Improving Deep Learning-Based Seismic Phase Picking by Addressing Label Imbalance

地球的秘密语言与缺失的音符

想象一下，地球是一个巨大且躁动的鼓。当它移动、开裂或沉降时，会发出涟漪——即地震波——这些波像空气中的声音一样在地面上传播。地震学家就是试图聆听这些涟漪，以了解地下深处发生了什么的人。几十年来，他们的工作就像是在一个拥挤嘈杂的房间里寻找特定的低语。他们必须盯着屏幕上扭曲的线条，手动识别出“P波”（首先到达的快速波）或“S波”（较慢的震动波）出现的精确时刻。这是一项缓慢且令人疲惫的工作，随着现代传感器24小时不间止地记录地球数据，数据量之大已远超人类肉眼所能处理的极限。

深度学习登场了，这是一种能够比人类更快识别模式的“计算机大脑”。这些数字侦探已经变得极其擅长阅读地球的鼓点，能够发现人类可能会错过的地震。但问题在于：当地球变得非常狂躁时——例如在一场大规模地震发生并伴随数百次小型余震期间——大事件产生的“噪声”会淹没微小的余震信号。计算机也会因此感到困惑，由于它被训练为更多地关注轰鸣声之间的寂静而非轰鸣声本身，它经常会漏掉那些微弱的信号。这篇论文提出了一个简单的问题：我们能否教计算机更努力地去倾听那些安静的部分，而不必改变计算机本身的结构？

调优耳朵：一种新的教学方式

这项研究的研究人员（由东京大学和京都大学的加藤真也及其团队领导）意识到，问题不在于计算机的“大脑”（其架构），而在于他们教导它的方式。他们将训练过程比作老师给学生批改作业。

在训练这些模型的标准方式中，计算机观察一段30秒的地震数据。在这段数据中，“背景”（即没有任何事情发生的安静、枯燥的部分）占据了大约98%的时间。实际的地震信号（P波和S波）则是微小且尖锐的脉冲，每种可能仅占据1%。当计算机尝试学习时，它会根据对整个30秒数据的预测准确程度获得一个“分数”。由于背景过于庞大，计算机学到了最容易获得高分的方法，那就是始终预测为“背景”。它变得懒惰了，忽略了那些微小但重要的脉冲，因为它们对整体评分的影响微乎其微。这就像一个学生只学习教科书中枯燥的章节，因为考试大部分内容都围绕这些章节展开，结果他们完全错过了精彩且关键的情节转折。

为了解决这个问题，团队发明了一种新的“评分系统”，称为面积加权软交叉熵损失（area-weighted soft cross-entropy loss）。这种新方法不再平等对待录音中的每一秒，而是给予计算机巨大的奖励，以表彰它正确识别那些微小且重要的脉冲。这就像告诉学生：“如果你把枯燥的背景答对了，你得一分；但如果你发现了微小的P波或S波，你会得到一百分！”这迫使计算机即使在信号稀少的情况下，也要高度关注波形的到达时间。

他们的发现：捕捉更多的低语

团队在两种流行的地震检测模型——SegPhase和PhaseNet上测试了这种新的“评分系统”。他们没有改变模型的“大脑”，只是改变了游戏的规则。

结果显示出明显的行为转变。使用新权重规则训练的模型变得更加敏感。

• 更精准的时机： 当模型确实预测到到达时间时，它们的精度更高了。其误差的“散射”或分布显著下降。对于SegPhase模型，P波的误差分布从0.20秒缩减到了0.07秒；对于S波，则从0.27秒降至0.05秒。
• 权衡： 然而，提高敏感度是有代价的。模型开始“看到”一些并不存在的东西。它们捕捉真实地震的能力增强了（更高的召回率），但也开始将一些噪声标记为地震（较低的精确度）。这就像一个金属探测器过于灵敏，不仅会对金币发出鸣响，也会对易拉罐发出鸣响。研究人员发现，这些模型变得“倾向于召回”，这意味着它们不太可能错过真实的事件，即便这意味着稍后需要核查一些误报。

实战测试：里奇克雷斯特地震

为了验证这在现实世界中是否有效，团队将他们的新模型应用于2019年加利福尼亚州里奇克雷斯特（Ridgecrest）地震序列的连续数据。这是一个重大的事件，包含一次主震和数千次余震。

结果令人印象深刻。使用加权损失的模型比原始模型检测到了更多的地震：

• 使用新方法，SegPhase找到了34,008次地震，而旧方法为26,914次。
• 使用新方法，PhaseNet找到了32,997次地震，而旧方法为23,622次。

这些数字甚至超过了由其他专家使用不同方法创建的两个现有目录的计数。新的模型成功地绘制出了与专家相同的地震带，但在其间发现了更多的小型事件。这表明，通过让模型不再害怕错过信号，它们可以帮助科学家构建更完整的地震活动图景。

局限性：当噪声过大时

但故事并未以完美的解决方案结束。研究人员诚实地指出了局限性。他们发现，虽然新方法在序列中间阶段寻找小型地震方面表现出色，但在发生最大、最强烈的地震之后，它仍然面临困难。

在大地震发生后不久，地面会持续震动很长时间，产生“尾波（coda waves）”——这是一种混沌且高能量的轰鸣，淹没了下一个微小地震的细微信号。即使有了这些用于识别信号的“奖励分”，计算机也无法听到那些微小的低语，因为大地震的咆哮实在太响、太混乱了。论文指出，虽然改变训练规则有所帮助，但它无法解决物理上相互覆盖的信号问题。

总结

这篇论文表明，要解决问题，并不一定需要构建一个更大、更复杂的计算机大脑。有时，你只需要改变教导它的方式。通过重新分配数据中微小且关键时刻的重要性，研究人员使现有的模型能够更好地识别地震，尤其是那些容易被忽视的小型地震。这提醒我们，在嘈杂、混乱的地震科学世界中，有时最好的听取未来的方式，是更努力地去倾听过去的那些安静时刻。