林彬华，金星,3*，康兰池，韦永祥，李军，张燕明，陈惠芳，周施文

1 福建省地震局，福州 350003 2 福州大学，福州 350108 3 中国地震局厦门海洋地震研究所，厦门 361021

0 引言

总结上述方法，主要思路都是从地震初期少量地震波形记录中提取与地震震级相关的频率、振幅信息，并从历史地震数据中通过统计方法获得相关统计公式用于地震震级测定中.但是，地震震级测定是一个十分复杂的过程，需要综合考虑震源过程、传播介质、场地条件、仪器响应等多个方面因素的影响，单一的幅值或周期参数在一定程度上能够较好映射出地震的规模，但较难反映出地震的全部特征，从而导致地震震级测定的精度不足.

近年来，随着地震数据资料不断积累，以及深度学习算法的出现，使得人工智能技术在地震学领域中的应用进入新的阶段.Perol等(2018)应用CNN网络实现地震检测和定位，可检测出比常规地震目录多17倍的地震，且检测效率也比模板匹配快了好几个数量级.Zhu和Beroza(2019)利用U-net神经网络将震相拾取问题看成分割问题，提高了P波和S波的拾取精度.赵明等(2019b)应用卷积神经网络对汶川地震余震波形进行自动分类与识别，其训练和检测准确率均达到95%以上.Lomax等(2019)设计了单台50 s波形输入的ConvNetQuake_INGV网络来检测地方震和远震，根据震中距、方位角、震源深度和震级等特征获得地震的概率估计，模型展示了即使地震事件在空间位置和震级上的广度，也能获得较高的识别效果(准确率达87%).Mousavi和Beroza(2020)设计了单台……