鑒于人工智能在信號檢測與識別領(lǐng)域的巨大成功、廣泛分布的臺站接收函數(shù)數(shù)據(jù)以及高分辨的區(qū)域性的殼幔三維速度模型，本文將卷積神經(jīng)網(wǎng)絡（CNN）應用于接收函數(shù)的質(zhì)量評估，將U型網(wǎng)絡結(jié)構(gòu)（UNet）應用于接收函數(shù)和面波頻散的聯(lián)合反演，嘗試實現(xiàn)高質(zhì)量接收函數(shù)的自動高效篩選，構(gòu)建符合區(qū)域構(gòu)造背景的速度結(jié)構(gòu)模型。

中國地震局地球物理研究所吳慶舉研究員團隊通過構(gòu)建基于人工智能的卷積神經(jīng)網(wǎng)絡，實現(xiàn)對P波接收函數(shù)波形質(zhì)量的快速評估，為殼幔結(jié)構(gòu)研究提供高質(zhì)量的接收函數(shù)；通過構(gòu)建UNet實現(xiàn)對接收函數(shù)和面波頻散的聯(lián)合反演成像，獲得符合先驗模型約束的穩(wěn)健的S波速度結(jié)構(gòu)。

本研究處理了來自青藏高原東北緣的22221個遠震事件，引入信噪比和相似度方法，采用標簽為好或差的簡單二分對數(shù)據(jù)質(zhì)量進行標識：高信噪比且高相似度的數(shù)據(jù)用標簽1標識為合格數(shù)據(jù)；低相似度且低信噪比的數(shù)據(jù)用標簽0標識為不合格數(shù)據(jù)，舍棄其余數(shù)據(jù)，避免其模糊性對網(wǎng)絡的影響。用接收函數(shù)波形數(shù)據(jù)、遠震Z分量數(shù)據(jù)以及質(zhì)量標簽訓練CNN，反向傳播更新CNN權(quán)重，建立接收函數(shù)波形數(shù)據(jù)和質(zhì)量分類之間的映射關(guān)系，構(gòu)建了CNN框架。驗證集數(shù)據(jù)的預測結(jié)果表明：CNN繼承了人工挑選接收函數(shù)的經(jīng)驗，能夠從原始的接收函數(shù)數(shù)據(jù)中篩選出高信噪比、高相似度的接收函數(shù)（圖1）。

本研究基于全球PREM模型和Ccrust5.1模型，對模型參數(shù)做合理的隨機擾動，隨機生成大量的地殼模型，計算合成接收函數(shù)和頻散，建立接收函數(shù)和面波頻散數(shù)據(jù)與S波速度結(jié)構(gòu)數(shù)據(jù)的訓練集，然后將接收函數(shù)和面波頻散作為兩個通道的模型輸入，將地球S波速度結(jié)構(gòu)作為輸出，實現(xiàn)端到端的訓練，從而建立了接收函數(shù)和面波聯(lián)合反演的UNet模型。將野外實測數(shù)據(jù)作為UNet的驗證集，測試集和驗證集的Loss曲線表明UNet具有較好的泛化能力。與經(jīng)典的阻尼最小二乘反演結(jié)果的對比表明，對大量模型進行深度學習后反演獲得的模型更加穩(wěn)健，且UNet還能給出反演結(jié)果的不確定度（圖2）。

圖1 人工挑選接收函數(shù)與CNN挑選接收函數(shù)的對比圖。臺站61063和62335的接收函數(shù)的人工挑選（第一行，高斯濾波參數(shù)為 1.0）和 CNN挑選結(jié)果（第二行，高斯濾波參數(shù)為 1.5）的比較；Ps、PpPs 和 PpSs + PsPs的理論到時用黑色虛線標記

圖2 (a)用于反演的疊加P波接收函數(shù)；(b) 利用阻尼最小二乘法聯(lián)合反演面波與接收函數(shù)得到的模型 (Li et al., 2017)； (c)UNet 聯(lián)合反演接收函數(shù)和面波頻散得到的模型 (d) 由100個預測模型導出的不確定度

本研究提出了基于深度學習的接收函數(shù)質(zhì)量評估方法，將數(shù)據(jù)的信噪比和相似度應用于神經(jīng)網(wǎng)絡，實現(xiàn)了接收函數(shù)質(zhì)量的高效評估，對于地球物理資料質(zhì)量的定量高效評估有潛在的應用前景。首次將神經(jīng)網(wǎng)絡應用于接收函數(shù)和面波頻散聯(lián)合反演，理論模型和實際觀測數(shù)據(jù)的測試表明，基于神經(jīng)網(wǎng)絡的聯(lián)合反演方法較阻尼最小二乘法，有反演所期待的結(jié)果穩(wěn)健的特點，對于地球物理資料反演有潛在的科學意義和應用價值。

研究成果詳見： Gan, L., Wu, Q., Huang, Q., & Tang, R. (2022). Quality classification and inversion of receiver functions using convolutional neural network. Geophysical Journal International, 232(3), 1833-1848.https://doi.org/10.1093/gji/ggac417

【作者簡介】

第一作者：甘露，女，1992年生，博士，主要從事地球物理反演方法研究。

Email：ganlu@pku.edu.cn；

通訊作者：吳慶舉，男，1966年生，研究員，主要從事地震學、地球內(nèi)部結(jié)構(gòu)以及地球動力學研究工作。

Email：wuqj@cea-igp.ac.cn