基于显式坐标编码的微震首波到达检测方法

《Geophysical Journal International》：Explicit Coordinate Encoding Matters: A Coordinate-Driven Framework for First-Arrival Picking in Microseismic Monitoring

　　

摘要

自动检测首波到达对于微震监测至关重要，因为它直接影响事件位置和焦距机制的计算。目前基于深度学习的方法通常仅使用来自单个地震波形的时间特征来预测首波到达时间，而忽略了波形之间的相干特征。在工业微震监测中，密集且规则排列的接收器阵列会产生具有空间独特性的首波到达模式。为了捕捉这些多维空间特征，现有研究倾向于使用更复杂的模型架构，但这不仅导致训练成本增加，也不一定能提高检测精度。为了解决这个问题，我们提出了一个基于显式坐标编码的框架。具体来说，微震事件的地震波形被重新组织成二维图像，每个像素的X和Y坐标被提取出来，并作为两个额外的通道与波形图像合并。然后，将合并后的数据张量输入到基于U-Net的模型中以预测首波到达时间。这使得网络能够直接识别绝对空间位置，打破了标准卷积神经网络（CNN）的平移不变性。因此，网络能够在几乎不增加模型复杂性和计算成本的情况下，同时捕捉首波到达的时间特征和空间连续性。在实际数据集上的测试表明，基于坐标的模型在训练性能和检测精度方面显著优于非基于坐标的模型。平均最小损失降低了约54%，而模型参数仅增加了约0.015%。P波到达的准确率从73.06%提高到92.24%，平均误差从9.51毫秒降至3.36毫秒。消融实验显示，坐标卷积贡献了大部分改进效果，而注意力门和残差连接仅提供了有限的优化。与在同一数据集上重新训练的单波形模型（PhaseNet）相比，我们的模型实现了约10%更高的准确率，并且平均误差减半。这些结果表明，显式坐标编码在几乎不增加模型复杂性和计算成本的情况下，显著改进了复杂空间特征的提取。

人工诱发地震, 机器学习, 地震监测与禁试条约验证, 声发射