《Artificial Intelligence in Geosciences》：The Corinth Rift Laboratory Benchmark Dataset for Deep-Learning Picking
编辑推荐：
摘要部分未在可见文本中单独给出；依据论文开头概述译述为：科林斯裂谷实验室深度学习（Deep Learning, DL）震相拾取（phase picking）基准数据集（CRLBD）是来自科林斯湾西部的局部尺度（local-scale）基准数据集；该数据集捕获短
摘要部分未在可见文本中单独给出；依据论文开头概述译述为：科林斯裂谷实验室深度学习（Deep Learning, DL）震相拾取（phase picking）基准数据集（CRLBD）是来自科林斯湾西部的局部尺度（local-scale）基准数据集；该数据集捕获短距离低震级地震活动（low-magnitude seismicity）；基准测试显示，在INSTANCE数据集上训练的模型表现最佳。
该研究围绕科林斯湾西部（Western Gulf of Corinth, WGoC）的高地震活动与科林斯裂谷实验室近断层观测台（Corinth Rift Laboratory Near Fault Observatory, CRL-NFO）密集观测条件，构建面向深度学习（Deep Learning, DL）震相拾取（phase picking）的局部尺度基准数据集（benchmark dataset）CRLBD。研究背景上，DL已用于地震学多项任务，而事件检测与P、S震相到时拾取仍是基础且劳动密集的任务；传统触发方法难以识别复杂到时模式，DL拾取器依赖覆盖不同监测尺度和目标的大规模训练与基准数据。既有基础性、中尺度和小型数据集在空间覆盖与目标上各异，但WGoC这类短震中距、低震级、高发生率记录在现有训练和基准数据中代表性不足。WGoC为伸展裂谷，地震活动以浅源（<20 km）地震群和长序列为主，CRL-NFO由多网络传感器密集监测，具备记录大量近距小震的条件。研究人员据此构建CRLBD，以支持WGoC拾取模型最优选择、提供短距离波形数据，并为未来训练CRL特定模型奠定基础；其意义在于以统一数据与评估任务识别可用拾取器，填补局部尺度低震级短距数据缺口，并服务近断层观测台监测。
关键技术与方法（≤250字）：研究人员合并GI-NOA与SL-NKUA人工目录，用INSTANCE预训练EQTransformer补拾取，以TauP理论到时和Rigo速度模型约束，Hypoinverse重定位；按INSTANCE准则筛选事件与到时，构建120 s事件窗和600 s无震窗，按事件数据集30%分层随机抽取噪声；用SeisBench/HDF5与CSV写入INSTANCE式元数据并增补字段；在开发集优化阈值，在测试集用PhaseNet、EQTransformer、EQCCT完成事件检测、震相识别、到时拾取基准。数据来自GI-NOA、SL-NKUA、RESIF EIDA节点、EMSC矩张量与USGS V
S30网格。
研究结果：
2.1 数据来源：通过合并GI-NOA与SL-NKUA目录并以INSTANCE预训练EQTransformer补充缺失到时、TauP理论到时约束和Hypoinverse重定位，得到18,958个解，震级0.0—5.3；最终定位使用407,256个P与288,156个S到时，约30%的P和40%的S由EQTransformer产生。DL到时使正式定位误差下降，深度误差降低最明显；P残差平均绝对误差（Mean Absolute Error, MAE）略增而标准差降低，S残差MAE降低。结论是DL补拾取可改善定位，但最终CRLBD标签仅保留人工拾取。
2.2 数据选择：通过深度≤20 km、至少5个台站8个人工到时、时间-震级过滤、剔除DL到时、绝对残差<1 s、走时>0.3 s、震中距≤150 km等准则，保留13,918个事件和236,590个候选事件-台站对；结论是形成单事件干净窗，并保留低震级近距记录优势。
2.3 元数据提取与数据集组装：通过新SeisComP式ID、INSTANCE字段分组及新增字段、V
