为此，本研究提出了一种结合**多尺度卷积（Multi-scale Convolution）和窗口自注意力（Windowed Self-attention）**的新型神经网络，旨在平衡局部特征提取与长程依赖建模，并通过自适应波形截断和投票机制进一步提升分类性能。

3. 研究方法与详细流程

3.1 数据准备与预处理

研究使用了中国首都圈（北京、河北、天津等）和江苏省及周边地区2015–2018年的地震数据，包括三类事件：

• 天然地震：600次（ML2.0–4.0，震中距≤50 km），共1078条记录（3234个波形）。

• 爆破事件：1100次（ML≥2.5），共981条记录（2943个波形）。

• 塌陷事件：400次（ML≥2.5），共830条记录（2490个波形）。

预处理关键步骤：

1. 自适应波形截断（Adaptive Waveform Truncation）：

   • 计算P波到达前1秒的均方根（RMSp）作为基线噪声水平。

   • 检测S波到达后每秒窗口的RMSs，若RMSs < 1.2×RMSp，则判定为尾波终止时间，截取完整波形。

2. 时频转换：将波形降采样至20 Hz，通过短时傅里叶变换（STFT）生成400×400×3的时频谱图作为网络输入。

3.2 网络架构设计

模型包含四个阶段：

1. 初始特征提取：使用5×5非重叠分块（Patch Splitting）和多尺度残差卷积（Multi-scale Residual Convolution）缩小特征图尺寸，保留通道数。

2. 多尺度卷积与自注意力融合：

   • 多尺度残差结构：结合1×1、3×3卷积核，通过跨层连接（Shortcut Connect）防止梯度消失（公式：( x_{l+1} = f(x_l, w_l) + h(x_l) )）。

   • 窗口自注意力模块（Window Self-attention Block）：交替使用常规窗口和偏移窗口（Shifted Window）计算自注意力，解决跨窗口信息缺失问题。

3. 分层特征聚合：在第二、三阶段通过步长为2的卷积压缩特征图尺寸并加倍通道数。

4. 决策输出：全局平均池化后接全连接层（300→128→3神经元），SoftMax输出分类概率。

3.3 投票机制（Voting Mechanism）

单台站记录的三分量数据（垂直、南北、东西）分别输入网络，若至少两个分量分类结果一致，则判定为该事件类型，否则视为错误分类。

4. 主要结果与分析

4.1 分类性能

• 单分量分类准确率：94.02%。爆破事件召回率（Recall）和精确率（Precision）分别为98.14%和93.85%，塌陷和天然地震的精确率均超过94%。

• 投票机制提升：整体准确率提升至97.56%，显著减少爆破与塌陷事件的误判（图6）。

4.2 对比实验

与SVM、MLP、STFT+CNN等模型相比，本文方法在相同数据集上表现最优（表2）。例如：

• DeepQuake（输入原始波形）：准确率94.40%。

• ConvNetQuake：91.7%。

• 本文模型：97.56%，且参数量更少，计算效率更高。

4.3 消融实验（Ablation Study）

验证各模块贡献（表3）：

• 基线模型（固定卷积核）：91.42%。

• 增加多尺度卷积：提升至93.14%。

• 增加自注意力层：进一步提升至94.99%。

5. 结论与意义

本研究提出了一种创新的地震事件分类框架，其核心贡献包括：

1. 自适应波形截断方法：避免传统固定截取的局限性，完整保留事件特征。

2. 多尺度卷积与窗口自注意力网络：结合局部感知与全局依赖建模，适用于小数据集。

3. 三分量投票机制：有效融合多分量信息，提升分类鲁棒性。

科学价值：为地震监测提供了高精度自动化分类工具，尤其在短时地震和复杂噪声环境下表现优异。

应用潜力：可扩展至其他类型地震信号（如火山震颤）和多台站联合分析。

6. 研究亮点

• 方法创新：首次将多尺度卷积与窗口自注意力结合用于地震分类，解决CNN的梯度消失和特征单一性问题。

• 数据高效性：在较小数据集（2889条记录）上达到97.56%的准确率，优于现有方法。

• 可解释性：通过消融实验明确各模块的作用，为后续优化提供方向。

7. 其他价值

研究在犹他州地震数据（UUSS台网）上进一步验证了模型的泛化能力，准确率达98.59%，显示其跨区域适用潜力（图8）。未来可探索多台站数据融合和模型可解释性提升。