基于人工智能的地震初至拾取方法研究進展

摘要：地震初至拾取可以提供關于地下結構和地震活動的重要信息，對于地震勘探和地質研究具有重要意義。在低信噪比數據上如何自動準確地拾取初至波備受關注。文章綜述了基于人工智能的地震拾取方法，對聚類、支持向量機、反向傳播神經網絡、卷積神經網絡和循環神經網絡等五類方法的原理、特點和發展歷程進行了闡述。聚類、支持向量機和反向傳播神經網絡相對直觀和可解釋，但需要人工提取特征；卷積神經網絡和循環神經網絡能自主學習地震數據特征，但需要大量有標簽數據驅動。最后，探討了地震初至拾取所面臨的挑戰和未來的研究方向，指出極低信噪比初至拾取的實時性和網絡的輕量化需要繼續推進。

關鍵詞：地震勘探，人工智能，聚類，支持向量機，神經網絡

中圖分類號：P315文獻標識碼：A DOI：10.13810/j.cnki.issn.1000?7210.2024.04.027

A review of artificial intelligence?basedseismic first break picking methods

YI Simeng1，TANG Donglin1，ZHAO Yunliang1，LI Henghui1，DING Chao2

（1.School of Mechanical and Electrical Engineering，Southwest Petroleum University，Chengdu，Sichuan 610500，China；

2.School of Intelligent Manufacturing，Chengdu Technology University，Chengdu，Sichuan 611730，China）

Abstract：Seismic first break picking plays a crucial role in providing vital information concerning subsurface structures and seismic activities，thereby holding significance for seismic exploration and geological research.The automatic and accurate picking of first?arrival waves from low signal?to?noise ratio data has garnered consi?derable attention from scholars.This paper provides a comprehensive review of artificial intelligence?based methods employed for seismic picking.It presents an in?depth analysis of the principles，characteristics，and de?velopmental trajectory of five distinct types of methods：clustering，support vector machines（SVM），back?propagation neural network（BPNN），convolutional neural networks（CNN），and recurrent neural networks（RNN）.Clustering，SVM and BPNN methods demonstrate a relatively intuitive and interpretable nature，al?beit requiring manual feature extraction.Conversely，CNN and RNN methods possess the ability to autono?mously learn seismic data features，yet they rely on substantial volumes of labeled data to facilitate their learn?ing process.Furthermore，this paper discusses the challenges and future research directions of seismic first break picking.Specifically，it emphasizes the imperative need to further advance the real?time capabilities for picking first break under extremely low signal?to?noise ratios and to further develop the lightweight of the net?work.

Keywords：seismic exploration，artificial intelligence，clustering，support vector machine（SVM），neural network

易思夢，唐東林，趙云亮，等.基于人工智能的地震初至拾取方法研究進展［J］.石油地球物理勘探，2024，59（4）：899-914.

YI Simeng，TANG Donglin，ZHAO Yunliang，et al.A review of artificial intelligence-based seismic first break picking methods［J］.Oil Geophysical Prospecting，2024，59（4）：899-914.

1概述

地震波初始拾取是地震數據處理的關鍵問題之一。隨著地震數據量的不斷增加，人工拾取已難以滿足地震監測實時數據處理需求[1]，為此研究人員提出了不同自動拾取方法。經典的自動拾取方法大致分為兩類：時域類和頻域類。時域類方法通常基于信噪比突變原理，常用方法有長短時均值比（STA/LTA）法[2?3]、赤池信息準則（AIC）法[4?7]、分形維數法[8?9]和相關法[10?13]。STA/LTA法通過比較短期和長期時間窗口內的信號能量比值確定地震事件的起始時間。通過改變窗口的選擇方式，該方法可拓展為修正能量比法[14?15]、改進Coppens方法[16]，這些方法計算簡單，但對噪聲敏感，拾取準確率不高。AIC法的基本原理是求取地震信號AIC函數的最小值[17]，而真實的初至位置可能位于AIC函數的局部最小值點，因此該類方法適于初至大致位置已知的情況。分形曲線具有某種自相似或自仿射形式，通過檢測背景噪聲與噪聲＋信號之間分形維數值的變化可確定初至[16]，但該方法計算量大，效率較低，不適合于單獨拾取初至。相似震源位置及破裂機理的地震事件通常在地震記錄上表現出相似的波形特征[18]，波形相關法則是利用這一特點，通過高質量的波形模板可以確定其他地震道的初至時間，但此方法對波形與主事件不同的事件不敏感，并且在地震信號受大量噪聲干擾時，難以確定合適的參考波形。頻域類方法有短時傅里葉變換（STFT）[19]、小波變換（WT）[20?23]、希爾伯特—黃變換（HHT）[24?25]和S變換[26]等。同一窗口下，STFT不能同時擁有高時域分辨率和高頻域分辨率。噪聲較強時，WT會出現過度分析的問題。HHT部分參數的選擇沒有統一標準，且需要對輸入數據的長度進行控制。S變換有較好的全局分析能力，但無法提供局部時頻信息。

上述地震拾取方法都有一定的局限性，沒有一種方法適用于所有的情況。為了提高初至拾取的精度和速度，學者們一方面將已有的算法相互結合形成新的算法[27?30]，另一方面將人工智能方法引入地震拾取[31?32]。人工智能方法相對于經典自動拾取方法精度更高、速度更快，已經在初至拾取方面取得了很好的效果，本文對此進行總結和分析。

從圖1可以看出相關文獻數量逐年增加，初至拾取依舊是地震數據處理的研究熱點。本文從傳統機器學習和深度機器學習（深度學習）兩方面對初至拾取方法進行總結和分析，以期能為地學領域的研究提供參考。

2基于傳統機器學習的初至拾取

基于傳統機器學習的初至拾取方法主要有聚類算法、支持向量機（SVM）和反向傳播神經網絡（BPNN），這類方法的關鍵在于選擇與初至相關的特征表示和建立適當的目標函數或分類模型。合適的特征主要是以運動學或動力學為基礎的地震屬性，如振幅、波形、頻率、能量、相關、比率等[33]。目標函數或分類模型可依據實際需求設計，根據數據特點調整和優化，以達到較好的初至拾取效果。

2.1基于聚類算法的初至拾取

地震記錄中，噪聲信號具有相似性，地震事件信號也具有相似性，但兩者具有不同的特征，因此聚類算法可實現初至波的拾取。聚類算法屬于無監督算法，優勢在于使用的數據是沒有標記的原始數據。應用于初至拾取的聚類算法主要有K均值聚類、模糊C均值（FCM）聚類、分層聚類（HC）、譜多流形聚類（SMMC）等。本節主要介紹K均值聚類、FCM聚類和其他聚類地震初至拾取方法。

