韩振华，郭浩雨，李 宇，张 玲，冯秀芳

(太原理工大学 信息化管理与建设中心，太原 030024)

震相到时拾取是地震学研究的重要课题之一。随着数字地震台网的大量建设，海量测震数据的产生，自动化快速精确识别震相对于地震学的研究有着重要的意义[1]。传统的自动拾取算法如STA/LTA(长短时窗比)[2]利用短时窗平均值与长时窗平均值比值的变化来反映能量的变化情况，存在依赖阈值选取的问题；模板匹配算法[3]是根据波形相似性进行判断，存在依赖模板、泛化性不好等问题。随着深度学习的快速发展，卷积神经网络以及循环神经网络在震相拾取方面也得到了应用：PEROL et al[4]应用8层的卷积神经网络对美国70万条连续地震波形数据进行了识别与定位，取得了较好的结果；赵明等[5]利用卷积神经网络对地震事件-噪声问题进行分类，该方法可识别大量人工标记遗漏的微震事件；蔡振宇等[6]提出基于小波时频谱的卷积神经网络模型对P波到时进行拾取，输入地震波形数据后可直接输出P波到时，具有运算速度快的特点；于子叶等[7]提出一种基于Inception网络结构的震相拾取算法，该方法通过神经网络的自适应提取波形特征对P波和S波到时进行拾取，使噪声数据有良好的稳定性；ZACHARY et al[8]提出一种基于门控循环神经网络的震相连接模型，该方法可将P波和S波在起始时间至12 s内发生的地震事件相关联；CHIN et al[9]提出了一种基于循环神经网络的实地震波检测算法，该算法可识别出实时发生的地震事件，同时可拾取P波和S波的到时。……