一种用于地震震相拾取的显式多粒度输入建模方法

《Engineering Applications of Artificial Intelligence》：An explicit multi-granularity input modeling method for seismic phase picking

　　

**摘要**
地震相位拾取是地震监测中的基本步骤，然而现有的基于深度学习的方法在跨区域分布偏移和低信噪比（SNR）条件下常常出现性能下降。一个关键原因在于，这些方法在单一输入表征中隐式地融合多尺度特征，这限制了它们对分布偏移和噪声的鲁棒性。相比之下，多粒度建模在输入表征层面显式地构建多个时间分辨率表征，并建模它们之间的交互。为解决这一问题，我们提出了一种用于地震相位拾取的显式多粒度输入建模方法（MGPP）。所提出的模型在输入表征层面联合建模局部瞬态特征和全局时间结构。具体而言，它将通道自适应块嵌入、多粒度特征提取、跨粒度信息交互和自适应融合整合在一个统一的协同建模框架中。在跨数据集设置下，模型在斯坦福地震数据集（STEAD）上训练并在太平洋西北地区数据集（PNW）上测试，所提出的模型对P波和S波拾取的精确度值分别为0.992和0.986。额外的低信噪比实验表明，我们的模型在所有信噪比区间内均达到最高精确度；特别是在5-10分贝（dB）条件下，与次优模型多尺度特征融合网络（MFFN）相比，P波和S波的精确度分别提高了2.36%和3.16%。这些结果支持了在本研究中评估的跨数据集和复杂噪声条件下具有更好的稳定性和鲁棒性。

**引言**
地震相位拾取旨在确定地震记录中P波和S波的到达时间，是源定位、事件关联和地下结构分析等下游任务的基本步骤（Bruno, 2023）。随着地震监测网络的不断扩大和连续波形数据量的持续增长，自动相位拾取不仅需要保持高准确性，还需要在复杂噪声条件和跨区域分布偏移下保持稳定。因此，提高地震相位拾取方法在现实监测场景中的泛化能力和鲁棒性已成为自动地震波形分析中的关键问题。

近年来，深度学习在地震相位拾取方面取得了显著进展。现有方法大致可分为三类。第一类以PhaseNet（Zhu and Beroza, 2019）、Cospy（Pardo et al., 2019）和MSNet（Feng et al., 2023）为代表，主要依赖基于卷积的结构或其变体来建模相位到达周围的局部波形特征，这些方法在标准拾取任务中通常能达到良好的准确性。第二类以EQTransformer（Mousavi et al., 2020）、SEAnet（Hou et al., 2023）、SeisT（Li et al., 2024）、TranSeis（Zhou et al., 2025b）以及相关的Transformer或状态空间模型（Gu et al., 2021）方法（Peng et al., 2025; Tang and Chen, 2025; Zhou et al., 2025a; Zhu et al., 2024）为代表，引入了注意力机制、时频联合建模、多任务学习和长距离依赖关系建模，以增强全局上下文和复杂时间关系的表征。第三类通过多尺度特征提取、多分支结构和多特征融合来改善局部信息和全局信息之间的协同，包括MFFN（Zhao et al., 2025）、MFU-Net（Wu et al., 2025）、MRANet（Jiang et al., 2025）以及相关的多分支融合方法（Guo et al., 2025; Lv and Peng, 2026; Song et al., 2025; Xu et al., 2025）。然而，尽管这三类方法分别强调局部特征提取、全局上下文建模和多尺度或多分支融合，但它们存在一个共同局限性：它们通过调整内部结构或扩大感受野，在单一输入表征的网络内部增强特征，而不是显式地建模多个时间粒度。作为拟议方法的代表性示例而非唯一目标，本研究的MFFN模型在跨数据集测试和低信噪比条件下显示出明显的性能下降，表明现有方法在泛化能力和噪声鲁棒性方面仍存在局限。

与此同时，多粒度建模在时间序列分析中受到越来越多的关注。现有研究表明，细粒度表征适合捕捉细微的短期波动，而粗粒度表征在刻画长期趋势和全局语义方面更为有效（Park et al., 2025; Xiao et al., 2025）。基于这一见解，多粒度建模已扩展到医学分类（Cheng et al., 2025; Wang et al., 2024; Ye et al., 2026; Zeng et al., 2026）、语音信号预测（Chen et al., 2026; Wu et al., 2026; Zhao et al., 2026）和故障诊断（Deng et al., 2023; Dunkin et al., 2026; Jiang et al., 2026）领域，其中跨粒度交互和融合改善了局部动态和长距离依赖的表征。此外，近期关于复杂工程时间序列建模的研究越来越强调自适应建模和先验信息融合。PEDNN（Cao et al., 2025）将物理信息融入深度神经网络，以高效预测PTTMDI用于超高层建筑涡激振动控制的最优调谐参数。BO-TD3引导的TFI增强SWSRM框架（Huang et al., 2026）使用深度强化学习自适应选择数据驱动非平稳风场模拟中的时频插值节点。这些研究表明，对于具有非平稳性、复杂扰动和多时间特征的物理信号，纯粹从单一建模视角出发的数据驱动表征可能不足够。对于地震波形而言，相位到达不仅取决于局部突变，还取决于更长时长范围内的背景扰动和全局时间结构（Lan et al., 2026）。因此，仅依赖内部多尺度特征提取可能不足以充分表征复杂地震信号，而在输入表征层面进行显式多粒度建模为提高挑战性场景下的拾取性能提供了一个有前景的替代方案。

