编辑推荐：
精确的微小尺度地震事件监测对地震学研究至关重要。传统技术依赖人工或自动化地震震相拾取，由于震相初至不清晰，往往导致微地震监测结果不准确。研究人员在此引入地震神经网络算子（Quake Neural Operator, QNO），一种直接从连续数据构建地震目录的深
精确的微小尺度地震事件监测对地震学研究至关重要。传统技术依赖人工或自动化地震震相拾取，由于震相初至不清晰，往往导致微地震监测结果不准确。研究人员在此引入地震神经网络算子（Quake Neural Operator, QNO），一种直接从连续数据构建地震目录的深度学习算法，无需显式震相拾取。作为多任务算子，QNO利用分类与回归方法，在任意地震台网几何结构下检测并定位地震事件。研究表明，QNO能够成功表征当前最先进震相拾取方法失效的事件。将QNO应用于盖瑟斯（The Geysers）地热田，研究人员识别出的地震探测数量比常规目录报告的数量高出近一个数量级。这些结果通过与震相神经网络算子（Phase Neural Operator, PhaseNO）的对比及目视检查得到验证。QNO具有揭示未被探测地震活动的潜力，有助于增进对自然灾害和行业应用关键地下过程的科学认知。
微地震监测是理解地下深部动力学过程的关键技术手段，能够为断层力学、岩石物理行为及流体动力学研究提供宝贵信息。除天然地震研究外，人类活动诱发地震活动的监测在地热能源开发、矿产资源开采及碳捕集与封存等领域具有重要应用价值。传统微地震监测通常遵循顺序工作流：从连续数据中拾取地震震相、将震相关联到特定地震事件、再利用到时数据确定震源位置。然而，这一流程高度依赖人工或自动化震相拾取技术，在处理低信噪比（Signal-to-Noise Ratio, SNR）的大规模数据集时不仅耗时费力，还容易引入人为偏差。尽管深度学习技术已在自动化地震监测中取得显著进展，但微地震事件因振幅通常远低于环境噪声水平，导致震相初至模糊不清，传统基于震相拾取的方法仍面临严峻挑战。此外，模板匹配等后续增强检测手段虽能提升低振幅事件的识别率，但存在计算成本高、依赖预设模板等固有缺陷。在此背景下，如何摆脱对震相拾取的依赖、实现从连续波形数据到地震目录的端到端智能构建，成为微地震监测领域亟待解决的核心科学问题。
研究人员提出了一种名为地震神经网络算子（Quake Neural Operator, QNO）的多任务学习框架，用于实现无需显式震相拾取或震相关联的端到端微地震监测。该方法发表于《Nature Communications》期刊，其核心创新在于将地震检测与震源定位两个内在关联的任务整合于统一框架中，利用共享的时空波形特征提升整体监测性能。QNO基于神经网络算子（Neural Operator）架构设计，能够自然适应不规则地震台网几何结构及变化台站配置，通过相干时空波形模式实现地震事件的可靠检测与直接定位，即使震相初至不清晰亦能胜任。
研究采用的关键技术方法主要包括以下方面。在模型架构上，QNO采用多任务算子学习框架，由分类任务与回归任务构成：分类任务学习空间域内地震信号与噪声的概率分布函数；回归任务则输出震源位置与发震时刻。模型核心包含傅里叶神经网络算子（Fourier Neural Operator, FNO）层与图神经网络算子（Graph Neural Operator, GNO）层的多重组合：FNO在各台站局部提取时间域信息，GNO实现台站间信息交互，二者协同增强地震台网的时空通信能力。输入数据为三维张量，维度分别为时间、台站和通道，其中六通道包含三分量波形数据及台站空间坐标信息。模型训练基于北加州地震数据中心（Northern California Earthquake Data Center, NCEDC）数据集，选取震级不超过2.0、至少由8个台站记录的事件，按时间顺序划分训练集（2016年前）、验证集（2016年）和测试集（2017-2021年），以模拟实际部署中对未来数据的预测场景。为增强模型对噪声的鲁棒性，训练过程中引入STEAD数据集的真实噪声波形进行数据增强，并随机添加仅含噪声的虚拟台站以模拟物业台网配置多样性。
研究结果部分，"地震神经网络算子"一节详细阐述了QNO的技术架构。QNO的输入离散化为三维张量，最大波形时长为15秒，台站轴维度随输入台站数量变化且顺序任意。共享组件包含多个算子模块，每个模块由FNO层与GNO层串联并重复多次构成。经共享组件处理后，张量沿时间和通道轴展平，分别输入分类算子
Qclass和回归算子
Qreg。分类输出为各台站地震信号与噪声的二元概率，回归输出通过台站维度均值池化获得最终震源参数估计。该架构的关键优势在于：FNO利用快速傅里叶变换（Fast Fourier Transform, FFT）学习时域全局相关性，GNO通过图结构消息传递框架建模台站间空间关系，二者交替作用实现充分的时空信息交换。