2.1.1基于K均值聚類的初至拾取

K均值聚類屬于硬聚類，即每一個數據點只能屬于一類，在地震初至拾取中通常演變為二分聚類問題，即K=2，其目標函數為

式中：xi是樣本的特征向量；C1和C2分別代表初至集群和非初至集群；u1和u2是集群C1和C2中心的特征向量。

Chen[34]利用K均值實現了地面微地震信號的波形檢測。該方法的優點在于保留了事件的初至信息（波形分量的第一索引，即初至時刻）和波形特征，能直接反演震源位置。如果直接使用K均值聚類，算法容易陷入局部最優值。針對這個問題，Ma等[35]提出了一種基于局部線性嵌入（LLE）和改進粒子群優化（PSO）的聚類算法，用于微地震三分量數據的初至拾取。該方法在局部線性嵌入降維的同時能夠保留高維數據的固有規律。改進的PSO算法通過全局搜索，可從低維數據中選出最優聚類中心，避免K均值聚類陷入局部最優值，提高了聚類的準確率。根據重要程度賦予不同權重的辦法也可避免陷入局部最優解的情況。周竹生等[36]采用了這一策略，同時利用相位差自適應時間校正法校正超過閾值的異常地震道。對于地面和井下微地震數據，該算法具有較好的噪聲適應性和準確性。但是屬性選取過多會造成特征冗余。Li等[37]采用Re?liefF算法實現了最優特征的自動選擇，相對于未進行特征選擇的K均值初至拾取，該算法可消除冗余特征的不利影響，在低信噪比條件下具有更高的計算效率和穩定性。為了提高算法在復雜近地表條件下的性能，需要進一步優化算法，以確保拾取結果的準確性。常用的優化思想是首先確定初至波的大致范圍，再準確拾取初至時刻。李康麗等[38]基于此思想，首先進行高維多屬性K均值聚類，再通過馬爾可夫智能決策（MDP）完成初至時刻的準確拾取。該算法利用了相鄰地震道間的相關性，拾取結果具有橫向連續性。高磊等[39]進一步完善了此優化策略，所提算法包含四個步驟：①使用K均值聚類選取初至波簇；②使用基于密度的噪聲應用空間聚類（DBSCAN）技術實現初至拾取；③利用線性回歸補全缺失值；④利用能量比值法調整錯誤初至。顯然，初至拾取后再微調的算法在拾取結果方面優于只拾取、未微調的算法。Zhu等[40]提出了一種時間序列分割聚類（TSSC）算法，用于S波到達時間拾取。這種方法首先用AIC方法得到P波初至時刻，再利用K均值算法確定P波與S波的分界點，即S波初至位置。TSSC方法考慮了P波和S波記錄在時間上連續、在空間上彼此獨立的特性，該算法計算簡單，但S波拾取結果會受P波拾取結果影響。與前面提到的方法相比，TSSC方法不需要迭代計算。基于K均值聚類算法初至拾取的代表性工作如表1所示。

2.1.2基于模糊C均值聚類的初至拾取

模糊C均值聚類算法屬于軟聚類，即一個樣本點可以屬于不同的類，以隸屬度表示屬于每一類的可能性。在微地震拾取中，FCM方法能增強微地震信號的特征，降低噪聲影響。相對于K均值方法，FCM對弱信號的檢測能力更強，聚類結果也更穩定可靠，其目標函數為

J=Uij（m）dij（2）（2）

式中：N是樣本數量；Q是集群數量；Uij為隸屬度；m是模糊指數；dij表示第i個樣本到第j類集群中心的距離。利用FCM算法進行地震拾取的流程見圖2。

Zhu等[41]首次將FCM算法引入微地震三分量信號分析，通過試驗確定模糊指數，算法能有效平衡噪聲干擾和弱信號檢測，這項關鍵性研究為后續研究奠定了基礎。若FCM聚類初始化選擇不合理，對具有高維特征、結構復雜、類別不平衡或存在噪聲和異常點的數據集會表現出高敏感性。為了克服這些問題，Pal等[42]提出模了糊可能性C均值算法（FPCM），Saad等[43]利用該算法計算地震信號的到達時間。與FCM方法相比，FPCM算法表現出更高的準確率和更快的速度，可處理低至?10 dB的地震信號，適用于地震預警系統。Gao等[44]提出了一種基于滑動窗口和模糊C均值的初至旅行時提取算法（FPSF），利用垂向窗口確定單道初至范圍，利用水平窗口調整相鄰初至間隔。基于這兩種滑動窗口能減少90%的數據，提高初至拾取的精度。FPSF算法的缺點是窗口大小和最佳結果需要手動選擇。為解決這一問題，Gao等[45]又將自適應閾值和空間約束聚類（FASC）應用于初至拾取。空間信息約束提高了算法的抗噪能力，將其應用于新疆和四川的數據集，FASC算法的準確率優于FPSF算法。拾取準確率不僅與算法相關，還受微震信號信噪比的影響，信噪比越高，拾取效果越好。譚家煒等[46]使用超級虛折射干涉（SVI）約束模糊C均值，SVI能在遠道極低信噪比情況下增強初至信號，壓制隨機噪聲。早期是通過人工選擇固定閾值，挑選困難且不適用于所有場合。為此，Lan等[47]引入了一種自適應選擇方法，該方法利用最終標簽和隸屬度向量之間的相關系數確定最優閾值。相比于固定閾值的FCM算法，基于自適應閾值的FCM在合成數據和地面監測煤礦數據的應用中顯示出更高的魯棒性。為了消減不同背景噪聲和不規則近地表帶來的影響，Gao等[48]提出了模糊C均值和局部加權回歸（FPFR）算法，該算法的實現包括兩個子程序：第一個子程序通過FCM和自適應聚類選擇得到初步的拾取結果；第二個子程序將魯棒局部加權回歸和遺傳算法相結合，解決了算法參數設置敏感的問題，能夠糾正初至拾取中的異常點。Cano等[49]和Lan等[50]將FCM方法和AIC方法同時應用于初至拾取。前者利用偏振屬性將FCM算法識別的波形間隔分為P波、S波和未識別波，然后通過AIC方法確定初至時間，通過二次函數擬合P、S波的移動曲線對未識別波進行歸類；后者未細分震相，但進行了特征及其維度的選擇，并直接使用AIC方法對FCM的初選結果進行調整。Cano等[49]提出的方法繁雜，僅適用于事先監測到的事件，在低信噪比情況下表現一般，但其能夠處理包含多種初至情況的微地震三分量數據，如某些波形含P波、S波兩種初至，有些只含其中一種初至；Lan等[50]提出的方法對?7 dB的高斯白噪聲（WGN）數據集和1 dB的真實噪聲數據集（RN）可以保證100%精度。多方法結合的初至拾取，精確度會有所提升，但會犧牲計算速度，目前只適合處理離線數據和采樣率較低的實時微地震數據。基于FCM聚類初至拾取的代表性研究成果見表2。

2.1.3其他聚類

K均值聚類和FCM聚類在初至拾取中應用最廣，還有一些其他聚類算法也在初至拾取中表現出良好性能，如譜多流形聚類、分層聚類。譜多流形聚類是譜聚類的一種變形，通過結構相似性和局部相似性構造親和矩陣，能夠更好地處理非線性和復雜結構的聚類問題。2017年，譜多流形聚類[51]首次應用于三分量P波初至拾取，通過2D流形特征對噪聲和信號進行分類。與以地震道為單位進行聚類處理不同，此方法將不同地震道上同一時間的采樣數據作為一行數據進行處理。因此，每行中的信號流形特征相對較少，在低信噪比條件下，需要在拾取前對微地震數據進行剩余靜校正處理。HC是一個樹形結構，樹結構中的葉與數據點相對應，樹內部節點與層次結構間的聚類相對應。在微地震拾取中，該方法表現為循環度量簇間距離和合并簇，直到只剩下信號簇和非信號簇。Huang[52]利用HC算法進行井下數據拾取時，從能量角度提出兩個新的統計指標，能更好地評價聚類或分類中地震信號識別性能。

2.2基于SVM的初至拾取

基于SVM將高維地震信號映射到低維空間，并在低維空間通過處理所有樣本點找到最優超平面，將地震數據中所有噪聲采樣點和所有信號采樣點分開，規定噪聲和信號之間的跳變點為信號初至。SVM是基于結構風險最小化思想，當地震數據較少時，與基于經驗風險最小的神經網絡拾取相比，其效果更好，但計算過程復雜，訓練時間會隨著數據量的增加而增大。

