X-DeepONet通过使用神经算子学习地震源关联的行程时间场，结合地震到达时间和速度模型信息进行地震定位，具有快速、准确、泛化能力强等特点，可在地震监测和减灾过程中发挥重要作用。

Jun, 2023

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

通过对多模态数据进行对比学习，开发了SeisCLIP基础模型，以解决在地震学中特定任务的深度学习模型所遇到的标注数据不足和区域通用性有限的问题。该模型在事件分类、定位和震源机制分析等任务中的表现优于基准方法，适用于不同地区的不同数据集，具有更大的潜力成为地震学领域的基础模型，为基于基础模型的地震学研究开辟了创新方向。

Sep, 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

本研究提出了一种基于深度学习的地震速度反演方法，针对不同规模的嘈杂和噪声较小的训练数据集进行了研究。我们的 Seismic Velocity Inversion Network (SVInvNet) 引入了一种新的架构，其中包含了一个增强型的多连接编码器-解码器结构，该设计经过专门调整以有效处理复杂信息，从而解决非线性地震速度反演的挑战。通过训练和测试，我们创建了多层次、错误和盐穹模型等多种地震速度模型。我们还研究了不同种类的环境噪声以及训练数据集的大小对学习结果的影响。SVInvNet 在包含 750 到 6,000 个样本的数据集上进行了训练，并使用一个包含 12,000 个样本的大型基准数据集进行了测试。尽管参数较基准模型更少，但 SVInvNet 在该数据集上取得了优异的性能。我们还将 SVInvNet 的结果与全波形反演（FWI）方法进行了比较分析，清楚地展示了提出模型的有效性。

Dec, 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

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

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

本研究针对地震即时预报领域的不足，分析了多种深度学习架构，并提出了两种创新方法MultiFoundationQuake和GNNCoder。研究表明，所提出的MultiFoundationQuake模型在捕捉地震数据的时空关系方面表现优异，显著超过了其他定制架构，具有更高的预测准确性和实用价值。

Aug, 2024

本研究解决了在强震站缺乏平均剪切波速(Vs30)测量的问题，这可能导致地震灾害评估不准确。通过使用卷积神经网络(CNN)分析来自700多个站点的加速度计数据，提出了一种深度学习预测Vs30的新方法。研究结果表明，该方法的预测性能优于传统的基于手工特征的机器学习模型，具有重要的实际应用潜力。

Aug, 2024