学术研究报告：EQTypeNet——基于深度学习的中国地震自动分类三支模型及其应用

一、作者与发表信息

本研究由Tianran Lu（中国地震局地震预测研究所）、Lianqing Zhou（中国地震局地震预测研究所）、Na Zhang（中国地震局地球物理研究所/山西省地震局）、Mengqiao Duan（中国地震局地震预测研究所）等团队合作完成，发表于Geophysical Journal International（2025年7月8日在线发表），DOI: 10.1093/gji/ggaf263。

二、学术背景

科学领域：本研究属于地震学（Seismology）与人工智能（Artificial Intelligence, AI）的交叉领域，聚焦地震事件自动分类。
研究动机：随着全球工业活动频繁，人工地震事件（如爆炸、塌陷）与天然地震的混淆对地下断层识别、地震风险评估（Seismic Risk Assessment）及b值时空分布分析造成干扰。传统分类方法依赖人工提取特征（如波形、频谱），泛化能力有限，而深度学习（Deep Learning, DL）可高效处理海量数据并自动提取特征。
研究目标：开发一种适用于中国地区的三支卷积神经网络（Tri-Branch Convolutional Neural Network, CNN）模型EQTypeNet，实现天然地震、爆炸和塌陷的自动分类，并提升模型在区域尺度的泛化能力。

三、研究流程与方法

1. 数据准备

研究整合了四个数据集：
- ComCat（美国西北太平洋地区）：65,384条地震与爆炸事件（2002–2022年），经数据平衡后选用11,405条记录。
- Diting 2.0（中国地区）：264,298条事件（2020–2023年），筛选后包含996条地震、536条爆炸和381条塌陷记录。
- 山西（Shanxi）与东北（Dongbei）数据集：用于区域验证，分别包含185条和473条事件。

数据预处理：
- 波形（Waveform）：去均值、5%汉宁窗 taper、2 Hz高通滤波、归一化至60秒长度（采样率100 Hz）。
- 频谱图（Spectrogram）：离散傅里叶变换（Discrete Fourier Transform, DFT），频率范围0.5–50 Hz，滑动窗口2秒（重叠75%）。
- P/S振幅比（P/S Amplitude Ratio）：基于Z分量计算，窗口选取P波到达前后5%–60%的P-S时间差，限制窗口长度≤3秒。

2. 模型架构（EQTypeNet）

EQTypeNet为三支CNN模型，输入包括：
1. 波形分支：6001×1×3的三分量数据，经4层卷积（64–512神经元）和4×1最大池化。
2. 频谱分支：参考Hourcade et al. (2022)的架构，输出420维特征。
3. P/S比分支：2 Hz高通滤波后计算的中位值。

创新点：
- 特征融合：将三支特征在拼接层（Concatenation Layer）合并为1260维向量，经3层全连接输出分类结果。
- 迁移学习（Transfer Learning）：先用ComCat数据预训练，再以Diting 2.0数据微调，冻结前两层卷积以保留通用特征。

3. 实验设计

• 二分类（地震 vs. 爆炸/塌陷）：在ComCat上测试，单个台站的宏F1（Macro-F1）达0.99，准确率98.7%。
  
• 三分类：通过迁移学习增强区域适应性，在山西和东北地区的F1分别达0.98和0.97。
  

四、主要结果

1. 分类性能：

   • Diting 2.0测试集：单个台站的宏F1为0.90（地震94.8%、爆炸87.8%、塌陷87.5%），台网平均宏F1提升至0.95。
     
   • 区域应用：在山西和东北，迁移学习后模型准确率分别达98.6%和96.8%，显著优于直接应用预训练模型（Macro-F1仅0.52）。
     

2. P/S比的作用：

   • 在13–15 Hz频段，P/S比对三类事件的区分度最佳，但模型对频段选择不敏感（表10）。跨区域测试表明，爆炸事件的P/S比特征具有普适性。
     

3. 模型对比：

   • 与传统方法：EQTypeNet在华北地区的分类准确率（97.2%）与Wang et al. (2023)的XGBoost模型相当，但无需人工提取特征。
     
   • 与其他DL模型：EQTypeNet在50,000样本训练集上表现优于1D CNN-LSTM和AlexNet（表11），凸显多特征融合的优势。
     

五、结论与价值

科学价值：
- 提出首个适用于中国全域的三支地震分类模型，解决了人工事件干扰下的断层识别难题。
- 验证了P/S比在跨区域分类中的稳健性，为物理特征与深度学习的结合提供范例。

应用价值：
- 可集成至地震监测网络，实时区分天然/人工事件，提升地震目录（Seismic Catalogue）准确性。
- 为核爆炸监测（Nuclear Explosion Monitoring）和矿山安全评估提供技术支持。

六、研究亮点

1. 多特征融合：首次联合波形、频谱和P/S比，显著提升模型泛化能力。
   
2. 迁移学习策略：通过冻结浅层卷积，有效适应中国复杂地质环境。
   
3. 小样本优化：在山西数据量不足时，通过数据增强（Data Augmentation）使模型保持高精度。
   

七、其他发现

• 数据偏差问题：Diting 2.0中人工事件标签可能存在误标，未来需结合震源机制（Focal Mechanism）进一步验证。
  
• 实时应用潜力：模型可扩展至更大震级范围，需补充物理特征以优化分类边界。
  

（报告全文约2000字，涵盖方法细节、结果分析与学术价值评估）