蒋一然，宁杰远,2*，李春来

（1.北京大学地球与空间科学学院，北京 100871；2.河北红山地球物理国家野外科学观测研究站，河北 邢台 054000；3.中国地震局地球物理研究所，北京 100081）

0 引言

近年来，深度学习方法在地震学领域的广泛应用，如地震检测与震相拾取[1-4]、信号的插值与降噪[5-6]、地下结构反演[7]等方面取得了很好的结果。特别是在地震检测与震相拾取方面，基于深度学习的方法已经能够达到甚至超过人工拾取的精度，而且在一致性、效率等方面有显著优势。在图像识别领域发展起来的U-net[8]深度学习网络是目前深度学习震相拾取方法效果最好的网络结构之一[1,3-4]，其收缩路径允许网络提取更多、更复杂的特征，提高分类的准确率，带直连的扩展路径则有助于网络对检测目标进行更精确的定位。同时U-net 网络模型具有良好的泛化能力，使得在一个区域训练得到的震相拾取模型在另一个区域也可以获得较好的效果[4]，极大地降低了该方法的迁移成本。U-net++[9]是在U-net 基础上发展起来的网络结构，包括了多重收缩和扩展路径，使得网络具有更高的连接密度，能够更好地学习不同尺度的特征，以对不同尺度的对象进行检测。本文在刘芳等[4]设计的PP 模型基础上，使用U-net++改进原有网络结构，提出了APP++震相拾取模型，达到了更好的单台地震体波震相检测水平。

尽管使用单台波形检测的准确率已经达到很高水平，但由于局部噪声的影响，会产生很多误识别结果。将高精度的单台检测和台阵策略相结合，则可以有效地降低误识别的比例[4,10]，使得自动拾取算法应用在实际数据中具有实用性。……