基于深度學習到時拾取自動構建長寧地震前震目錄

趙明， 唐淋， 陳石， 蘇金蓉， 張淼

1 中國地震局地球物理研究所， 北京 100081 2 北京白家疃國家地球科學野外觀測研究站， 北京 100095 3 四川省地震局， 成都 610041 4 加拿大戴爾豪斯大學地球和環境科學系， 新斯科舍省 哈利法克斯 B3H 4R2

0 引言

微震的識別和定位一直以來是地震研究的熱點和難點.其中，有效地識別前震活動和建立完備的前震目錄，對于理解前震和震群活動歷程，地震觸發和地震成核機制等十分關鍵(Ross et al., 2019a).近年來，隨著觀測技術和儀器精度的提高，密集臺陣的大規模布設，地震監測能力也有了很大提升，但與此同時需要處理的地震數據量不斷增長，對高精度、可實用的自動化數據處理方法和手段的需求越來越迫切.

地震數據處理一般包含挑取震相到時、多臺震相關聯、事件定位、測定震級等幾個環節，最終以地震目錄的形式發布.挑取震相、震相關聯等是后續地震定位和測定震級的基礎和前提，目前很大程度上仍依賴于人工處理.人工處理的主要挑戰在小震震相的識別和到時挑取上，小震事件一是數量多，根據Gutenberg-Richter經驗法則(Gutenberg and Richter, 1944)，地震每下降一個震級，數量會增加約10倍；二是信噪比相對較弱，很容易被誤檢和漏檢.多年以來人們發展了很多算法進行小震的自動識別與檢測.其中，基于波形相似性的模板匹配算法在小震的檢測識別上十分有效(Peng and Zhao, 2009; Shelly et al., 2007; Yang et al., 2009; Zhang and Wen, 2015)，但其計算量較大，不能滿足實際應用中高效快速處理大量連續波形數據的需求.

近年來，深度學習和人工智能技術的快速發展，在地震學領域也得到一系列成功應用，主要體現在小震自動識別(趙明等, 2019a; Perol et al., 2018; Yang et al., 2020)、震相挑取(趙明等, 2019b; Ross et al., 2018; Wang et al., 2019; 劉芳等, 2020)、震相關聯(Ross et al., 2019b)、定位(Zhang et al., 2020)等幾個方面，都有比較明顯的進展.這些研究的共同點在于，將深度神經網絡用于復雜地震波形抽象特征的自動提取，在使用大量標簽數據進行監督學習之后，訓練好的模型通常在一些與訓練數據相似的測試數據集或研究區域具有可媲美甚至超過傳統方法的效果.不過，深度神經網絡方法實用化的關鍵在于模型能否達到比較高的泛化能力，即是否能在訓練樣本以外的數據上也取得不錯的效果.得益于海量高質量訓練數據樣本的收集與整理，一部分深度學習算法模型取得了較高的泛化能力.例如使用北加州地震臺網889個臺站近30年的事件波形數據(超過700000個帶P、S震相標簽的樣本)訓練得到的U型卷積神經網絡P、S震相挑取算法(簡稱PhaseNet)，適用于100 km震中距范圍內的近震事件震相挑取(Zhu and Beroza, 2019).目前PhaseNet與傳統地震定位流程結合已經被用于直接處理多個地區的連續地震波形，表現出出色的泛化能力，比如：2019年加州Ridgecrest地震序列(Liu et al., 2020)，2010年Guy-Greenbrier地震序列的誘發地震(Park et al., 2020)，以及短周期密集臺陣記錄的誘發地震(Wang et al., 2020a).