"与基线方法的基准对比"一节展示了QNO相对于经典方法的优越性。在震源定位方面，与SeismicGNN（一种基于图神经网络的地震定位方法）对比表明，QNO在北加州测试集全部1019个事件上均成功确定震源位置，具有更低的平均绝对误差（Mean Absolute Error, MAE）、均值（μ）和标准差（σ），尤其在地理位置精度方面优势显著，尽管深度预测误差略大于SeismicGNN。在地震检测方面，以PhaseNO（基于神经网络算子的多站震相拾取方法）为基线，通过向真实事件波形叠加真实噪声调控SNR的研究显示：当SNR为20 dB时，两种方法均表现良好；但随着SNR降低，PhaseNO性能显著退化，在SNR为0 dB时完全无法拾取P波震相；而QNO即使在SNR降至0 dB甚至更低时，仍能在多数台站检测事件并一致确定位置，证明波形相干性而非震相初至本身足以支撑检测与定位。值得注意的是，预测误差随SNR降低并非严格单调增加，这是由于真实噪声中包含微震、场地效应或仪器瞬态等结构化成分；采用理想化高斯噪声的对比实验则呈现更单调的误差增长，印证了QNO对复杂真实噪声结构的稳健适应能力。
"跨地震台网配置的泛化能力"一节验证了QNO的空间与时域泛化性能。由于训练数据中每个样本对应不同的台网几何构型（8-32个台站的随机子集），且训练时进一步引入噪声虚拟台站增强变异性，模型天然具备处理不规则空间采样的能力。理论分析表明，在足够全局密集的空间数据采样条件下，QNO可泛化至未见台网布局而无需重新训练。实验证实，训练后的QNO在测试阶段多样台网配置下表现一致。此外，尽管FNO层要求每个样本内部时域均匀采样，但不同样本间的采样率可以变化：将测试数据从100 Hz重采样至200 Hz后直接评估，模型仍保持良好性能，体现了跨时间分辨率的泛化能力。
"盖瑟斯地热田的微地震监测应用"一节呈现了QNO在实际场景中的价值。研究人员将训练好的模型应用于盖瑟斯地热田2024年6月8日至6月18日的连续地震数据，与PhaseNO+GaMMA（基于群组多重台阵分析的震相关联定位方法）构建的目录进行对比。通过设定信号概率阈值
TsignalQNO和最小台站数
NsignalQNO等超参数控制目录质量，研究发现在等效严格要求下，QNO目录与PhaseNO+GaMMA目录的检测趋势一致，但QNO始终包含更多探测。当
TsignalQNO设为0.6、
NsignalQNO设为16时，QNO获得10167次探测，比NCEDC同期常规目录的874个事件高出近一个数量级。交叉验证显示，QNO与PhaseNO+GaMMA的F1分数达0.80，与NCEDC目录的召回率达0.96-0.97，表明额外探测具有实际物理意义而非假阳性。典型案例分析揭示，在强噪声背景下QNO能在PhaseNO无法拾取震相的台站识别地震信号，展现了其在微地震监测中的独特优势。
"QNO的计算成本"一节评估了方法的实际部署可行性。虽然模型训练耗时较长，但训练完成后可直接应用于目标区域监测。在Apple M3 Max双线程CPU上的测试表明：20台站全连接图（400条边）的单次15秒样本预测约需1秒、内存2.4 GB；50台站最大配置约需5.5秒、内存5.5 GB。鉴于实际处理中可采用10秒间隔（5秒重叠），该计算效率足以支持近实时监测。通过调整GNO层中基于物理距离的图连接阈值D，可在保持有效台站间通信的同时进一步降低计算成本。
讨论与结论部分，研究人员阐述了QNO与PhaseNO的互补关系。QNO并非简单替代拾取基监测流程，二者联合使用可同时提升检测率与结果可靠性：PhaseNO擅长处理主震后早期余震序列等大地震振幅相对较高、多事件密集发生的场景；QNO则更适用于震相初至不清晰、地震活动率较低的微地震监测。将PhaseNO的震相拾取与QNO的初始定位结果相结合，可进一步优化事件位置估计。针对同一输入窗口内多事件的复杂情形，合成实验表明QNO倾向于定位较早发生的事件，次要事件的定位误差随其时延减小或相对振幅降低而增大。
QNO的15秒输入时长并非固定，可根据历史地震目录的事件间隔分布调整；实际应用中重叠预测窗口有助于减少事件遗漏。需注意的是，较短窗口虽能降低多事件重叠概率，但可能导致长持续事件的重复探测，通过后处理聚类可有效解决。盖瑟斯案例研究中约18%的原始探测属于5秒内的重复探测，经简单合并后仍获8346个独立事件，较常规结果提升近十倍。
综上所述，QNO作为一种多任务算子学习框架，通过融合FNO时间特征提取与GNO空间信息交换能力，实现了从连续波形数据到地震目录的端到端构建。其无需显式震相拾取的特性，突破了传统方法在低信噪比微地震监测中的瓶颈，为揭示未被探测的地震活动、深化对地下过程的理解提供了强有力的技术支撑，在地热能开发、碳封存监测等工业应用中具有重要价值。
