深度學習降噪技術有助于提高短周期密集地震臺陣地殼結構成像分辨率 |馮銘業等-SRL

短周期密集地震臺陣具有成本低廉、易于布設的優勢，逐漸發展成為關鍵構造區地殼-上地幔尺度結構被動源地震成像的主流方法之一。不同于寬頻帶地震儀，去儀器響應是短周期地震儀接收函數成像必要的處理步驟，用于恢復遠震記錄中的低頻信號。但是，去儀器響應同時放大了低頻噪聲，導致噪聲水平較高的情況下遠震記錄信噪比“不升反降”（圖1）。由于噪聲與遠震信號頻帶相似，使用常規的帶通濾波方法難以將其去除，甚至不具備可行性。

圖1 去儀器響應（a）能夠恢復遠震波形、（b）破壞遠震波形。去儀器響應前后波形分別用藍色和黑色線表示，其中零時刻表示遠震P波理論到時

為解決這一問題，中科院地質與地球物理研究所博士生馮銘業與導師陳凌研究員、韋生吉客座研究員等，將深度學習方法——卷積神經網絡近震記錄降噪技術——引入到三分量遠震記錄降噪中，進而提高P波接收函數波形及成像分辨率。不同于傳統的頻率域（或小波域等）濾波降噪方法，神經網絡經過機器學習訓練能夠分別預測信號和噪聲，實現二者的有效分離，在提高信噪比方面明顯優于傳統方法。但是，由于近震記錄與遠震記錄波形特征差異較大，基于近震數據集訓練得到的神經網絡模型難以直接、有效地應用到遠震記錄。為此，該研究利用全球地震監測臺網長達20年的高質量遠震數據對“當下先進的”時間域“端到端”卷積神經網絡結構WaveDecompNet重新進行了訓練，發展了名為NodalWaden的新模型。研究將NodalWaden應用于布設在蘇門達臘北部亞齊地區的155個短周期地震儀長達1.5年的遠震觀測記錄，發現約50%遠震數據的信噪比有顯著提高（從~1提高至>10）（圖2）。

圖2（a）蘇門答臘北部亞齊地區短周期地震儀分布及本研究所用遠震事件分布。（b）深度學習技術能夠有效分離原始三份量遠震記錄（黑色）中的遠震信號（紅色）和噪聲（藍色），其中零時刻表示遠震P波理論到時。（b）降噪前后單臺A01和所有臺（共155個）信噪比（SNR）統計圖對比，其中降噪前后結果分別用黑色和紅色表示

研究發現相對未降噪數據，利用降噪數據計算的接收函數波形具有三方面明顯提升：1）接收函數中的長周期波包噪聲得到了有效壓制，波形更為清晰；2）在大約2 s處的一個正極性弱信號振幅得到明顯加強；3）直達P波震相振幅得到有效恢復（圖3a）。經過接收函數波形分析和共轉換點疊加成像，發現該約2s處正極性震相對應中地殼深度，可能反映未降噪數據集無法清晰分辨的康拉德界面（圖3b）。

圖3（a）降噪前后TG09臺站接收函數波形對比（分別位于左側和右側）。（b）降噪前后沿圖2a中AA’剖面接收函數地殼-上地幔頂部結構成像結果對比，其中Moho和Conrad分別表示本研究所解釋的莫霍面和康拉德面

這項研究為短周期地震記錄智能降噪提供了新方案，為提高短周期密集臺站地殼尺度結構成像分辨率提供了新思路，促進了人工智能與地震學的交叉融合。

研究成果發表于國際地震學學術期刊SRL（馮銘業，陳凌*，韋生吉，Umar Muksin，Andrean V. H. Simanjuntak，陳余寬，宮暢. Deep Learning – Based Denoising Improves Receiver Function Imaging Using Dense Short-Period Teleseismic Data [J]. Seismological Research Letters. DOI:?10.1785/0220240017.）

編輯：萬鵬