本研究借鑒了Liu等(2020)處理2019年加州Ridgecrest地震序列的方法和思路，將深度神經網絡震相自動挑取技術、最新發展的震相自動關聯技術與發展相對成熟的傳統地震定位方法結合起來，構建了一套直接從處理連續地震波形出發到產出地震目錄的自動化流程.其具體步驟包括：(1)通過遷移學習將具備較高泛化能力的深度學習模型應用至目標研究區域的P、S震相自動挑取；(2)應用震相關聯技術自動關聯P、S震相并進行初步定位；(3)依次利用傳統絕對定位法和相對定位法在初步定位基礎上進一步優化定位結果，得到事件的發震時刻、經緯度和深度; (4)自動仿真并量取關聯好的S波形振幅并計算ML地方震級.

基于上述自動化數據處理流程，我們以2019年6月17日四川宜賓市長寧縣發生的MS6.0地震震前小震活動為研究對象，構建對應的自動識別地震目錄.根據中國地震臺網發布的公開地震目錄，長寧地震震前半個月只有小于3級的小震發生，所有小震均集中沿長寧背斜構造線發生(長約25 km，寬約5 km)，并且在長寧地震震中50 km范圍內有相對密集的臺站覆蓋(易桂喜等,2019; Lei et al.,2020)，這些條件對于驗證和應用我們的自動化數據處理與地震目錄構建流程是非常理想的.我們將得到的自動識別目錄與公開目錄進行了對比，驗證了自動識別目錄的精度和可靠性，以及在小震識別方面的突出優勢.研究成果可以為長寧地震震前微震活動的快速特征分析提供參考.

1 臺站和數據

本研究所使用的連續波形數據來自2019年6月1日00時00分—6月17日22時55分期間，長寧MS6.0地震震中75 km范圍內21個臺站記錄的原始數據(圖1)，其數據主要有50 Hz(10臺短周期儀器)和100 Hz(11臺寬頻帶儀器)兩種，總計約28 GB.臺站對震區形成了較好的方位覆蓋，超過一半的臺(12個)位于離震中30 km范圍內，保證了定位結果的可靠性.按照深度學習模型對輸入數據的要求，我們對數據進行了以下統一預處理：(1)去均值和去線性化；(2)統一采樣至100 Hz；(3)使用1 Hz的高通濾波器進行濾波(提高信噪比).

本研究還收集了2019年四川臺網5—8月間的人工拾取震相報告，包括與16595個地震事件關聯的120233對P、S震相.我們根據震相報告和對應的事件波形制作了用于遷移學習的訓練集和驗證集，其中以我們所研究的長寧鹽礦區19個臺站(27.5°N—29.4°N，104°E—106°E)在2019年6月1日—30日期間記錄的32535條波形為驗證集，其余103638條波形為訓練集.

此外，長寧MS6.0地震震前(2019年6月1日—6月17日22時55分)在研究區域內人工檢測到了101個事件(ML0～2.9)，震相報告中與之關聯的P震相有474個，S震相有553個，這部分數據在下文用于不同結果的對比.以上所有數據均由四川省地震局提供.

2 方法

本文自動構建地震目錄的流程分為四步，最終得到的是地震事件的發震時刻，經緯度及深度位置，震級，以及與事件相關聯的P、S震相到時信息.具體流程細節如下.

