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
该研究提出了一种基于可解释的人工智能方法的自监督抑噪技术，利用导数矩阵中的像素平均值来识别最有效的抑噪掩码，从而实现无需标记或预先知识的全面自动抑噪过程。
Jul, 2023
使用压缩学习框架和深度卷积神经网络（DCNN）联合优化维度缩减算子和实现三维反演编码-解码器的方法，以极少量的地震源进行预堆叠数据的三维地震反演，通过学习稀疏二进制感知层来实现维度缩减，并保持与使用整个数据集获得的三维重建质量相当的回归任务效果。
Oct, 2023
提出一种使用卷积神经网络和注意力层结合的高效且具有成本效益的架构，用于检测地震结构异质性，通过利用合成数据进行迁移学习以训练和微调模型，解决有限标注数据可用性的挑战。
Apr, 2024
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
本研究针对现有全波形反演（FWI）中数据集的不足，提出了一种新颖的反演-深度操作网络（Inversion-DeepONet）。该方法利用多种频率与位置的数据集，提升了模型对地质结构的精确描述与建模能力。实验结果表明，所提出的网络在准确性和泛化能力上优于现有数据驱动的FWI方法。
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。
本研究解决了传统方法在地震数据中分离地面波和反射波的复杂性问题。通过采用卷积神经网络（CNN）自动提取地面波和反射波特征的方法，显著提高了分离的有效性。实验结果表明，该方法具有良好的泛化能力，对合成和真实数据均有效。
Sep, 2024
本文解决了海洋地震数据处理的高计算需求和繁琐步骤的问题，提出使用深度卷积神经网络（CNN）来去除地震干扰噪声和解混叠的创新方法。研究的主要发现是，通过转向公共通道域，显著提高了去混叠的效率和结果质量，尤其在信噪比低的情况下表现良好。
本研究针对大规模地震数据处理中的去融合问题，提出了一种基于深度学习的新方法，结合了高质量训练数据生成策略和数据条件化技术，以提升数据驱动模型的性能。研究发现，该方法在去除深部混叠声方面显著减少了主要源事件的泄漏，并在效率上优于传统算法。