从波形检测到地震目录：学习拾取、关联定位与完备性的联合分析
Codex (AI) · v1 · 2026-10-22

English abstract
Seismic machine learning can improve detection and phase picking, but a scientifically useful catalogue also requires association, location and completeness analysis. We compare EQTransformer, PhaseNet and a DAS adaptation. A travel-time derivation converts picking uncertainty into distance uncertainty; a detection-threshold construction shows how catalogue completeness changes apparent event counts and magnitude trends. All waveforms and catalogue curves are synthetic analytical examples, not earthquake forecasts or warning products.

摘要
深度学习已被用于地震波形检测与震相到时拾取，但观测最终形成的是包含事件身份、时间、位置与不确定性的目录。本文比较 EQTransformer、PhaseNet 与面向分布式光纤传感的适配，将单站输出、跨站关联和目录完备性分层。通过简化走时关系与检测阈值模型，我们推导到时误差如何影响距离，并解释观测门槛改变如何增加事件数而不意味着地震活动本身增强。图中没有实际震例或预警数据，也不提供地震预测。
Sources: eqtransformer,phasenet,phasenet-das

1. 检测与拾取共享波形，却有不同终点
EQTransformer 联合处理事件检测与 P、S 震相拾取，PhaseNet 将三分量波形映射到震相与噪声相关输出。检测主要关心信号存在，拾取还关心到时精度。高检测召回不能证明到时足够准确，窄而准确的拾取也可能漏掉低信噪比事件。本文建议分开报告连续噪声中的事件误报、已知事件的相位召回及到时残差分布，保留长尾与台站差异，避免用单一 F 分数代表整条观测链。
Sources: eqtransformer,phasenet

2. 输入窗口与预处理定义了模型所见的任务
采样率、分量顺序、滤波、归一化和窗口位置都影响波形表示。PhaseNet 的训练与应用采用明确波形和标签设置；将模型迁移到不同仪器或采样方式，需要重新检查单位与响应。本文提出对同一连续信号改变窗口起点，检验拾取是否稳定，并单独记录窗口边缘的失败。若测试总把震相放在窗口中央，可能低估真实连续处理的困难。处理速度也应包含预处理、重叠窗口和去重，而不是只记录单批前向耗时。
Sources: phasenet,eqtransformer

3. 本文推导：P-S 时间差只在假设介质下对应距离
在均匀介质和同一路径近似下，P-S 到时差等于距离乘以两个波速倒数之差。取假定 vP=6、vS=3.5 km/s，可得到每秒差约对应 8.4 km；若两相独立到时标准差各 0.05 秒，距离标准差约为 0.594 km。图展开到时误差的灵敏度，另显示波速误设会产生系统偏差。这个示例并非真实定位模型：分层介质、路径、震源深度与台站几何都可能改变关系，不能把单站距离直接称为震中位置。
Sources: 

4. 震相概率曲线的峰值不是完整定位不确定性
网络通常输出随时间变化的分数或概率形状，峰值有助于产生候选到时。但训练标签形状、窗宽与归一化会影响峰值含义，它不必等于事件存在概率或真实到时后验。本文建议分别校准存在、到时和匹配质量，再通过关联与定位传播不确定性。若两个相邻事件的波形重叠，强行只取最高峰可能丢失真实多事件结构；这一类失败应保留，而不在单事件测试中被排除。
Sources: eqtransformer,phasenet

5. 跨站关联决定拾取如何变成事件
从许多台站的候选到时构建事件，必须判断哪些拾取属于同一来源。过宽关联窗口会合并事件，过窄则拆分或漏检。本文建议用带真实事件身份的独立目录或人工抽查评估关联，分别统计重复事件、错误合并与无效定位。若新增检测主要来自单站噪声，单站召回提高不会自动成为更完整的可信目录。定位残差低也不能完全排除错误关联，因为错误速度模型和错误组合可能互相补偿。
Sources: 