2.1 基于深度學習模型的震相自動識別

首先在PhaseNet算法以及利用北加州數據訓練的模型(以下簡稱北加州模型)基礎上，加上第1節所述的訓練集和驗證集進行遷移學習訓練，得到更適用于四川地區數據的檢測模型.由于新加入的數據相比北加州模型所用的訓練數據是比較少的，所以我們在訓練過程中采用了一些數據增強的技巧，包括隨機平移，加噪、事件疊加、噪聲疊加、重采樣等(Zhu et al., 2020).為了證明PhaseNet算法在長寧區域的適用性，我們分別使用遷移學習訓練之后的模型、北加州模型、RNN模型(Zhou et al., 2019)、STA/LTA方法對同一測試集進行到時拾取，并給出了每種算法預測值與其標簽值的誤差直方圖，如圖2所示，我們定義與標簽的絕對值誤差在0.5 s以內的拾取震例為真正例(TP)，由此可以計算出精度(Pr)、召回率(Re)、F1綜合評估值等深度學習算法評價指標，用于衡量算法的震相檢測能力，此外誤差直方圖的均值(μ)、方差(σ)、絕對平均誤差(MAE)則能夠在統計意義上反映算法到時拾取的準確性.對比結果表明，遷移學習模型和北加州模型在所有六項指標上都顯著優于RNN模型和STA/LTA算法，而遷移學習訓練的模型則在北加州模型基礎上有所提升，尤其在S震相的拾取上，同時修正了北加州模型直接用于四川地區數據所帶來的系統誤差(圖2a，c中誤差分布明顯偏向正值區域，這說明網絡更傾向于給出稍滯后于人工標注的到時預測，而遷移學習之后模型的誤差分布更為均勻，沒有這一傾向性).

圖1 (a) 研究區域及臺站分布.方框為研究區域，也是長寧地震及其余震序列發生地點；白色圓圈表示所用臺站的震中距最大范圍，即以方框中心為圓心半徑 75 km范圍內；藍線為人工勘察斷層(雷興林等(Lei et al., 2019))，綠線為構造線； (b) 圖(a)方框的放大圖，圓點為我們的HYPODD重定位目錄，其顏色深淺代表事件的發生時間(從2019年6月1日至17日)，紅色同心圓為鹽礦注水井，圖中兩個紅色虛線方框為地震集中區域，標記為1號和2號區域以 便于正文中討論.Fig.1 (a) Study area and station distribution. Black rectangle represents the zoomed-in area in (b), as well as the seismicity zone of the Changning earthquake sequence; White circle with radius 75 km denotes the largest station distance; Blue lines and green lines are the surveyed faults (Lei et al., 2019) and mapped tectonic lines, respectively; (b) Zoomed-in region in (a). Dots denote earthquake locations in our HYPODD catalog, which are colored by their origin time (from June 1 to 17, 2019). Red concentric circle indicates the water injection well for salt mining. Red rectangles represent two regions with large number of earthquakes, which will be discussed in the main text as regions #1 and #2.

圖2 不同算法(從上到下依次為：遷移學習PhaseNet模型，北加州PhaseNet模型，RNN模型， STA/LTA)的自動震相拾取誤差分布圖，左邊四圖為P波，右邊四圖為S波Fig.2 Performances of different picking algorithms (from up to down: Transfer learning PhaseNet model, PhaseNet model- Northern California, RNN model, STA/LTA): the left four figures are for P picks and the right four are for S picks

圖4 (a) P波走時-震中距關系圖，其中紅點表示REAL關聯震相，藍點表示人工關聯震相； (b) S波走時-震中距關系圖；(1)(2)為(a)(b)中虛線圈標注的“離群點”所對應的波形，其中藍色代表P到時，紅色代表S到時，實線為機器 拾取，虛線為人工拾取Fig.4 (a) Travel time to Hypocenter distance curves for the associated P phases. Red and blue dots indicate associated P phase picks in our REAL catalog and the routine catalog, respectively; (b) Same as (a), except for the S picks; (1)(2) are the waveform examples corresponding to “outliers” marked in (a)(b), where blue represents P arrival, red represents S arrival, the solid line is machine learning picks, and the dashed line is manual picks

圖5 (a)人工地震目錄，(b) REAL初步定位目錄，(c) VELEST目錄和(d)HYPODD目錄 圓點顏色代表震源深度，大小代表震級，其中(a)圖中虛線圓圈內是3.2節討論的定位有誤的ML2.0人工目錄事件， 紅色五角星代表長寧MS6.0地震，紫線為人工勘察斷層，綠線為構造線，紅色同心圓代表鹽礦注水井.Fig.5 (a) Routine catalog, (b) REAL catalog, (c) VELEST catalog, and (d) HYPODD catalog Dots represent earthquakes in different catalogs, which are colored by their depth and scaled by their magnitude. The dot within the dotted circle in (a) is the ML2.0 event that discussed in Section 3.2, which was located wrongly in routine catalog. Red pentagram represents the MS6.0 Changning mainshock; Purple and green lines denote the surveyed faults and mapped tectonic lines, respectively. Red concentric circle represents the water injection well for salt mining.

