科研动态 | 我院硕士生陈枭在《地球物理学报》等期刊发文章，在地震数据智能识别与处理领域取得系列进展
近日，我院沈旭章教授团队资源与环境专业研究生陈枭（目前博士就读于四川大学）在人工智能驱动的地震数据智能处理领域取得重要进展，两项核心成果分别发表于地球物理领域专业期刊《地球物理学报》和《CT 理论与应用研究（中英文）》。研究紧密围绕当前地震学应用中两大AI应用场景——背景噪声频散曲线人工提取效率低、主观性强，以及短周期密集台阵小微震震相识别漏检率高，分别提出针对性深度学习模型，在粤港澳大湾区、南雄盆地、西藏南迦巴瓦等多个实测区域成功应用，有效提升了地震数据处理的自动化水平与可靠性，为人工智能地震学方法走向实际科研与工程应用提供了重要支撑。
成果一：Deepdisper —— 基于注意力机制与多尺度特征融合的频散曲线自动提取模型
背景噪声层析成像是当前获取地壳浅层精细结构的重要手段，而频散曲线的提取数量与质量直接决定后续反演成像的可靠性。传统频散曲线提取高度依赖人工手动拾取，随着密集台阵观测普及，台站对数量呈平方级增长，人工处理效率较低，且结果受经验与主观判断影响明显，难以满足大规模数据处理需求。
针对这一问题，团队提出Deepdisper自动化频散曲线提取模型。模型采用编码器–解码器架构，以步长为 2 的卷积替代传统池化层，在降采样同时保留更多空间细节信息；引入通道注意力机制对特征进行精修，增强有效信息权重；加入空间注意力机制使模型自适应聚焦关键区域；并通过层聚合模块实现多尺度特征高效融合与提取，提升复杂能量图下的识别稳定性。模型输出采用双通道概率图设计，有效避免模式崩溃，再经累计概率选择、剔除短曲线、异常值修正、路径聚束分析等后处理流程，自动生成最终频散曲线。
图1自动拾取频散曲线模型架构图
为提升模型泛化能力，团队构建了覆盖“南迦巴瓦（低噪声）、北流（中噪声）、三水盆地（高噪声）’’三种典型噪声环境的数据集，总计 12000 条高质量人工标注频散曲线，并分别训练群速度、相速度专用模型以保证专一性。实测结果表明，所提模型Deepdisper 在验证集上表现优于传统 模型，提取结果与手动拾取高度一致，曲线形态更平滑、更符合物理规律；在相同数据条件下可提取到更多有效频散曲线，如粤港澳大湾区相速度曲线由手动 1808 条提升至自动 3736 条，南迦巴瓦地区更是实现数万条曲线高效处理。
该模型较好地实现了背景噪声数据处理的自动化，在保证精度的同时显著降低人工成本，提升大规模密集台阵数据的利用率与处理效率，为区域背景噪声成像提供了稳定、可落地的自动化解决方案。研究成果以“基于注意力机制和多尺度特征融合的深度学习模型自动提取频散曲线”为题发表在《地球物理学报》期刊（中科院二区，2025年影响因子1.73）。中山大学为论文第一完成单位，地球科学与工程学院硕士生陈枭为第一作者，沈旭章教授为通讯作者，合作单位包括南方海洋科学与工程广东省实验室（珠海）、广东省地球动力作用与地质灾害重点实验室、地理信息工程国家重点实验室及西安测绘研究所。
图2本研究方法和 Disperpicker 模型对南迦巴瓦台阵数据处理结果对比(a、c南雄地区手工提取的群速度和相速度频散曲线；b、d南雄地区Deepdisper自动提取的群速度和相速度频散曲线)
成果二：Deepphase —— 基于通道及多头注意力机制的微震震相识别模型
震相识别是地震学最基础、最核心的工作之一，直接影响地震目录编制、地震活动性分析与地下结构成像。近年来短周期密集台阵快速推广，但其数据信噪比偏低、噪声成分复杂，传统深度学习模型（如 Eqtransformer、PhaseNet）在此类数据上常出现小微震漏检率高、中强震波形识别不全等问题。
