Oct, 2023

地震图变换器：多种地震监测任务的通用深度学习骨干网络

PDF
TL;DR该研究介绍了一种名为 Seismogram Transformer（SeisT）的新型骨干神经网络模型，用于各种地震监测任务，包括地震检测、相位拾取、正负首动分类、震级估计和方位估计。通过对输入地震图的多层级特征表示的理解，该模型能够从低级到高级复杂特征有效地提取频率、相位和时频关系等特征，展示了 SeisT 在推进地震信号处理和地震研究方面的能力和潜力。
发现论文，激发创造
  • 优化基于 Transformer 的网络用于深度学习地震处理工作流程

    通过使用相对位置编码和低秩注意力矩阵，对 StorSeismic 模型的原有实现中的位置编码和自注意机制进行改进，取得了更快的预训练速度、竞争力强的微调结果以及更少的训练参数。

    Aug, 2023

  • Xi-Net: 基于 Transformer 的地震波形重构器

    通过使用变压器（Transformer）为基础的深度学习模型，我们提出了一种名为 Xi-Net 的模型，它利用多方位的时间和频域输入来准确重建地震波形。我们通过填充随机间隙来证明该模型在 120s 波形中表现出色，与原始波形非常接近。

    Jun, 2024

  • 使用检测变换器进行联合微震事件检测和定位

    提出了一种将事件检测和源位置统一到单一框架的方法，通过适应具有基于卷积神经网络骨干结构和编码器 - 解码器变压器的集合匈牙利损失，直接应用于记录的波形，实现了实时微地震监测的潜力。

    Jul, 2023

  • 探索单台地面运动记录的深度学习挑战

    通过评估辅助信息对从地动记录中进行深度学习的过程的影响，本研究旨在评估深度学习模型在地动记录的深度学习中的有效性，并揭示了研究领域存在的一个缺口，即缺乏独立于任何辅助信息的单站地动记录的深度学习的稳健方法。

    Mar, 2024

  • 多任务多站地震监测：一体化地震相位拾取、定位和关联网络 (PLAN)

    我们提出了一种基于图神经网络的方法，可直接对多站地震数据进行处理，实现同时相位拾取、关联和定位，这在地震监测领域具有潜在的下一代自主地震监测能力。

    Jun, 2023

  • FaultSeg Swin-UNETR：基于 Transformer 的自监督预训练模型用于故障识别

    通过自监督预训练方法来增强地震断层识别，在地球物理学和地质学领域具有重要意义。我们引入了自监督学习的概念，利用大量相对容易获得的无标签地震数据进行预训练，并在微调阶段对核心网络进行了改进，以实现更有效的断层检测。实验结果表明，我们提出的方法在 Thebe 数据集上达到了最先进性能。

    Oct, 2023

  • 面向实时地震预警的泛化神经网络

    利用深度学习直接挖掘地震波形来增强地震监测能力，本研究使用数据重组方法训练具有普适性的神经网络，以便应用于不同地区的地震监测，实现实时的地震早期预警。通过应用于日本和美国加利福尼亚的地震序列，我们的模型可在触发的第一个台站后的 4 秒内可靠地报告地震位置和震级，平均误差分别为 2.6-6.3 公里和 0.05-0.17。这些普适的神经网络有助于全球实时地震早期预警的应用，消除了传统方法中通常需要复杂经验配置的要求。

    Dec, 2023

  • 利用地震心电图进行可靠心脏活动监测的端到端深度学习

    该研究提出了一种基于 SeismoNet 的深度卷积神经网络解决方案，旨在从地震心电图信号中稳健地观察心脏活动，并通过直接检测 R 峰而不需要提取手工特征，实现心脏监测以及 Atrial Fibrillation 的预防。

    Oct, 2020

  • 卷积神经网络用于地震检测

    使用卷积神经网络 (ConvNetQuake) 检测和定位地震事件，以解决小型和中等级地震活动中的低幅度震动噪声的问题。

    Apr, 2023

  • WaveCastNet: 一种基于人工智能的地震前警波场预测框架

    我们提出了一种基于人工智能的框架 WaveCastNet，用于预测大地震引起的地面运动，该框架可以通过整合卷积长表示记忆模型 (ConvLEM) 和序列到序列 (seq2seq) 预测框架来模拟空间和时间上的长期依赖关系和多尺度模式，以提高预警能力并快速预测破坏性地面运动的强度和时机。

    May, 2024