龙锋 祁玉萍 赵敏 芮雪莲

四川省地震局，成都 610041

0 引言

随着地震学的发展和计算机能力的提升，以及对地震学研究结果精细化的需求越来越高，实测地震学的发展趋势将是广泛采用海量台站、小孔径、宽频带、高动态范围及高采样率的设备进行观测。在此基础上产生的海量数据除了对存储造成压力外，地震事件的识别、震相的读取以及地震定位等传统依赖人工判别的步骤也会成为极为耗时耗力的工作，从而使后续的地震学研究受到影响。

近几年发展了众多计算机自动识别及定位的方法。按其方法大体可以分为两类，其中一类是以已知地震为模板，采用互相关等信号增强技术来识别较小的地震事件。这种方法实现较为简单，运行快速，但缺点在于其仅能识别出模板地震的重复/相似事件。由于其操作简便，被大量应用于遗漏地震检测中(Gibbons et al，2006；Peng et al，2006、2009；Shelly et al，2007；谭毅培等，2014；尹欣欣等，2020)。第二类为自主识别法，其通过一定的算法识别不同震相具有的特定形态，从而进行地震的识别与定位(Kao et al，2004、2007；Gharti et al，2010；Liao et al，2012)，但这种方法约束性不强，容易出现虚报与漏报。近年来出现的神经网络方法可通过事前的大样本量学习，提取出地震信号和噪声的特有表征，从而避免了不断增长的模板波形库。在实际运算过程中，地震信号的识别被转化为机器学习中的监督二元分类问题(Perol et al，2018)，这种方法不受模板的制约，是一种相对“普适”的地震自动识别方法。然而大样本量的机器学习依赖高昂的硬件设备，模板匹配仍是目前微小地震识别所采用的主要方法。……