MSEP-TFormer：基于快速傅里叶变换的多任务地震监测网络及其在参数联合估计中的性能突破

《Geophysical Journal International》：MSEP-TFormer: A Multitask Source Estimation Parameter Transformer Network for Earthquake Monitoring

本研究针对传统地震监测方法流程繁琐、多参数联合估计中参数选择困难的问题，提出了一种基于改进Transformer的多任务地震监测网络MSEP-TFormer。该网络通过用快速傅里叶变换替代自注意力机制降低计算复杂度，结合融合模块和增强模块加强任务间交互，并引入动态自适应权重分配策略平衡不同任务。在STEAD和INSTANCE数据集上的测试结果表明，该方法在地震相位拾取和震源参数估计方面优于其他深度学习方法，误差更低、评价指标更高，展现了在地震监测中的实际应用潜力。

　　

当地震来袭时，快速准确地确定地震参数对于灾害预警和地球物理研究至关重要。传统的地震监测方法包括相位拾取（phase picking）和震源参数估计（source parameter estimation），但这些方法往往面临工作流程繁琐、多参数联合估计中参数选择困难等挑战。随着人工智能和大数据技术的发展，深度学习为地震监测带来了新的机遇，但现有模型多为单任务设计，忽视了任务间的内在联系，限制了模型在复杂场景下的预测能力。

在这项发表于《Geophysical Journal International》的研究中，研究人员开发了一种名为MSEP-TFormer的多任务地震监测网络，旨在同时估计地震参数（震级、震中距、深度和P波走时）并进行地震相位拾取。该网络通过创新性地用快速傅里叶变换（FFT）替代传统的自注意力机制，显著降低了计算复杂度，从O(n²)降至O(n log n)。

为了开展这项研究，研究人员主要采用了以下几种关键技术方法：首先，他们构建了一个包含编码器和五个解码器的网络架构，输入为60秒三分量地震数据；其次，引入了融合模块和增强模块来加强不同任务间的交互；第三，采用了一种基于不确定性的多任务损失函数，通过自适应权重平衡不同任务；最后，在STEAD和INSTANCE两个大型地震数据集上进行了训练和测试，并采用了多种评估指标（如R²、MAE、MAPE等）进行性能比较。

3.1 实验数据和标注

研究使用了STEAD和INSTANCE两个数据集进行模型训练和评估。STEAD数据集包含517,325条地震事件记录，参数覆盖范围广泛。INSTANCE数据集也包含大量三分量波形数据，为确保数据一致性，研究人员从P波到达前2-12秒随机选择起始时间，提取60秒波形数据，最终获得301,797个样本。对于相位拾取任务，采用了基于高斯概率分布的标注策略。

3.2 在STEAD数据集上的应用

在震级估计任务中，MSEP-TFormer的表现优于CNN、MagNet和MFTnet等方法， determination系数达到0.9335，MAE为0.1411，MAPE为0.1803。在震源定位方面，无论是深度估计还是震中距估计，MSEP-TFormer都取得了最佳性能，R²分别达到0.8789和0.9820。在P波走时估计任务中，MSEP-TFormer的determination系数为0.9889，误差标准差为0.4385秒，表现最优。在相位拾取方面，与PhaseNet和EQTransformer相比，MSEP-TFormer在P波和S波拾取中都表现出更高的准确性和稳定性。

3.3 在INSTANCE数据集上的应用

在INSTANCE数据集上的测试进一步验证了MSEP-TFormer的优越性。在震级估计任务中，MSEP-TFormer的R²达到0.9068，比CNN方法提高了55.0%。在震源定位任务中，MSEP-TFormer在深度和震中距估计上的R²分别为0.7950和0.9745，均优于对比方法。在低信噪比条件下，MSEP-TFormer表现出更强的抗噪声干扰能力，能够从受噪声污染的信号中提取有效信息。

3.4 基于多台站的地震参数估计

研究还探讨了基于多台站的地震参数估计方法。通过整合多个台站的预测结果，采用基于偏差判定的加权平均策略，进一步提高了参数估计的准确性。该方法在Ridgecrest地区连续数据中的应用表明，MSEP-TFormer在震源时间和发展震级估计方面表现良好，展现了在实际地震监测中的应用潜力。

4 讨论

通过分析不同信噪比条件下的误差分布，研究发现MSEP-TFormer在低信噪比条件下仍能保持较好的性能，表明该方法具有较强的抗噪声干扰能力。与傅里叶神经算子（Fourier Neural Operator）的对比进一步验证了全局滤波器结构在复杂空间依赖建模中的优越性。

本研究提出的MSEP-TFormer网络通过创新性地结合快速傅里叶变换、多任务学习和动态权重分配策略，有效地解决了传统地震监测方法中的诸多挑战。实验结果表明，该方法在震级估计、震源定位、P波走时估计和相位拾取等多个任务上都取得了优于现有方法的性能。这不仅为地震灾害预警和地球物理研究提供了强有力的技术支撑，也展现了深度学习在地震监测领域的广阔应用前景。未来的工作可以进一步优化网络结构，扩大数据集覆盖范围，并将该方法应用于实时地震监测系统中。