受此观察启发，我们提出了MGPP，一种用于地震相位拾取的显式多粒度输入建模方法。通过在输入表征层面将波形划分为多个时间粒度并建模它们之间的交互，MGPP联合捕捉细粒度局部瞬态和粗粒度全局时间结构。这种设计旨在提高跨数据集分布偏移的鲁棒性和低信噪比条件下的相位拾取性能。

需要指出的是，MGPP的创新性不在于声称Mamba模块、门控交互或自适应融合是完全新的组件。相反，主要贡献在于将这些机制组织成用于地震相位拾取的显式多粒度输入建模框架。现有多尺度相位拾取方法通常在网络内部通过不同的卷积核、扩大感受野或分层特征融合来构建多尺度特征。相比之下，MGPP在输入表征层面显式地将原始波形划分为多个时间粒度，并进一步进行跨粒度交互和自适应融合。与现有的基于Mamba的相位拾取模型相比，MGPP不仅限于将Mamba应用于单一波形表征，而是利用序列建模在细、中、粗粒度表征之间交换信息。这种设计使MGPP能够联合捕捉局部瞬态相位到达线索和更长范围的结构，这有利于低信噪比和跨数据集的相位拾取。

本研究的主要贡献如下：
● 我们提出了MGPP，一种用于地震相位拾取的显式多粒度输入建模方法，在输入表征层面联合建模局部瞬态特征和全局时间结构，以提高复杂场景下的时间序列表征。
● 我们设计了一个多粒度协同建模框架，包含通道自适应块嵌入、跨粒度Mamba交互和自适应融合，以增强不同时间粒度表征之间的信息传输和协调。
● 我们在域内、跨数据集、低信噪比和复杂扰动设置下验证了所提出的方法，结果支持了在所评估条件下具有更好的跨数据集鲁棒性和噪声鲁棒性。

**章节摘要**
地震相位拾取方法
地震相位拾取旨在从地震波形中确定P波和S波的到达时间。现有深度学习方法主要从三个角度改进时间表征：局部特征提取、全局上下文建模和多尺度或多分支融合。

基于局部特征的方法主要关注相位到达周围的波形细节，并依赖卷积神经网络或其变体来建模短期突变、边缘信息等特征。

**方法**
本节描述了所提出的MGPP方法的设计原理和实现细节。MGPP的核心思想是在输入表征层面进行显式多粒度建模，然后利用表征统一、跨粒度交互和自适应融合来协同使用不同粒度的时间信息。3.1节介绍了MGPP的整体框架。3.2节介绍了多粒度划分和...

**实验**
为了全面评估所提出的MGPP模型，我们通过一系列实验将其与当前的地震相位拾取方法进行比较。这些实验考察了基线拾取能力、跨数据集泛化能力、低信噪比鲁棒性、复杂扰动鲁棒性和消融行为，从而评估模型在复杂地震信号环境中的有效性和稳定性。

**讨论**
结果表明，MGPP非常适合地震相位拾取：通过跨粒度交互和自适应融合联合建模和融合细、中、粗粒度时间表征，它利用了跨时间分辨率的互补信息，并在复杂噪声和跨区域分布偏移下保持相对稳定的预测。粒度组合敏感性分析进一步支持了显式多粒度的优势...

**结论**
为解决现有基于深度学习的地震相位拾取方法在跨数据集和低信噪比条件下的性能下降问题，本文提出了一种基于多粒度时间划分的MGPP地震相位拾取方法。该方法以显式多粒度输入建模为中心。通过将原始波形划分为不同长度的时间段，MGPP在输入序列构建层面显式地建模地震波形，并结合...

**CRediT作者贡献声明**
Xiaomin Zhao: 写作 – 审阅与编辑，写作 – 原始草案，软件，资源，方法论。Jingyu Xu: 资金获取，数据整理。Lanya Yu: 写作 – 审阅与编辑，可视化。Yadongyang Zhu: 写作 – 审阅与编辑，写作 – 原始草案，资源，方法论，资金获取。

**利益冲突声明**
作者声明他们没有已知的竞争财务利益或个人关系可能影响本研究中报告的工作。

**致谢**
作者感谢匿名审稿人的帮助。本工作得到了国家自然科学基金（批准号42104175）、北京信息科技大学志源科学基金（编号2025211）和北京信息科技大学研究生AI4E研究创新项目（2026-13）的支持。

Xiaomin Zhao | Jingyu Xu | Lanya Yu | Yadongyang Zhu