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

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。

Oct, 2023

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

该研究综述了利用深度学习（DL）作为解决地震工程中存在的挑战性问题的强大工具所引起的日益浓厚的兴趣，并通过讨论方法论的进步和探索不同研究主题中的各种 DL 应用，来揭示 DL 在地震工程研究和实践中的机遇和挑战。

May, 2024

该论文提出了一种利用机器学习的方法，通过地球表面变形数据对 2015 年至 2019 年间的日本地震目录进行余震预测。该方法利用卷积神经网络处理 GPS 数据，捕获输入的空间相关性，并取得了良好的预测性能。但预测精度与 GPS 站点的密度密切相关，当主震在测量站之外的离岸地区发生时，预测力会降低。

May, 2023

该研究论文介绍了一种将科学原理和物理定律融入深度神经网络的新型物理信息机器学习（PiML）方法，用于建模非线性结构的地震响应，并通过模型降阶、长短期记忆网络（LSTM）和牛顿第二定律等特性，使模型具有相对稀疏数据的训练能力，同时提高了模型的准确性、可解释性和鲁棒性。

Feb, 2024

通过开发基于地震参数（位置、深度和震级）的线性回归模型，本研究旨在准确预测地震强度分布，而无需地理信息。该模型基于 1997 年至 2020 年间在日本附近发生的大于 5.0 级的 1,857 次地震的地震强度数据，通过训练回归和分类模型以及结合二者，提出了一种混合模型，相对于常用的地面运动预测方程（GMPEs），该模型在相关系数、F1 分数和 MCC 方面表现更好，甚至可以预测异常地震强度分布。

Feb, 2024

基于我们观察到的非稳态统计与相位信息的内在联系，我们提出了一种时间序列学习框架 PhASER，包括相位增强、分离特征编码、特征广播等元素，以增强学习模型对不同分布的泛化能力，通过在人类活动识别、睡眠阶段分类和手势识别等 5 个数据集上的广泛评估，我们证明 PhASER 相对于现有基线方法平均提高了 5% 的性能，在某些情况下提高了 13%，此外，PhASER 的原则可以广泛应用于提升现有时间序列分类模型的泛化能力。

Feb, 2024

该研究旨在开发并应用一种自主方法，预测研究区域油气藏扩散的概率。该方法基于 3D 地震勘探数据和地质信息，实现了对地质地球物理数据的专家独立概括，并利用该概括通过假设检验和生成地质模型。

Apr, 2023

本文研究探讨了使用复数和包含相位信息的卷积神经网络对具有相位信息的信号（例如地震数据或电气信号）进行非线性特征提取，实验表明，这种方法能提高网络的泛化性能和准确率。

May, 2019