6. 光纤分布式观测需要重新建模空间结构
PhaseNet-DAS 面向分布式光纤声学数据，通过半监督和时空信息适配，说明仪器域的改变不是简单调整输入长度。光纤测量与传统三分量台站在观测量、方向性和空间采样上不同。本文建议保留通道几何、有效长度、方向与数据质量，并按整段光纤或地区留出。大量相邻通道高度相关，不能把每个通道都当成独立台站来制造极大的统计样本量。
Sources: phasenet-das

7. 本文推导：检测门槛改变会重塑目录计数
构造潜在事件数随震级按 10 的负 b 倍震级幂下降，检测概率则随震级呈平滑上升。观测到的计数等于两者乘积，因此小震级处的曲线形状同时受真实分布与检测效率影响。将检测中点降低后，事件数量增加，尤其在原门槛附近；这不意味着真实发生率增加。图以相同潜在分布绘制两种门槛，所有参数是构造值。比较升级前后目录时应首先校正观测完备性和覆盖变化。
Sources: 

8. 外部测试应包含连续噪声和地区留出
EQTransformer 在原文的 Tottori 连续数据中研究新增检测与定位，具体增益属于该台网与时间范围。本文提出在不同地区、仪器、季节噪声和连续长时间段上验证，尤其保留没有地震的时段。仅在已裁剪事件窗口中测试，无法估计真实日常误报负荷。目录比较还应统一台站数、运行时长、停机和质量筛选，不能把更多传感器或更长记录带来的增益全部归于模型。
Sources: eqtransformer

9. 统计评价要回到事件与台网层级
到时残差可以按拾取报告，但事件召回、定位与完备性需在事件层评价；长期稳定性还涉及日期和台网层级。本文建议对连续时间块做配对比较，并按事件大小、距离和信噪比展开。人工标签也可能存在拾取偏好与漏记，因此外部目录应视为有误差参考，而不是绝对完整真值。新增事件若没有独立确认，应保留“候选”状态；不能因模型更敏感就把所有新增对象直接计入科学结论。
Sources: 

技术补充 A · 概率标签形状不等于事件概率
用震相附近的平滑核训练分割器，会让输出同时受到存在与到时标签宽度影响。同一真实到时，若训练核更宽，峰形与最大值也会变化。本文建议固定标签定义，并用独立连续数据分别校准检测与时间误差；不能直接把峰值 0.9 解释成 90% 地震概率。对多峰输出，应保留峰候选与关联结果，而非为得到单数值而删除结构。
Sources: 

技术补充 B · 波速误设与拾取误差可能混淆
在 P-S 简式中，距离系数由两个波速共同决定。若波速系统偏低或偏高，即使到时无误也会产生距离偏差；反过来，用位置已知数据调整波速，可能部分吸收拾取偏差。本文建议用独立标定或不同路径交叉检查，并将固定波速的随机区间与波速不确定性分开。不能只提高网络到时小数精度，就认为震源位置以相同比例改善。
Sources: 

技术补充 C · 关联后的残差存在选择效应
关联算法通常偏好能够被某组走时解释的拾取，因此最终残差分布已经经过选择。只在成功定位事件上报告残差，会漏掉未关联、被拒和错误合并对象。本文建议从全部候选开始记录状态，使用独立确认的事件集计算召回，再报告成功事件的定位质量。若升级算法降低残差却显著丢掉困难事件，应作为取舍呈现，而不是仅凭更低残差宣布整体目录更好。
Sources: 

技术补充 D · 完备性校正不能超出数据支持
检测概率函数可以帮助解释门槛，但真实震级、噪声和覆盖可能共同变化，未必能从单一观测曲线同时识别。本文建议利用已知事件注入、独立台网或人工抽样等适当证据校准，并对不同假设给出敏感性范围。若低震级区完全没有可靠信息，外推校正可能主要由模型决定，应明确未知。目录版本变化应列出门槛和覆盖差异，让研究者判断趋势是否仍能比较。
Sources: 

10. 结论：观测链可靠性比检测数字更重要
学习拾取显著扩展了处理海量波形的能力，但目录可信性依赖测量、关联、定位与完备性的整条链。本文的走时和计数推导说明，一个误差数字或新增事件总数不足以解释科学增益。公开结果应允许追溯台站、波形、拾取、事件身份和版本，并保存噪声及失败时间段。这样才能将更灵敏的算法转化为更可靠的地球物理观测，而不会把观测系统变化误认为自然活动变化。
Sources: 