Chen等[53]采用一種加權SVM方法檢測經過小波去噪的5道實際地震記錄。通過增加信號權重和減小噪聲權重解決地震數據樣本不均引起的問題。研究證實，在小樣本情況下，這種方法優于傳統的人工神經網絡。Zhao等[54]提取了71個時域和頻域特征，用于訓練初始模型，其中16個特征被證明是區分噪聲與微地震事件的相關特征，并用于訓練最終的SVM模型。實驗結果表明，基于高斯核函數的SVM在訓練時間和預測精度方面都優于基于線性核函數和基于多項式核函數（二次核和三次核）的SVM。只考慮1D特征會損失很多重要信息，因此Qu等[55]在Zhao等[54]研究基礎上增加了2D紋理特征，通過單變量特征選擇和隨機森林進行特征篩選，還提出一種C?SVM模型，通過系數控制誤差項容限，該模型能在強烈噪聲環境中進行初至拾取。隨后，Qu等[56]又對該方法進行擴展，增加了2D紋理特征的數量，與卷積神經網絡（CNN）相比，在數據非常有限時表現更好。蔣一然等[57]設計了兩種基于SVM的分類器用于識別震相：地震信號探測器（SSD）用于分離噪聲和震相；震相分離器（SPS）利用三分量數據的偏振和主頻信息區分P波和S波。為了提高震相識別的準確性，學者們進一步運用傳統方法和臺陣信息對分類進行時空約束，但精確度有待提高。Duan等[58]在常用特征屬性的基礎上，基于互相關原理引入三個多地震道屬性。由于新屬性具有空間信息，因此在同一項目中，只需對少量數據進行訓練，SVM就可以達到分類要求。王騰[59]提出一種人工蜂群優化支持向量機（ABC?SVM）方法，該方法通過人工蜂群算法優化SVM的參數設計，得到最優分類超平面，對極低信噪比的三分量合成數據和真實微地震數據進行初至點拾取，結果準確且無漏拾取情況。針對訓練樣本不足和無質量標簽的問題，Li等[60]將特征遷移學習（TTL）與蔣一然等[57]提出的兩種SVM分類器結合，通過查找源域與目標域的共同特征表示，可以拾取不同環境和地質條件下的地震三分量數據的初始到達點。基于SVM方法初至拾取的代表性研究成果見表3。

2.3基于反向傳播神經網絡的初至拾取

BPNN由輸入層、若干中間隱藏層和輸出層相互連接構成[61]，學習過程包括信息前向傳播和誤差反向傳播兩個步驟（圖3）。基于BPNN的地震初至拾取可以看作模式識別中的分類任務，網絡將規定的節點（如波峰、波谷和振幅零點位置等）或片段（如地震波的某個半周期或某幾個采樣點范圍等）判斷為初至或者非初至。BPNN能較好地擬合非線性地震數據，具有較高精度和效率。但是，該網絡學習速度較慢，容易陷入局部最小值，且地震數據的高維特征不能直接作為網絡的輸入屬性。

基于BPNN的震相初至拾取研究始于20世紀90年代[62?64]，初始網絡深度一般為三層或四層，應用于較簡單的數據時，拾取速度優于人工。研究發現，節點和隱藏層的幾種組合中，隱藏層含10個節點時效果最優[63]。為提高拾取準確率、加快網絡收斂和避免代價函數陷入局部最小值，學者們從訓練數據、輸入特征屬性、拾取位置和優化算法四個方面開展研究。在訓練數據方面，使用較高和較低頻率數據訓練網絡，能夠成功拾取頻率變化的波形；當網絡應用于比訓練數據信噪比更差的數據時，其性能嚴重下降[64]。在特征屬性方面，相比單一的振幅屬性，不同的時間序列屬性能攜帶更多的初至信息。McCormack等[64]的研究表明，以二進制像素圖像作為輸入是一個不錯的選擇。在拾取位置方面，以多樣本點為初至，比拾取單一樣本點更穩定，但同時也引入了誤差。在優化算法方面，Maity等[65]使用遺傳算法進行網絡訓練，網絡可以更好地學習和收斂，提高了模型性能。針對近地表復雜區域地震資料存在假初至、多干擾波的情況，蘭金濤等[66]通過分析影響初至波分布的因素，提出用神經網絡確定初至的大致范圍。對于實際數據，該方法能夠隔離初至附近的干擾。宋建國等[67]提出一種基于一個三層BPNN結構的級聯相關算法，解決了傳統BPNN算法收斂速度慢和傳統級聯相關網絡計算量大的缺點，并且能擴展網絡去學習新的樣本，但對低品質地震數據的拾取效果不佳。曹曉莉等[68]為提高初至拾取的精度和效率，利用綜合動量和可變學習速度改進BPNN的權值更新過程，改進的網絡比傳統的BPNN拾取誤差更小，結構也更穩定。由于BPNN自身的局限性和深度學習的興起，近年來，該方法逐漸被其他網絡取代。

3基于深度學習的地震拾取

隨著深度學習的興起，神經網絡結構朝更復雜的方向發展。基于深度學習的方法往往遵循以下五個基本步驟：①收集數據，并將其劃分為訓練集和測試集，有時還會需要分出一個驗證集。訓練集用于訓練模型，驗證集用于調整模型結構和超參數，防止過擬合，測試集用于驗證模型性能。②預處理，通過裁剪、清理、特征提取和歸一化等，將數據轉換為更適合的形式，提高機器學習算法的性能，如初至拾取的準確度、精確度和速度等。③訓練模型，根據任務建立的代價函數調整模型參數。④評估模型性能，常用評估標準有準確率、召回率、F1分數、誤差平均值等。⑤將訓練好的模型用于新數據的產生。

3.1基于CNN的初至拾取

CNN提供了一種有效結構，能夠自動學習地震數據特征，包括用專業知識也難以解釋的復雜特征，可提高初至拾取的效率和準確性，降低時間成本。CNN結構包括一個輸入層、一個輸出層和若干中間層，中間層主要由卷積層、池化層和全連接層構成。卷積層通過內核自動提取地震數據的深層特征，池化層可以降低特征的維度和尺度，全連接層將特征空間表示映射到樣本標記空間。經過這些處理過程就能夠得到地震波初至拾取結果。用于初至拾取的CNN可分為兩種類型：一是經典的CNN結構（圖4），模型最后的結構為全連接層；二是模型中沒有全連接層的全卷積神經網絡（FCN）。

3.1.1經典的CNN初至拾取

Ross等[70]利用南加州地震臺網（SCSN）記錄的垂直分量數據訓練CNN，該網絡包含三個卷積層和兩個全連接層。通過回歸方法確定P波到達時間。研究表明，在75%的情況下，網絡預測的初至時間與人工選擇結果的時間差在28 ms以內。隨后，Ross等[71]又提出廣義相位檢測（GPD）算法，它在數百萬個三分量地震記錄上學習P波、S波和噪聲的廣義表示，能夠可靠地檢測低震級事件的P波和S波，在訓練集未覆蓋的數據上也能得到可接受的結果，這項研究成果填補了模板匹配的空缺。Zhu等[72]將訓練數據從數百萬個縮減到幾千個，訓練出一種適用于中、小數據集的相位識別分類器（CPIC），在汶川7.9級余震數據集上的初至拾取準確率大于95%。此項研究的另一個重要貢獻是發現分類器具有不同數量全連接層（1層、2層、3層）時，準確率沒有明顯差異，這一結論可應用于簡化網絡結構。于子葉等[73]在CNN中加入Inception層構成新的結構，實現了不同尺度特征的提取和訓練參數的減少。但因缺乏相關訓練數據，對于遠震三分量數據，該模型對于P波、S波初至提取的準確率不如人工。李健等[74]提出一種多任務的CNN模型，采用聯合損失函數。與首先檢測震相再拾取的方法不同，該模型在全連接部分分為兩個支路，能同時實現分類（震相識別）和回歸（初至拾取）任務。全連接層之前的結構為模型的共享層，可用于遷移學習，提高模型的泛化能力。基于遷移學習理念，Johnson等[75]使用相對較少的采礦地震數據重新訓練了Ross等[70]的模型，采用訓練后的模型的識別效果與人工識別相當。遷移學習不僅適用于相同類型的數據，也能對不相關的數據進行模型遷移。在ImageNet圖像數據集上預訓練的三種CNN模型（AlexNet、GoogLeNet和SqueezeNet）經微調后，可用于地震波形的分類。當以地震道連續小波變換（CWT）特征圖像作為輸入時，三種CNN都獲得了比STA/LTA和自適應多波段算法更好的拾取結果[76]。此外，膠囊網絡[77]的應用和數據增強[78?79]也可降低CNN對大量標記數據的依賴性。原始膠囊網絡沒有池化層，可以獲取更多的信息，因此基于膠囊單元的模型往往具有更輕量化的結構和更好的泛化能力。Guo等[80]以實驗室聲發射（AE）數據的波形和高階統計量作為CNN的輸入，這兩種輸入能使網絡獲得更豐富的信息。縮小范圍進行拾取的方法可以減少負面樣本，提升拾取精度和速度。如Li等[81]先用目標檢測模型YOLO網絡提取微地震波形區域，再用回歸方法CNN預測P波和S波的初至時間。