S30、响应去除、0.01—40 Hz滤波、随机P前50—70 s切120 s窗、质量指标与信噪比（Signal-to-Noise Ratio, SNR）、Hampel尖峰检测和EQTransformer检测校验，最终得到224,573条事件记录和67,371条噪声记录；按事件随机作60/10/30的train/dev/test划分。
3 数据集描述：通过统计与示例检查，CRLBD含13,918个事件、224,573个P到时、127,629个S到时和67,371条噪声记录，来自128个台站、8个网络，震中距≤150 km，99.64%的震源距≤100 km；M
L/M
W为0.0—5.1，深度1.7—20.0 km；中位SNR约10 dB；S残差存在系统性负移，均值-0.212 s，推断模型V
P/V
S约1.80可能高估，期望约1.77；噪声中91.63%无事件检测、88.37%无P、92.85%无S。
4 模型基准：通过在开发集优化阈值并在测试集开展三项任务评估，所有预训练模型检测的受试者工作特征曲线下面积（Area Under the Curve, AUC）均>0.940；INSTANCE训练模型最佳，PhaseNet-INSTANCE的T1 F1为0.944、AUC为0.983，T2马修斯相关系数（Matthews Correlation Coefficient, MCC）为0.970，T3 P的MAE/RMSE（Root Mean Square Error, RMSE）为0.216 s/0.651 s、S为0.331 s/0.624 s；EQTransformer-INSTANCE次之；EQCCT中等；STEAD-PhaseNet在震相识别和P拾取较差。S拾取残差中位数>0，显示DL倾向晚于人工S到时。
5 结论：通过构建与基准评估，研究人员得到以低震级近距记录为主、SeisBench兼容的局部尺度CRLBD，并确定INSTANCE训练模型在WGoC拾取中表现最佳。
讨论部分总结：CRLBD与大规模多样数据集不同，主导记录为高破碎、流体丰富大陆裂谷中正断层控制的浅源低震级地震，震中距至150 km；其适合其他伸展裂谷等涌现到时和高频散射场景，填补现有基准数据空白；但对远震、深震和长距离波形的泛化有限，最宜作为浅源弱震检测的专门资源、微调/迁移学习或联合训练的一部分。未来工作包括在CRLBD上训练模型并与广义网络比较、评估近场事件，并考虑迁移学习，以推动CRL-NFO的DL拾取部署和实时监测。
研究结论（译述）：该研究利用使CRL-NFO地区成为DL基准数据集理想用例的条件，高地震生产率和短距离传感器是基本要素。工作流程产出224,573条三分量波形（约31 GB）并标注人工P、S到时，以及67,371条噪声记录（约9 GB，约为事件记录30%）；二者配有类似INSTANCE的丰富元数据，并针对不同拾取标签来源和非定向传感器等新增字段。局部记录为主要焦点（99.64%相位记录距离<100 km），以低震级（<3.0）地震活动为主。CRLBD以SeisBench构建以兼容基准工具箱，并通过Zenodo开放、将纳入SeisBench。作为首个应用，研究人员评估EQCCT、EQTransformer和PhaseNet；EQCCT用原始权重，EQTransformer和PhaseNet用INSTANCE、STEAD和ETHZ预训练权重，采用事件检测、震相分类和到时报拾取三项任务。多数模型有效，INSTANCE训练模型在所有任务中更优，PhaseNet略优；合理解释包括构造相似性或数据选择策略相似。与STEAD、DiTing等大规模多样数据集相比，CRLBD主要由高破碎、流体丰富大陆裂谷中正断层浅源低震级地震组成，震中距至150 km，适合其他伸展裂谷等场景，填补现有基准数据空白；但其特征也限制对远震、深震和长距离波形的泛化。故CRLBD最宜作为浅源弱震检测的专门资源、微调/迁移学习或联合训练的一部分。未来工作包括在CRLBD上训练模型并与广义网络比较、评估近场事件，并考虑迁移学习，以推动CRL-NFO的DL拾取部署和实时监测。