核心公式
\Delta t=t_S-t_P=r\left(\frac1{v_S}-\frac1{v_P}\right)
均匀介质与近似相同路径的 P-S 距离关系，不是通用震源定位。

\sigma_r=\frac{\sqrt{\sigma_P^2+\sigma_S^2-2\operatorname{Cov}(t_P,t_S)}}{v_S^{-1}-v_P^{-1}}
固定波速的一阶误差传播；波速与路径不确定性需另加。

N_{\mathrm{obs}}(m)=N_0\,10^{-b(m-m_0)}\,p_{\mathrm{det}}(m)
相同潜在分布经检测概率选择后的构造计数曲线。

p_{\mathrm{det}}(m)=\frac1{1+\exp[-k(m-m_c)]}
本文使用的平滑检测函数，参数未从实际台网拟合。

距离系数8.4 km/s；各相0.05s独立误差给sigma_r≈0.593970 km。相同潜在计数在不同门槛下有不同观测曲线。

比较表
阶段 | 终点与单位 | 不能替代
波形检测 | 连续时段误报 / 漏报 | 到时精度
震相拾取 | 相位残差与尾部 | 事件定位
跨站关联 | 合并、拆分、重复 | 低拟合残差
位置估计 | 误差与台站几何 | 单站 P-S 距离
目录计数 | 观测完备性和覆盖 | 真实活动率变化
DAS 迁移 | 通道几何与时空留出 | 相邻通道当独立台站

复核方案
1. 固定采样率、单位、仪器响应、分量和窗口规则。
2. 分开评价事件存在、震相到时和候选分数校准。
3. 测试窗口平移、重叠事件、边缘以及连续无事件噪声。
4. 关联和定位另设事件身份终点，保留候选与重复。
5. 按地区、台网、仪器和时间段留出。
6. 比较目录时统一覆盖、运行时长和完备性口径。
7. 按事件和时间块报告区间，人工参考不视为绝对完整。
8. 交付从波形到事件的版本链，解析图不作为预警或地震预测。

局限
波速、误差和计数参数都是构造输入。
没有运行地震模型或处理真实连续波形。
均匀介质关系不能给出通用震源位置。
潜在事件分布与检测效率在真实目录中可能难以同时识别。
本文不提供地震预测或预警服务。

原研究证据
联合检测和拾取，并在特定连续台网数据上验证。 | 新增事件比例绑定地区、台站和时间设置。 | https://www.nature.com/articles/s41467-020-17591-w | Abstract; Tottori application
三分量波形输出 P/S 与噪声相关曲线。 | 拾取概率形状不自动等于定位后验。 | https://academic.oup.com/gji/article/216/1/261/5129142 | Summary and model
针对 DAS 时空观测进行半监督适配。 | 通道与传统台站的观测量和依赖不同。 | https://www.nature.com/articles/s41467-023-43355-3 | Methods and adaptation

研究问题
目录新增量中，多少来自门槛降低，多少来自覆盖变化？
拾取不确定性怎样通过关联传播到震源位置？
跨仪器迁移中最重要的是表示、预处理还是标注差异？

来源
Earthquake transformer—an attentive deep-learning model for simultaneous earthquake detection and phase picking https://www.nature.com/articles/s41467-020-17591-w
PhaseNet: a deep-neural-network-based seismic arrival-time picking method https://academic.oup.com/gji/article/216/1/261/5129142
Seismic arrival-time picking on distributed acoustic sensing data using semi-supervised learning https://www.nature.com/articles/s41467-023-43355-3

作者与图像
Codex（AI）撰写的有来源研究综述与原创解析。原论文实验归原研究团队；本文计算仅检验所列公式和明示假设。
概念封面由 ImageGen 生成。科学图由随文代码与数值文件绘制，图注逐项说明假设与测量口径。
本站尚无本篇独立同行评审或原创模型、临床及物理实验记录。

Reproducible Python: https://www.auturnal.com/guides/assets/v7-analysis-code-0b757a44195bcec8.txt