3.1.2全卷積神經網絡（FCN）初至拾取

劉佳楠等[82]構建了三種不同深度的FCN用于地震初至半波拾取，其最優網絡拾取性能明顯優于商業地震處理軟件TomoPlus。U?Net[83]是在FCN基礎上提出的，由編碼器、解碼器和跳躍連接三部分組成，可實現端到端的學習。其中，編碼器用于縮小尺寸、逐漸提取全局特征；解碼器用于恢復尺寸和信息；跳躍連接是編碼器和解碼器特征融合的媒介。Zhu等[84]使用1D U?Net（PhaseNet，圖5）預測美國北加州地震臺網（NCEDC2014）記錄的三分量波形數據中P波、S波和噪聲的概率分布，并將P波、S波概率分布的峰值作為初至。該方法的重要特點是不受一個時間窗內地震次數的限制。Chai等[85]將PhaseNet遷移到水力壓裂的井下三分量數據的初至拾取與人工拾取結果相比，獲得較少的P波拾取和更多的S波拾取，二者精度相當。Hu等[86]以2D數據作為U?Net的輸入，學習了不同質量的數據集（山地、黃土高原和爆炸震源）時間和空間上的初至到達特征，因此模型能夠直接遷移到更簡單數據集上。Han等[87]對U?Net在初至拾取上的應用開展了進一步的研究，以3D地震的歸一化波形數據和能量表象作為模型輸入，通過對合成數據與海底節點數據的測試結果進行對比，表明該網絡能夠忽略錯誤的標簽。與2D U?Net相比，3D U?Net預測的旅行時更連續，在噪聲存在的情況下更加穩健。值得注意的是，2D U?Net和3D U?Net并未進行S波的拾取，且這三種U?Net結構因輸入數據的維度不同而有所差別。

初至拾取還可視為圖像分割任務[88]。Wu等[89]應用SegNet分割地震數據，初至時刻將一維圖像分為包含和不包含微地震事件的兩個部分。當Seg?Net學習了各種隨機缺失跡線的炮集后，即使隨機缺失跡線達到50%[90]，也可以直接從具有稀疏分布跡線或缺失跡線的炮集拾取初至。與U?Net相比，SegNet不需要學習上采樣參數。Pardo等[91]構建了Cospy模型，模型通過霍夫投票模塊綜合分割和回歸兩個網絡的輸出結果，細化了位置預測。為獲得更好的分割性能，Yuan等[92]和吳雨鑫[93]分別用Lo?vasz Loss、Focal Loss代替傳統的交叉熵損失，這兩種新的損失函數會更加關注困難樣本。

網絡構架間合理的結合也能獲得更好的拾取性能。Wang等[94]開發的PickNet模型由修改的VGG?16和豐富的側輸出殘差網絡組成，側輸出組合可以使模型對具有各種尺度和縱橫比的信號具有魯棒性。該方法能拾取震中距高達1000 km地震波的初至，這個范圍遠大于其他模型，其缺點是只能在提供目錄的情況下使用[95]。陳德武等[96]提出的U?Seg?Net結合了U?Net和SegNet的優點，可以在融合特征以及保留圖元輪廓信息的同時加快收斂。該方法訓練周期短、拾取效率高，在工業化應用方面具有發展前景。陳德武等[97]將殘差塊引入U?Net的跳躍連接部分，解決了低維特征和高維特征直接融合引起的誤差缺陷。

U?Net++是傳統U?Net結構的改進和擴展，它綜合了長連接和短連接，可視為不同深度U?Net結構的組合，因此在初至拾取時能夠通過整合不同層次的特征提升精度[98]。Zhang等[99]在U?Net++最后一個下采樣中添加殘差塊，構造了殘差鏈路嵌套U?Net網絡（RLU?Net）。殘差塊的添加使網絡能夠獲取微地震數據深層特征，模型的魯棒性和泛化能力得到提高。用于初至拾取的CNN模型的代表性結構和研究成果見表4。

3.2基于循環神經網絡（RNN）的初至拾取

RNN可以處理長度可變的時序數據，能將上一個時間步的信息傳遞到下一個時間步。在處理地震數據時，RNN模型常采用長短期記憶（LSTM）和門控循環單元（GRU）等變體，這些變體可以決定記憶單元時間狀態的去留，所以在處理地震數據時有更大優勢。圖6為基于循環神經網絡的震相拾取示意圖。首先，將地震信號分割成較小的時間窗口；然后，將窗口中的時序特征輸入以循環神經網絡為主干的初至拾取網絡；最后，得到初至拾取結果。

Zheng等[100]利用煤樣巖石力學實驗的AE波形數據進行訓練并測試了LSTM網絡，實驗結果表明對于低SNR數據的初至拾取準確度不高。此方法存在兩個問題：一是含噪數據太少，導致模型過擬合；二是單向的LSTM使得RNN只能獲取前文信息。后續研究主要從兩個方面改進模型結構：為獲取地震記錄上、下文信息，將模型調整為具有雙向性的構架；將CNN引入RNN，作為前置處理器，提供有用的特征表示。Birnie等[101]在Zheng等[100]的研究基礎上使用兩個LSTM單元構成雙向結構，僅在合成地震數據集上訓練的模型成功運用于陸地井數據和海洋環境微地震記錄，突出了網絡的穩健性。Zhou等[102]將CNN檢測出的地震事件圖傳遞給具有雙向GRU的震相拾取網絡PpkNet，該算法對汶川地震余震數據的拾取效果良好。Mousavi等[103]開發了一種CNN?RNN地震探測器CRED，在一個殘差結構中組合了卷積層和雙向LSTM單元，能夠利用三分量數據對微地震事件進行可靠監測。當用GRU代替LSTM時，網絡具有非常相似的精度和誤差。與STA/LTA、模板匹配和FAST算法相比，該方法可提高準確度，同時，在減少誤報檢測方面表現出更高的性能。隨后，Mousavi等[104]又對斯坦福大學地震數據集（STEAD）訓練了一個具有分層注意力機制的網絡模型EQTransformer，并成功應用于日本地震記錄數據的處理。該模型性能優于CRED，拾取P相和S相初至的精確度較高，同時具有更高的效率和靈敏度。針對一些只有1C記錄的數據，Zheng等[105]設計了一個由U?Net結合GRU結構的深度神經網絡（SC?PSNET），進一步提出通過信號時頻分析設計標簽向量的寬度。與大部分混合網絡相似，SC?PSNET具有震相檢測和初至拾取兩項功能，相比于PhaseNet，該網絡可以提高S相識別和初至拾取精度。Liao等[106]使用中國臺灣地區不同震源機制、廣泛的深度和震級分布的地震記錄來訓練和測試ARRU震相拾取器，通過將軟注意力門和遞歸殘差卷積單元融合到U?Net架構來抑制地震相位無關波形的響應并增強多個尺度地震圖的時間連接，在處理未知數據時表現出較好的泛化能力。近來，學者們還提出了基于陣列的相位拾取方法，該方法是基于地震陣列中不同臺站之間地震相位的空間相干性。EdgePhase[107]是一個多站相位拾取模型，該模型集合了邊緣卷積模塊與EQTran?former。與標準EQTransformer相比，EdgePhase在南加州數據集（SCSN2021）上的查準率和F1分數均提高了5%。此外，研究人員進一步將Edge?Phase模型用于檢測2020年希臘M7.0地震后的早期余震，與本地地震記錄相比，檢測到了更多事件，且事件分布更符合平面斷層界面特征，表明該方法在實際應用中具有很強的泛化能力。現有的RNN模型難以安裝在小型物聯網設備上，為此，Lim等[108]基于EQTransformer提出了一個輕量級模型LEQNet，該模型利用深度可分離卷積、循環神經網絡和瓶頸結構等模型輕量化技術，在保證性能的同時模型參數量減少了87.68%，模型規模減小了79%。基于RNN拾取的幾種混合網絡模型性能統計見表5。