圖6 人工目錄與VELEST目錄的震源參數對比圖 (a) VELEST目錄震級(紅色)與人工計算的震級(藍色)對比； (b) 兩種目錄共同事件的震級差； (c) 兩種目錄共同事件的發震時刻差； (d) 兩種目錄共同事件的水平位置差.Fig.6 The comparison of source parameters between routine catalog and the VELEST catalog (a) The number distribution of different magnitudes in the routine catalog (blue) and the VELEST catalog (red); (b) The magnitude difference of the common events in the two catalogs; (c) The origin time difference of the common events in the two catalogs; (d) The horizontal location difference of the common events in the two catalogs.

圖7 VELEST和人工目錄中差異較大的共同事件的波形圖 其中(a)和(b)是兩個目錄中的一組共同事件，(c)和(d)是另外一組共同事件.(a)和(c)為人工目錄中位置和關聯震相， (b)和(d)為VELEST目錄中的位置和關聯震相.Fig.7 Waveforms of common events with large differences between the VELEST and routine catalog (a) and (b) are one group of common events, while (c) and (d) are another. (a) and (c) correspond to the locations and associated phases in routine catalog; (b) and (d) correspond to the locations and associated phases in VELEST catalog.

我們將驗證集上表現最優的模型(即遷移學習后的PhaseNet)用于連續地震波形的P、S震相自動拾取：首先將預處理之后的連續波形每間隔15 s依次切割成30 s長(3000采樣點)的三分量地震波形片段，然后將這些部分重疊的波形片段輸入PhaseNet模型進行預測，預測曲線如圖3a所示，其中紅藍色高斯概率分布的峰值分別對應于P、S到時.在配備有一塊NVIDIA GTX 1080ti GPU加速卡的DELL Precision-7920-Tower工作站上，對 21個臺站的連續波形數據進行了掃描，一共自動挑取了131976個P到時，124357個S候選到時，單臺一天的連續波形掃描約需37 s，總共耗時約3.6 h.

2.2 自動關聯與初步定位

多臺震相關聯是定位的基礎，同時也能很大程度上排除一部分誤識別震相，以及不屬于研究范圍內的震相.這一步采用了Zhang等(2019)開發的REAL算法.REAL算法是一種三維網格搜索算法，可以將按時間順序排列的多臺P、S到時與特定事件相關聯，同時通過震相到時計數和與理論到時的走時殘差計算來定位(圖3b).其搜索范圍為以P波最早記錄的臺站為中心，水平向27.75 km，深度方向15 km，網格大小為2.2 km×2.2 km×2 km.只有關聯到的P、S到時個數達到一定閾值才被認為是一個事件，同時到時計數最多的網格所在位置作為該事件的初步定位結果；如果有多個網格擁有著共同最大數目關聯震相，則其中走時殘差最小的網格為最優位置.本研究選取了P到時不少于3個，P+S不少于6個作為事件觸發閾值.在定位模型方面，我們用到了易桂喜等(2019)文章中表1的長寧地區一維速度模型.這一步在研究區域范圍內初步檢測并定位了1067個事件，以及與事件相關聯的4358個P震相，5022個S震相.

