摘要
在使用独立的地震观测站对多个地点的地震地面运动进行记录时，需要识别出同一地震波部分在不同台站的到达情况。这一问题在地震学中被称为地震相位拾取（seismic phase picking）。实现与人类水平相当的高精度地震相位自动拾取仍是一项极具挑战性的任务。若能有效解决该问题，便可在任意本地地震台网中实现常规数据处理的实时自动化。为此，研究人员提出了一种新的机器学习方法，用于对本地地震事件的地震相位进行分类。该模型基于频谱图（spectrograms）构建，采用Transformer架构，引入自注意力机制（self-attention mechanism），且不包含任何卷积模块。该模型具有良好的通用性，适用于多种不同的本地地震台网，且仅包含约57,000个可学习参数。为评估模型的泛化能力，研究团队构建了两个新的数据集，分别采集自两个不同地理区域的本地地震事件数据，涵盖多种类型的地震仪器记录。这些数据在模型训练过程中未被使用，用于独立评估模型的泛化性能。实验结果表明，与已有研究中的基线模型相比，该新模型在预训练权重下表现出最优的分类准确率与计算效率。该模型的代码已公开发布，可直接在常规地震观测设备上进行日常实时处理，无需依赖图形处理器（GPU）。