4討論

本文敘述了機器學習在解決地震波初至拾取上的應用和趨勢。在微地震監測方面，傳統機器學習方法較深度神經網絡應用更廣泛。天然地震的初至拾取情況則與之相反。分析其原因，有如下幾點：一是天然地震的數據量遠遠大于微地震，在需要數據驅動的深度神經網絡方面，訓練效果更好；二是微地震通常發生在局部范圍，能量較小，頻率較高，地震波的特征相對簡單、清晰，相對容易提取，而天然地震通常具有更大的能量和更廣泛的頻率范圍，其波形特征提取較困難；三是地理位置和計算資源的均衡，深度學習方法通常需要大量的計算資源，需要的存儲內存也相對較大，很難在低功耗無線通信設備和小內存現場設備或嵌入式系統中得到應用。因此，如果要將深度學習方法更好地運用于微地震現場數據，可嘗試使用一些輕量級的深度學習模型，如MobileNet、SqueezeNet等，或者通過模型裁剪、量化等技術對標準的深度學習模型進行優化和輕量化。

天然地震波與微地震波在波形特征上存在一定的相似性，例如初至波的能量變化、波形持續時間等，這些特征對初至拾取具有指導意義。初至拾取涉及信號處理和特征提取等技術，而這些技術對于天然地震波和微地震波分析具有一定的通用性。因此，天然地震波和微地震波的初至拾取方法在一定層面上可以互相借鑒，遷移學習的成功應用充分證明了這一觀點。目前，深度學習在微地震方面的應用還不夠深入，今后需要加強對遷移學習的研究。

傳統機器學習算法還存在一些問題。一是算法的評價標準不一致，從前文表格的實驗結果可以看出，實際情況可能會更復雜。有些學者以偏差判定，有些以準確率判定，有些學者直接用地震圖展示匹配情況，判斷標準不統一，這不利于各種算法間的對比。二是無監督學習算法在噪聲比較大、波形變化較復雜的情況下的性能比較差，對一些極端條件的處理能力有限。

在深度學習方面，除了需要對網絡輕量化開展深入研究，還需要加強注意力機制方面的應用。對同一數據集STEAD進行訓練時，使用了注意力機制的網絡結構EQTranformer比包含卷積和遞歸單元的模型CRED性能更好[101]。這表明注意力機制對地震信號檢測是有益的。所以，后續可開展檢驗注意力機制與更多網絡相結合的實驗和分析。

最后，需要考慮不同數據適用于不同的算法。對于來自地面或是井中的數據，其最主要的差異是信噪比。地表數據可能會受到地表噪聲和人類活動的影響，這些噪聲可通過濾波去掉。井中數據的質量通常較高，因而對于算法的抗噪性能要求相對較低。關于1C和3C數據，前者較后者包含的信息更多，但處理過程也更復雜。3C數據中，垂直分量P波振幅較高，水平分量的S波振幅更強[69]，因此，垂直分量常用于P波拾取，而3C數據常用于拾取P波和S波的初至。對于P波初至，算法僅需要考慮信號和噪聲的差異。對于S波初至，算法還需要考慮P波與S波的差異。在傳統機器學習算法中，可將偏振和主頻信息作為深度學習網絡的輸入屬性，利用大量包含P波和S波的數據進行學習。

5結論與展望

本文對基于人工智能的微震拾取技術進行總結和分析，得到以下結論。

（1）收集數據要遵循的原則是高質量和準確性、多樣性和代表性、數據量和平衡性。很多學者先后使用合成數據和實測數據進行訓練和模型測試。合成數據由理論無噪數據添加高斯白噪聲或者真實噪聲得到。實測數據最具代表性的是北加州地震數據集、南加州地震數據集、斯坦福全球數據集和汶川余震數據集。

（2）在預處理時，需要對地震數據進行裁剪、清理、特征提取和歸一化等處理，當樣本數量較少時，還需要通過數據增強的方式擴充數據集。

（3）在訓練模型部分，要選擇合適的輸入、優化方法和代價函數。聚類、SVM、BPNN需要人工選擇多種具有代表性的屬性（如振幅、長短時窗比值、高階統計量等），CNN和RNN可選擇地震波形（單道、多道和多臺站波形）、地震圖像和傳統代表屬性（可根據經驗和專業知識得到）中的一類或幾類輸入進行學習。為了加快收斂和避免陷入局部最優、過擬合等問題，采用了一系列優化方法，如：粒子群優化，人工蜂群優化，隨機失活，提前停止等。應用代價函數時要考慮地震數據正、負樣本不均的情況，適當使用權重。

（4）綜合方法、混合網絡以及多步拾取在地震初至拾取中顯示出良好性能，尤其是注意力機制的引入顯著增強了模型的學習能力。

綜合當前基于人工智能初至拾取方法的研究現狀，今后相關研究應主要集中在下述幾個方面。

（1）當前各種算法的評價函數缺乏統一的標準，尤其是傳統機器學習方面。對于算法的性能評價，需制定統一、合理的標準。

（2）進一步研究無監督學習算法在低信噪比數據初至拾取上的應用，主要可以從多模態數據融合、自適應算法設計和損失函數改進等方面入手。

（3）地震的初至拾取方法在實際數據的應用中，需進一步深入研究注意力機制、遷移學習和新型網絡結構。過于復雜的網絡結構在計算力和存儲有限的移動設備上難以實現，因此需要研究一種超輕量級且準確度較高的網絡構架，實現工程現場數據的實時處理。

參考文獻

［1］SHENG G，TANG X，XIE K，et al.Hydraulic frac?turing microseismic first arrival picking method based on non?subsampled shearlet transform and higher?order?statistics[J].Journal of Seismic Exploration，2019，28（6）：593?618.

［2］ALLEN R V.Automatic earthquake recognition and timing from single traces[J].Bulletin of the Seismo?logical Society of America，1978，68（5）：1521?1532.

［3］JONES J P.VAN DER BAAN M.Adaptive STA?LTA with outlier statistics[J].Bulletin of the Seismo?logical Society of America，2015，105（3）：1606?1618.

［4］SLEEMAN R，VAN ECK T.Robust automatic P?phase picking：an on?line implementation in the analy?sis of broadband seismogram recordings[J].Physics of the Earth and Planetary Interiors，1999，113（1/4）：265?275.

［5］MAEDA N.A method for reading and checking phase time in auto?processing system of seismic wave data[J].Zisin（Journal of the Seismological Society of Japan，2nd ser.），1985，38（3）：365?379.

［6］ZHU M B，WANG L G，LIU X M，et al.Accurate identification of microseismic P?and S?phase arrivals using the multi?step AIC algorithm[J].Journal of Ap?plied Geophysics，2018，150：284?293.

［7］LONG Y，LIN J，LI B，et al.Fast?AIC method forautomatic first arrivals picking of microseismic event with multitrace energy stacking envelope summation[J].IEEE Geoscience and Remote Sensing Letters，2020，17（10）：1832?1836.

［8］BOSCHETTI F，DENTITH M D，LIST R D.Afractal?based algorithm for detecting first arrivals on seismic traces[J].Geophysics，1996，61（4）：1095?1102.

［9］曹茂森，任青文，萬林梅，等.Length分形維算法拾取地震波初至[J].石油地球物理勘探，2004（5）：509?514.

CAO Maosen，REN Qingwen，WAN Linmei，et al.Length fractal dimension algorithm to pick up seismic waves for the first time[J].Oil Geophysical Prospec?ting，2004（5）：509?514.

［10］WU H，XIAO W，REN H.Automatic time pickingfor weak seismic phase in the strong noise and interfe?rence environment：an hybrid method based on array similarity[J].Sensors，2022，22（24）：9924.

［11］SEMIN K U，OZEL N M，NECMIOGLU O.Detec?tion and identification of low?magnitude seismic events near Bala，central turkey，using array?based waveform

correlation[J].Seismological Research Letters，2011，82（1）：97?103.

［12］AIT LAASRI E H，AKHOUAYRI E S，AGLIZ D，et al.Automatic detection and picking of P?wave ar?rival in locally stationary noise using cross?correlation[J].Digital Signal Processing，2014，26：87?100.