2.3 絕對定位與相對定位

在REAL關聯與初步定位基礎上，我們先后采用VELEST(Kissling et al.,1994)和HYPODD(Waldhauser and Ellsworth, 2000)進一步優化定位結果.VELEST是一種基于最小二乘的高效絕對定位算法.HYPODD 通過引入地震對走時殘差的差能夠得到高精度的震源位置參數.二者都是地震事件定位常用的算法.在VELEST絕對定位后，我們使用空隙角≤220°對定位結果進行篩選，并排除結果中走時殘差≥0.3 s的事件，得到870個絕對定位事件.這一嚴格設置雖然會減少有效地震的數目，但是能保證我們自動檢測的可靠性和定位的精度.然后進一步使用HYPODD進行高精度相對定位.在這一步，我們使用了嚴格的參數篩選，即：事件-臺站對距離不超過50 km，而且定位震相不低于8對.總共產生416個相對定位事件.

2.4 計算ML震級

通常測定地方性震級時要將寬頻帶數字地震記錄仿真成短周期位移記錄，并利用S波最大振幅計算，其計算公式為ML=logAμ+R(Δ)，其中Aμ為水平分量的最大振幅，R為量規函數，可查表獲得(見唐淋等(2018)).我們使用四川省地震局提供的實時仿真程序對數據進行了Wood-Anderson型儀器實時仿真，并自動量取S波在N、E分量上的最大振幅并取平均，代入公式中即可自動計算得到震級.

3 結果分析

3.1 拾取到時可靠性

在震相關聯方面，如圖4所示，與事件成功關聯的P、S震相數目均是人工的9倍以上.人工和自動關聯到時主要集中在震中距<60 km范圍，二者的走時-震中距曲線均沿一條直線分布，并且能夠很好的匹配.我們注意到<10 km范圍人工拾取到時偏離直線的“離群點”更多一些，這種情形基本都是由于人工拾取的S震相不夠準確所致，如圖4(a,b)中圈出的兩對“離群點”所對應的波形(1)(2)，可以看到機器和人工在P震相的拾取上基本一致，但S震相拾取差異較大.當S-P到時差不到2 s時，即使很小的到時拾取誤差也會造成較大的定位誤差，從而表現為走時-震中距曲線上的“離群點”，而深度學習對這些<10 km的事件自動挑取的到時更為準確.

3.2 目錄對比

圖5展示了101個人工定位，1067個REAL初步定位，870個VELEST絕對定位以及416個HYPODD相對定位結果.VELEST目錄更注重完整性，包含了所有三臺及三臺以上的定位事件，而HYPODD定位結果則利用嚴格的參數篩選保留了高精度相對定位事件.

首先我們與人工目錄對比了發震時刻、水平位置、震級方面的差異，分別計算了三者的均值和標準差.其中，由于人工目錄的深度并不準確，所以我們只比較了水平定位誤差.計算結果表明，總共101個人工目錄事件，可以在VELEST目錄找到85個事件與之匹配，這85個事件與人工目錄的平均發震時刻誤差為0.36±0.07 s，震級差為0.15±0.024級，位置差為1.45±0.028 km.對16個未能與人工目錄匹配的事件，經過檢查發現，10個是因為走時殘差過大(0.3～0.5 s)而被VELEST目錄排除，4個是因為定位位置落在圖5所示研究區域的邊界外而被排除，1個因為臺站間隙角過大(260°)被排除，1個因為發震時刻與另外一個大震級事件過近(2 s)被排除.