为此，团队提出Deepphase微震震相识别模型，将通道注意力机制与多头注意力机制有机融合，通过一维卷积、Bi-LSTM、Bi-GRU 与 Transformer Encoder 组合结构，分层提取局部时序特征与全局依赖关系。通道注意力实现特征图自适应精修，强化有效信号权重；多头注意力提升模型对关键时序信息的捕捉能力；残差连接则有效融合浅层细粒度特征与深层粗粒度特征，提升识别稳定性。
为增强野外复杂环境适应性，团队基于 STEAD 数据集构建 14 万条样本，采用6:4 策略性数据增强（高斯白噪声 + 真实台阵噪声），并以 70% 滤波、30% 不滤波组合训练，显著提升模型抗噪能力与泛化性。在意大利 INSTANCE 验证集上，Deepphase 的 P 波查全率 0.893、S 波查全率 0.890，高于同类模型；在西藏南迦巴瓦 387 个台站的实测应用中，经精定位后 Deepphase 识别出115 个地震事件，较 Eqtransformer 的 74 个多识别 41 个，在保证识别精度的同时明显提升地震检出数量、降低漏检率；同时模型处理效率优异，单台站一个月约 3GB 数据可在 10 分钟内完成全流程识别。
Deepphase 为短周期密集台阵微震监测提供了高效、可靠的自动化工具，尤其适合低信噪比、较强噪声环境下的小微震检测。研究成果以“基于通道及多头注意力机制的深度学习模型对短周期密集台阵资料进行震相识别”为题发表在《CT 理论与应用研究（中英文）》期刊。中山大学为论文第一完成单位，地球科学与工程学院硕士生陈枭为第一作者，沈旭章教授为通讯作者，合作单位包括南方海洋科学与工程广东省实验室（珠海）、广东省地球动力作用与地质灾害重点实验室、四川大学水利水电学院、地理信息工程国家重点实验室及西安测绘研究所。
图3 Deepphase 微震识别模型架构图
图4北流地区地震精定位结果对。(a)Eqtransformer识别出地震HypoDD地震精定位结果 299个（Wen et al,Chinese Journal of Geophysics,2022）(b)本研究模型识别出地震HypoDD地震精定位结果 463个
总结
本次两项成果分别面向背景噪声成像频散曲线自动提取与密集台阵震相识别两大核心应用场景，将注意力机制、多尺度特征融合等先进深度学习技术与地震数据处理需求紧密结合，作者编写了算法核心代码。Deepdisper实现了频散曲线稳定、高效的自动化提取，显著提升大规模数据处理能力；Deepphase在保证识别精度的前提下，有效提升地震检出数量、降低漏检率。两项研究共同推动人工智能技术在地震数据处理中从实验探索走向实用化，为高分辨率地下结构成像、区域地震活动性分析提供了重要方法支撑，对地震灾害监测与地球深部结构研究具有重要意义。研究成果得到国家自然科学基金重点项目（42230305）、第二次青藏高原综合科学考察研究（2019QZKK0701）等项目的资助。
文章信息：
- 陈枭, 沈旭章*, 黄斯然, 黄昱涵, 黄河，2026. 基于注意力机制和多尺度特征融合的深度学习模型自动提取频散曲线. 地球物理学报, 69(5): 1912-1931, doi: 10.6038/cjg2025S0741.
- 陈枭, 沈旭章*, 黄昱涵, 等. 2026. 基于通道及多头注意力机制的深度学习模型对短周期密集台阵资料进行震相识别. CT理论与应用研究（中英文）, 34(5): 815-825. DOI: 10.15953/j.ctta.2025.212.
源代码下载地址：
- 频散曲线自动提取https://github.com/Xiao-Chen-ooooq/autodisperpick
- 震相识别https://github.com/Xiao-Chen-ooooq/earthquakepick
供稿：沈旭章
初审：黄荣 董晓涵
审核：徐永怡 郑义
审核发布：孔晓慧