［13］AKRAM J，EATON D W.Refinement of arrival?time picks using a cross?correlation based workflow[J].Journal of Applied Geophysics，2016，135：55?66.

［14］LEE M，BYUN J，KIM D，et al.Improved modifiedenergy ratio method using a multi?window approach for accurate arrival picking[J].Journal of Applied Geo?physics，2017，139：117?130.

［15］GACI S.The use of wavelet?based denoising tech?niques to enhance the first?arrival picking on seismic traces[J].IEEE Transactions on Geoscience and Re?mote Sensing，2014，52（8）：4558?4563.

［16］SABBIONE J I，VELIS D.Automatic first?breakspicking：new strategies and algorithms[J].Geophy?sics，2010，75（4）：V67?V76.

［17］劉勁松，王赟，姚振興.微地震信號到時自動拾取方法[J].地球物理學報，2013，56（5）：1660?1666.

LIU Jinsong，WANG Yun，YAO Zhenxing.On mi?cro?seismic first arrival identification：A case study[J].Chinese Journal of Geophysics，2013，56（5）：1660?1666.

［18］魏夢祎，譚玉陽，毛中華，等.基于波形互相關的微地震事件自動識別及初至拾取[J].北京大學學報（自然科學版），2018，54（2）：361?372.

WEI Mengyi，TAN Yuyang，MAO Zhonghua，et al.Automatic microseismic event detection and arrival picking based on waveform cross?correlation[J].Acta Scientiarum Naturalium Universitatis Pekinensis，2018，54（2）：361?372.

［19］嚴海滔，周懷來，牛聰，等.同步擠壓改進短時傅里葉變換分頻相干技術在斷裂識別中的應用[J].石油地球物理勘探，2019，54（4）：860?866.

YAN Haitao，ZHOU Huailai，NIU Cong，et al.Ap?plication of synchronous squeezing improved short?time Fourier transform split?frequency coherence tech?nique in fracture identification[J].Oil Geophysical Prospecting，2019，54（4）：860?866.

［20］ZHANG H，THURBER C，ROWE C.Automatic P?wave arrival detection and picking with multiscale wavelet analysis for single?component recordings[J].Bulletin of the Seismological Society of America，2003，93（5）：1904?1912.

［21］HAFEZ A G，RABIE M，KOHDA T.Seismic noisestudy for accurate P?wave arrival detection via MODWT[J].Computersamp;Geosciences，2013，54：148?159.

［22］HU R Q，WANG Y C.A first arrival detectionmethod for low SNR microseismic signal[J].Acta Geophysica，2018，66（5）：945?957.

［23］HE Z，MA S，WANG L，et al.A novel wavelet se?lection method for seismic signal intelligent processing[J].Applied Sciences，2022，12（13）：6470.

［24］BARGEES A，AL?SHUHAIL A A.First arrivalpicking of zero?phase seismic data by Hilbert envelopeempirical half window（HEEH）method[J].Sensors，2022，22（19）：7580.

［25］AL?MASHHOR A A，AL?SHUHAIL A A，HANAFYS M，et al.First arrival picking of seismic data based on trace envelope[J].IEEE Access，2019，7：128806?128815.

［26］CHENG Y，LI Y，ZHANG C.First arrival time pi?cking for microseismic data based on shearlet transform[J].Journal of Geophysics and Engineering，2017，14（2）：262?271.

［27］ZHANG J，TANG Y，LI H.STA/LTA fractal di?mension algorithm of detecting the P?wave arrival[J].Bulletin of the Seismological Society of America，2018，108（1）：230?237.

［28］馬強，金星，李山有，等.用于地震預警的P波震相到時自動拾取[J].地球物理學報，2013，56（7）：2313?2321

MA Qiang，JIN Xing，LI Youshan，et al.Automatic P?arrival detection for earthquake early warning[J].Chinese Journal of Geophysics，2013，56（7）：2313?2321.

［29］DONG L，BI S，ZHANG Y，et al.Arrival?time de?tection with multiscale wavelet analysis and source lo?cation of acoustic emission in rock[J].IEEE Sensors Journal，2023，23（14）：16313?16323.

［30］ZHANG Y，CHEN Q，LIU X，et al.Adaptive andautomatic P?and S?phase pickers based on frequency spectrum variation of sliding time windows[J].Geo?physical Journal International，2018，215（3）：2172?2182.

［31］龔屹，孟慶利，藍加達，等.利用聚類算法提高微地震初至拾取的穩定性[J].石油地球物理勘探，2024，59（1）：110?121.

GONG Yi，MENG Qingli，LAN Jiada，et al.Im?proving the stability of microseismic event detection by clustering algorithm[J].Oil Geophysical Prospecting，2024，59（1）：110?121.

［32］鄧飛，蔣沛凡，蔣先藝，等.應用圖像語義分割網絡的微地震事件識別和初至拾取方法[J].石油地球物理勘探，2022，57（5）：1011?1019.

DENG Fei，JIANG Peifan，JIANG Xianyi，et al.Mi?croseismic event recognition and first break picking method based on image semantic segmentation net?work[J].Oil Geophysical Prospecting，2022，57（5）：1011?1019.

［33］王永剛，樂友喜，張軍華.地震屬性分析技術[M].山東東營：中國石油大學出版社，2007.

［34］CHEN Y.Fast waveform detection for microseismicimaging using unsupervised machine learning[J].Geo?physical Journal International，2018，215（2）：1185?1199.

［35］MA H T，WANG T，LI Y，et al.A time pickingmethod for microseismic data based on LLE and im?proved PSO clustering algorithm[J].IEEE Geoscience and Remote Sensing Letters，2018，15（11）：1677?1681.

［36］周竹生，曾維祖，劉思琴，等.基于加權K均值聚類的多屬性初至拾取方法[J].地震學報，2020，42（2）：177?186.

ZHOU Zhusheng，ZENG Weizu，LIU Siqin，et al.First arrival picking method by seismic multi?attribute based on weighted K?means clustering algorithm[J].Acta Seismologica Sinica，2020，42（2）：177?186.

［37］LI Y，WANG Z，WANG J，et al.First arrival pi?cking on microseismic signals based on K?means with a relief algorithm[J].Symmetry，2021，13（5）：790.

［38］李康麗，馮波，王華忠.基于高維多屬性決策過程的復雜地表初至波識別與走時檢測方法[J].石油物探，2022，61（4）：599?608.

LI Kangli，FENG Bo，WANG Huazhong.Identifica?tion and travel time detection method for complex sur?face first arrivals based on high?dimensional multi?attri?bute decision?making process[J].Geophysical Pros?pecting for Petroleum，2022，61（4）：599?608.

［39］高磊，羅關鳳，劉蕩，等.基于聚類和局部線性回歸的初至波自動拾取算法[J].計算機應用，2022，42（2）：655?662.

GAO Lei，LUO Guanfeng，LIU Dang，et al.First?arrival automatic picking algorithm based on clustering and local linear regression[J].Computer Applications，2022，42（2）：655?662.

［40］ZHU X，CHEN B，WANG X，et al.Time series seg?mentation clustering：a new method for S?phase pi?cking in microseismic data[J].IEEE Geoscience and Remote Sensing Letters，2022，19：1?5.

［41］ZHU D，LI Y，ZHANG C.Automatic time pickingfor microseismic data based on a fuzzy C?means clus?tering algorithm[J].IEEE Geoscience and Remote Sensing Letters，2016，13（12）：1900?1904.

［42］PAL N R，PAL K，BEZDEK J C.A mixed c?meansclustering model[C].Proceedings of 6th International Fuzzy Systems Conference，1997，11?21.

［43］SAAD O M，SHALABY A，SAYED M S.Auto?matic arrival time detection for earthquakes based on fuzzy possibilistic C?means clustering algorithm[C].2017 8th International Conference on Recent Advances in Space Technologies（RAST），2017，143?148.

［44］GAO L，JIANG Z Y，MIN F.First?arrival traveltimes picking through sliding windows and fuzzy C?means[J].Mathematics，2019，7（3）：221.