相匹配事件的震級差主要分布在[-0.4級,0.2級]區間(圖6b)，超過這一范圍事件不超過10個，經過檢查發現一是由于這些事件所關聯的震相到時和臺站數目不一致，通常自動關聯的震相和臺站更多一些，二是算法自動量取的最大振幅值與臺網工作人員手動量取的振幅不一致.發震時刻差95%以上分布在[-0.6 s,0.4 s]區間(圖6c)，水平位置差95%以上在4 km范圍以內(圖6d).對少數發震時刻、水平位置差超過區間的事件，我們將其對應的多臺關聯波形按震中距排列并標注到時和發震時刻進行檢查，發現大都是人工目錄的結果存在偏差，例如圖7a和7b分別為其中一個2.0級事件的人工和VELEST定位事件波形，該事件人工和VELEST的發震時刻相差1.1 s，水平位置相差有5 km，從單臺看大部分的P、S到時挑取是準確的，但將這些到時按震中距排列以后，圖7a的到時與理論到時曲線不符，且離震中更遠的XWE臺P波到時比離震中更近的SHB臺P波到時更早，明顯是不合理的，而在我們關聯定位結果中近臺多了MET、TLO，并且去掉了XWE臺，觀測到時與理論到時曲線符合得很好(圖7b)，這說明VELEST確定的發震時刻和位置更準確，而人工結果出現了較大的發震時刻和定位偏差.圖7c和7d所示事件位置差達到了10 km，但人工定位只有三臺六個震相，而VELEST關聯的臺站和震相數都更多，其定位結果更可靠.以上人工目錄中的異常事件表明，基于人工拾取到時和手動定位很難完全避免主觀性因素，而VELEST、HYPODD目錄的自動構建過程遵循統一的標準，從而盡可能避免了人為不確定因素.

在震級分布和數量上，我們分<0級，0～0.9級，1.0～1.9級，≥2.0級四個區間統計，如圖6a,c所示，其中VELEST目錄的震級范圍為ML-1.1～2.3，而人工目錄的范圍是ML0～2.9.VELEST目錄在0～1.0級區間的事件數目是人工目錄的8倍，并且包含更多低于0級的事件，將微震檢測能力下限提升至-1級左右.由于我們的方法檢測出了遠多于人工目錄的1級以下事件，為了評估這些新增事件的真實性，我們按定位走時殘差、關聯到時數、震級對這些事件進行排序，并檢查那些定位走時殘差最大(0.2～0.29 s)、關聯到時數最少(6～7個)、震級低的事件(<0.3級)，這樣的事件一共有48個.通過對事件關聯波形的人工檢查，我們發現只有不超過5個疑似事件因為數據信噪比較低，肉眼只能確認其最近的臺站記錄為地震信號，其他臺站難以判斷，其余事件從波形和關聯情況看均可自信地判定為真實事件.

3.3 前震時空活動性

如圖8所示，從地震活動的每日頻次統計來看，人工目錄的地震活動性從月初的每日20余次逐漸降低為震前的10余次，2級以上的地震也是月初(1—9日)發生比較頻繁，震前一周僅有一次.VELEST目錄微震數目更多，也呈現相同趨勢，即隨時間推移地震活動性逐步減弱，震前一周都比較平靜.不過值得注意的有兩點：一是16日07時27分48秒在[28.319°N ,104.872°E]發生一次2.2級地震(人工目錄測定為2.3級)，而且這次地震無論時間和空間上均十分靠近長寧MS6.0主震，有可能是一次前震；二是我們統計了每日不同時間段的地震發生頻次，如圖8a所示灰色背景標注的是每日06∶00—18∶00的時間段(大致相當于白天)，白色背景則對應于18∶00到次日06∶00的時間段(晚上)，分別統計這兩個時間段的地震發生頻次可以看出，晚上的地震事件數量普遍高于白天，這可能是因為晚上臺站的背景噪聲小，間接提升了臺站的微震監測能力.類似的地震活動周期性現象在加拿大Raton盆地的誘發地震監測上也有發現，作者分析后認為可能是風噪引起(Wang et al.,2019).

圖8 2019年6月1日—17日VELEST目錄(棕色)與人工地震目錄(青色)的對比 (a) 每日頻次圖; 其中白色和灰色背景分別對應于時間段：00∶00—06∶00和18∶00—24∶00 (白)，06∶00—18∶00(灰)； (b)累積數圖; 五角星代表震級相對較大的事件(ML≥1.9).Fig.8 The comparison between the VELEST catalog (brown) and the routine catalog (cyan) from June 1 to June 17, 2019 (a) Daily frequency diagram where the white and gray backgrounds respectively correspond to the time period: 00∶00—06∶00 and 18∶00— 24∶00 (white), 06∶00—18∶00 (gray) and (b) the corresponding cumulative number. Pentagrams denote earthquakes with ML≥1.9.