［45］GAO L，JIANG H K，MIN F.Stable first?arrivalicking through adaptive threshold determination and spatial constraint clustering[J].Expert Systems with Applications，2021，182（C）：115216.

［46］譚家煒，李靜，李飛達，等.基于超虛干涉法約束的模糊C均值聚類地震初至自動提取[J].石油地球物理勘探，2020，55（5）：979?990.

TAN Jiawei，LI Jing，LI Feida，et al.Automatic ex?traction of fuzzy C?mean clustered seismic first arrivals based on super?virtual interferometry constraints[J].Oil Geophysical Prospecting，2020，55（5）：979?990.

［47］LAN Z，WANG Y，WANG P，et al.An adaptiveFCM?based approach of first arrival time picking for microseismic data[C].2021 IEEE International Geo?science and Remote Sensing Symposium，2021，8404?8407.

［48］GAO L，LIU D，LUO G F，et al.First?arrival pi?cking through fuzzy c?means and robust locally weightedregression[J].Acta Geophysica，2021，69（5）：1623?1636.

［49］CANO E V，AKRAM J，PETER D B.Automaticseismic phase picking based on unsupervised machine?learning classification and content information analysis[J].Geophysics，2021，86（4）：V299?V315.

［50］LAN Z Q，GAO P，WANG P，et al.Automatic firstarrival time identification using fuzzy C?means and AIC[J].IEEE Transactions on Geoscience and Remote Sensing，2022，60：1?13.

［51］MENG Y Q，LI Y，ZHANG C，et al.A time pi?cking method based on spectral Multimani fold cluste?ring in microseismic data[J].IEEE Geoscience and Re?mote Sensing Letters，2017，14（8）：1273?1277.

［52］HUANG W.Seismic signal recognition by unsuper?vised machine learning[J].Geophysical Journal Inter?national，2019，219（2）：1163?1180.

［53］CHEN M，LI Y，XIE J.A novel SVM?based methodfor seismic first?arrival detecting[J].Applied Mecha?nics and Materials，2010，29?32：973?978.

［54］ZHAO Z G，GROSS L.Using supervised machinelearning to distinguish microseismic from noise events[C].SEG Technical Program Expanded Abstracts，2017，36：2918?2923.

［55］QU S，VERSCHUUR E，CHEN Y K.Automaticmicroseismic?event detection via supervised machine learning[C].SEG Technical Program Expanded Ab?stracts，2018，37：2287?2291.

［56］QU S，GUAN Z，VERSCHUUR E，et al.Auto?matic high?resolution microseismic event detection via supervised machine learning[J].Geophysical Journal International，2020，222（1）：1881?1895.

［57］蔣一然，寧杰遠.基于支持向量機的地震體波震相自動識別及到時自動拾取[J].地球物理學報，2019，62（1）：361?373.

JIANG Yiran，NING Jieyuan.Automatic detection of seismic body?wave phases and determination of their arrival times based on support vector machine[J].Chinese Journal of Geophysics，2019，62（1）：361?373.

［58］DUAN X，ZHANG J.Multi?trace and multi?attributeanalysis for first?break picking with the support vector machine[C].SEG Technical Program Expanded Ab?stracts，2019，38：2559?2563.

［59］王騰.基于LLE?IPSO聚類和ABC?SVM的微地震初至拾取研究[D].吉林長春：吉林大學，2019.

WANG Teng.Research on Automatic Time Picking for Microseismic Data Based on LLE?ISPO Clustering and ABC?SVM Algorithm[D].Jilin University，Chang?chun，Jilin，2019.

［60］LI J H，RAN M K，TONG W K，et al.Transfer?learning?based SVM method for seismic phase picking with insufficient training samples[J].IEEE Geoscience and Remote Sensing Letters，2022，19：1?5.

［61］DAI H C，MACBETH C.Automatic picking of seis?mic arrivals in local earthquake data using an artificial neural network[J].Geophysical Journal International，1995，120（3）：758?774.

［62］VEEZHINATHAN J，WAGNER D.A neural net?work approach to first break picking[C].1990 Interna?tional Joint Conference on Neural Networks，1990，235?240.

［63］MURAT M E，RUDMAN A J.Automated first ar?rival picking：a neural network approach1[J].Geo?physical Prospecting，1992，40（6）：587?604.

［64］MCCORMACK M D，ZAUCHA D E，DUSHEK DW.First?break refraction event picking and seismic data trace editing using neural networks[J].Geophy?sics，1993，58（1）：67?78.

［65］MAITY D，AMINZADEH F，KARRENBACH M.Novel hybrid artificial neural network based autopi?cking workflow for passive seismic data[J].Geophysi?cal Prospecting，2014，62（4）：834?847.

［66］蘭金濤，張鳳軍，王春梅，等.基于神經網絡算法的可空變初至自動拾取時窗設計[C].中國石油學會2017年物探技術研討會，2017，197?200.

LAN Jintao，ZHANG Fengjun，WANG Chunmei，et al.Design of automatic pickup time window for 1able initial?to?variable first?arrival based on neural network algorithm[C].2017 Geophysical Exploration Technology Seminar of China Petroleum Society，2017，197?200.

［67］宋建國，李賦真，徐維秀，等.改進的神經網絡級聯相關算法及其在初至拾取中的應用[J].石油地球物理勘探，2018，53（1）：8?16.

SONG Jianguo，LI Fuzhen，XU Weixiu，et al.Im?proved neural network cascade correlation algorithm and its application to first?to?first pickup[J].Oil Geo?physical Prospecting，2018，53（1）：8?16.

［68］曹曉莉，劉斌，王淑榮，等.綜合動量法和可變學習速度的BP神經網絡地震初至拾取[J].石油地球物理勘探，2020，55（1）：71?79.

CAO Xiaoli，LIU Bin，WANG Shurong，et al.Inte?grated momentum method and variable learning speed for seismic first?to?earth pickup by BP neural network[J].Oil Geophysical Prospecting，2020，55（1）：71?79.

［69］YUAN S Y，LIU J W，WANG S X，et al.Seismicwaveform classification and First?Break picking using convolution neural networks[J].IEEE Geoscience and Remote Sensing Letters，2018，15（2）：272?276.

［70］ROSS Z E，MEIER M A，HAUKSSON E.P wavearrival picking and first?motion polarity determination with deep learning[J].Journal of Geophysical Re?search：Solid Earth，2018，123（6）：5120?5129.

［71］ROSS Z E，MEIER M A，HAUKSSON E，et al.Generalized seismic phase detection with deep learning[J].Bulletin of the Seismological Society of America，2018，108（5A）：2894?2901.

［72］ZHU L J，PENG Z G，MCCLELLAN J，et al.Deeplearning for seismic phase detection and picking in the aftershock zone of 2008 Mw7.9 Wenchuan Earthquake[J].Physics of the Earth and Planetary Interiors，2019，293：106261.

［73］于子葉，儲日升，盛敏漢.深度神經網絡拾取地震P和S波到時[J].地球物理學報，2018，61（12）：4873?4886.

YU Ziye，CHU Risheng，SHENG Minhan.Pick on?set time of P and S phase by deep neural network[J].Chinese Journal of Geophysics，2018，61（12）：4873?4886.

［74］李健，王曉明，張英海，等.基于深度卷積神經網絡的地震震相拾取方法研究[J].地球物理學報，2020，63（4）：1591?1606.

LI Jian，WANG Xiaoming，ZHANG Yinghai，et al.Research on the seismic phase picking method based on the deep convolution neural network[J].Chinese Journal of Geophysics，2020，63（4）：1591?1606.

［75］JOHNSON S W，CHAMBERS D J A，BOLTZ MS，et al.Application of a convolutional neural network for seismic phase picking of mining?induced seismicity[J].Geophysical Journal International，2021，224（1）：230?240.

［76］LIAO X F，CAO J X，HU J T，et al.First arrivaltime identification using transfer learning with conti?nuous wavelet transform feature images[J].IEEE Geo?science and Remote Sensing Letters，2020，17（11）：2002?2006.

［77］HE Z X，PENG P G，WANG L G，et al.PickCap?sNet：capsule network for automatic P?Wave arrival picking[J].IEEE Geoscience and Remote Sensing Let?ters，2021，18（4）：617?621.

［78］李安，楊建思，彭朝勇，等.基于樣本增強的卷積神經網絡震相拾取方法[J].地震學報，2020，42（2）：163?176，244.

LI An，YANG Jiansi，PENG Chaoyong，et al.Seis?mic phase identification using the convolutional neural networks based on sample enhancement[J].Acta Seis?mologica Sinica，2020，42（2）：163?176，244.

［79］ZHANG X，CHEN H，ZHANG W，et al.Genera?lized neural network trained with a small amount of base samples：application to event detection and phase picking in downhole microseismic monitoring[J].Geo?physics，2021，86（5）：KS95?KS108.

［80］GUO C，ZHU T，GAO Y，et al.AEnet：automaticpicking of P?wave first arrivals using deep learning[J].IEEE Transactions on Geoscience and Remote Sen?sing，2021，59（6）：5293?5303.

［81］LI J M，LI K Y，TANG S B.Automatic arrival?timepicking of P?and S?waves of microseismic events based on object detection and CNN[J].Soil Dynamics and Earthquake Engineering，2023，164：107560.

［82］劉佳楠，武杰.基于全卷積神經網絡的地震初至波拾取[J].信息技術與網絡安全，2018，37（11）：58?63.LIU Jianan，WU Jie.Seismic first arrival picking based on fully convolutional networks[J].Information Technology and Network Security，2018，37（11）：58?63.

［83］RONNEBERGER O，FISCHER P，BROX T.U?Net：Convolutional Networks for Biomedical Image Segmentation[M]∥Medical Image Computing and Computer?Assisted Intervention?MICCAI 2015.Cham，Springer，2015，234?241.

［84］ZHU W，BEROZA G C.PhaseNet：a deep?neural?network?based seismic arrival?time picking method[J].Geophysical Journal International，2018，216（1）：261?273.

［85］CHAI C，MACEIRA M，SANTOS?VILLALOBOSH J，et al.Using a deep neural network and transferlearning to bridge scales for seismic phase picking[J].Geophysical Research Letters，2020，47（16）：e2020GL0?88651.

［86］HU L，ZHENG X，DUAN Y，et al.First?arrivalpicking with a U?net convolutional network[J].Geo?physics，2019，84（6）：U45?U57.

［87］HAN S，LIU Y J，LI Y B，et al.First arrival travel?time picking through 3?D U?Net[J].IEEE Geoscience and Remote Sensing Letters，2022，19：1?5.

［88］李建平，張碩偉，丁仁偉，等.面向地震波初至智能拾取的超分辨率深度殘差方法研究[J].石油地球物理勘探，2023，58（2）：251?262.

LI Jianping，ZHANG Shuowei，DING Renwei，et al.Research on depth residual method of super?resolu?tion for intelligent seismic wave first arrival pickup[J].Oil Geophysical Prospecting，2023，58（2）：251?262.

［89］WU H，ZHANG B，LI F，et al.Semiautomatic first?arrival picking of microseismic events by using the pixel?wise convolutional image segmentation method[J].Geophysics，2019，84（3）：V143?V155.

［90］YUAN S Y，ZHAO Y，XIE T，et al.SegNet?basedfirst?break picking via seismic waveform classification directly from shot gathers with sparsely distributed traces[J].Petroleum Science，2022，19（1）：162?179.

［91］PARDO E，GARFIAS C，MALPICA N.Seismicphase picking using convolutional networks[J].IEEE Transactions on Geoscience and Remote Sensing，2019，57（9）：7086?7092.

［92］YUAN P Y，HU W Y，WU X Q，et al.First arrivalpicking using U?net with Lovasz loss and nearest point picking method[C].SEG Technical Program Ex?panded Abstracts，2019，38：2624?2628.

［93］吳雨鑫.基于U?Net的自動初至拾取方法[D].黑龍江哈爾濱：哈爾濱工業大學，2020.

WU Yuxin.Automatic First?to?First Pickup MethodBased on U?Net[D].Harbin Institute of Technology，Harbin，Heilongjiang，2020.

［94］WANG J，XIAO Z W，LIU C，et al.Deep learningfor picking seismic arrival times[J].Journal of Geo?physical Research：Solid Earth，2019，124（7）：6612?6624.

［95］ZHANG L，FANG L H，WANG W L，et al.Seis?mic phase picking in China Seismic Array using a deep convolutional neuron network[J].Earthquake Science，2020，33（2）：72?81.

［96］陳德武，楊午陽，魏新建，等.基于混合網絡U?Seg?Net的地震初至自動拾取[J].石油地球物理勘探，2020，55（6）：1188?1201.

CHEN Dewu，YANG Wuyang，WEI Xinjian，et al.Automatic seismic first?arrival pickup based on hybrid network U?SegNet[J].Oil Geophysical Prospecting，2020，55（6）：1188?1201.

［97］陳德武，楊午陽，魏新建，等.一種基于改進的U?Net網絡的初至自動拾取研究[J].地球物理學進展，2021，36（4）：1493?1503.

CHEN Dewu，YANG Wuyang，WEI Xinjian，et al.Research on first?break automatic picking based on an improved U?Net network[J].Progress in Geophysics，2021，36（4）：1493?1503.

［98］李薇薇，龔仁彬，周相廣，等.基于深度學習UNet++網絡的初至波拾取方法[J].地球物理學進展，2021，36（1）：187?194.

LI Weiwei，GONG Renbin，ZHOU Xiangguang，et al.UNet++：a deep?neural?network?based seismic arrival time picking method[J].Progress in Geophy?sics，2021，36（1）：187?194.

［99］ZHANG J L，SHENG G Q.First arrival picking ofmicroseismic signals based on nested U?Net and Was?serstein generative adversarial network[J].Journal of Petroleum Science and Engineering，2020，195：107527.

［100］ZHENG J，LU J，PENG S，et al.An automatic mi?croseismic or acoustic emission arrival identification scheme with deep recurrent neural networks[J].Geo?physical Journal International，2018，212（2）：1389?1397.

［101］BIRNIE C，HANSTEEN F.Bidirectional recurrent neural networks for seismic event detection[J].Geo?physics，2022，87（3）：KS97?KS111.

［102］ZHOU Y，YUE H，KONG Q，et al.Hybrid event detection and phase?picking algorithm using convolu?tional and recurrent neural networks[J].Seismological Research Letters，2019，90（3）：1079?1087.

［103］MOUSAVI S M，ZHU W Q，SHENG Y X，et al.CRED：a deep residual network of convolutional and recurrent units for earthquake signal detection[J].Scientific Reports，2019，9（1）：10267.

［104］MOUSAVI S M，ELLSWORTH W L，ZHU W Q，et al.Earthquake transformer?an attentive deep?lear?ning model for simultaneous earthquake detection andphase picking[J].Nature Communications，2020，11（1）：3952.

［105］ZHENG J，HARRIS J M，LI D，et al.SC?PSNET：a deep neural network for automatic P?and S?phase detection and arrival?time picker using 1C re?cordings[J].Geophysics，2020，85（4）：U87?U98.

［106］LIAO W Y，LEE E J，MU D，et al.ARRU phase picker：attention recurrent?residual U?Net for picking seismic P?and S?phase arrivals[J].Seismological Re?search Letters，2021，92（4）：2410?2428.

［107］FENG T，MOHANNA S，MENG L.EdgePhase：a deep learning model for multi?station seismic phase picking[J].Geochemistry Geophysics Geosystems，2022，23（11）：e2022GC010453.

［108］LIM J，JUNG S，JEGAL C，et al.LEQNet：light earthquake deep neural network for earthquake detec?tion and phase picking[J].Frontiers in Earth Science，2022，10：848237.

（本文編輯：劉海櫻）

作者簡介

易思夢碩士研究生，1996年生。2020年獲西南科技大學機械設計制造及其自動化專業學士學位；現在西南石油大學攻讀機械專業碩士學位，主要從事微地震正、反演方面的學習和研究。