從前震的空間分布特征看，無論是VELEST還是HYPODD目錄，都可以看到前震主要沿長寧—雙河復式大背斜的東南端(圖1b中2號區域)、西北端(圖1b中1號區域)聚集，而長寧MS6.0主震正是發生在2號區域的中心位置.從震源深度看(圖5c,d)，2號區域內前震深度較淺，而1號區域深度更深，這與長寧MS6.0地震發生以后的余震深度分布是一致的(如易桂喜等，2019).此外,根據震相關聯與定位結果的統計，在2號區域，離長寧鹽礦區的注水井(圖1b中紅色同心圓)最近的四個臺，其中CJW臺參與了750個事件的定位，CNI臺695個，MET臺612個，GXA臺608個，這些事件絕大部分均為<1.0級的事件，揭示出主震震前小震活動已經非常頻繁.相比之下人工目錄不具備檢測這類小震事件的能力，因此顯得震前鹽礦區的地震活動相對平靜.我們可以合理推斷，這些小震活動可能與鹽井注水活動緊密相關.Wang等利用InSAR數據的反演結果也揭示了鹽礦的注水采鹽活動與本次長寧MS6.0地震序列存在明顯的因果關系(Wang et al., 2020b).

4 結論

隨著地震數據量的快速增長，自動化和智能化處理是未來發展的趨勢，其中最近幾年方興未艾的人工智能和大數據挖掘是驅動這一變革的關鍵技術(Bergen et al., 2019).深度學習目前仍是人工智能發展最快、潛力最大的一個分支研究領域，已經廣泛用于社會生產的方方面面；在引入防震減災領域后，它在地震學大數據分析方面顯示出很強的普適性、高精度與高效率.同時，傳統基于到時的定位方法發展相對成熟，其精度比較可靠，計算量較小.因此，將深度學習到時拾取、震相關聯技術與傳統定位方法聯系起來，構建一套自動化的地震定位和目錄產出流程，是非常值得探索的方向.本研究應用遷移學習技術，將目前已具有較強泛化能力的PhaseNet震相自動識別算法利用本地數據訓練之后，成功應用于長寧鹽礦區MS6.0地震震前的連續波形震相識別，并結合REAL震相自動關聯技術、VELEST和HYPODD傳統定位技術，得到了長寧地震前震活動的自動化絕對定位與相對定位目錄.自動化產出地震目錄的流程的時間消耗主要集中在前期參數和閾值的測試調整，其后期應用避免了人為主觀因素，提高了數據處理的效率，還提高了微震定位精度和目錄的完整性.在本研究中，自動化絕對定位目錄不僅能夠識別和定位85%以上的人工目錄事件，同時在<1.0級小震事件識別數是人工的8倍以上.在準確度方面，對照人工結果，自動目錄在發震時刻、震級、水平位置等主要指標上均已非常接近人工目錄，可以用于長寧地震震前微震活動時空特征的快速分析.

完備的高精度地震目錄對于長寧區域地震活動性和長寧MS6.0主震的發震機理研究至關重要.未來將當地構造地質、注水活動數據，和我們自動確定的前震時空分布相結合，有望綜合理解這次強震的發震機制.

致謝四川省地震局為本研究提供了人工震相數據、人工目錄和連續波形數據，朱尉強博士分享了PhaseNet算法和在北加州數據集上訓練得到的模型(https:∥github.com/wayneweiqiang/PhaseNet)，周一劍博士提供了用于對比的RNN模型和識別程序(https:∥github.com/YijianZhou/CDRP_TF)，中國地震局地球物理研究所房立華研究員對論文初稿提出了寶貴意見，并提供了長寧地區斷層結構數據，在此表示衷心感謝.