基于深度学习到时拾取自动构建长宁地震前震目录

赵明， 唐淋， 陈石， 苏金蓉， 张淼

1 中国地震局地球物理研究所， 北京 100081 2 北京白家疃国家地球科学野外观测研究站， 北京 100095 3 四川省地震局， 成都 610041 4 加拿大戴尔豪斯大学地球和环境科学系， 新斯科舍省 哈利法克斯 B3H 4R2

0 引言

微震的识别和定位一直以来是地震研究的热点和难点.其中，有效地识别前震活动和建立完备的前震目录，对于理解前震和震群活动历程，地震触发和地震成核机制等十分关键(Ross et al., 2019a).近年来，随着观测技术和仪器精度的提高，密集台阵的大规模布设，地震监测能力也有了很大提升，但与此同时需要处理的地震数据量不断增长，对高精度、可实用的自动化数据处理方法和手段的需求越来越迫切.

地震数据处理一般包含挑取震相到时、多台震相关联、事件定位、测定震级等几个环节，最终以地震目录的形式发布.挑取震相、震相关联等是后续地震定位和测定震级的基础和前提，目前很大程度上仍依赖于人工处理.人工处理的主要挑战在小震震相的识别和到时挑取上，小震事件一是数量多，根据Gutenberg-Richter经验法则(Gutenberg and Richter, 1944)，地震每下降一个震级，数量会增加约10倍；二是信噪比相对较弱，很容易被误检和漏检.多年以来人们发展了很多算法进行小震的自动识别与检测.其中，基于波形相似性的模板匹配算法在小震的检测识别上十分有效(Peng and Zhao, 2009; Shelly et al., 2007; Yang et al., 2009; Zhang and Wen, 2015)，但其计算量较大，不能满足实际应用中高效快速处理大量连续波形数据的需求.

近年来，深度学习和人工智能技术的快速发展，在地震学领域也得到一系列成功应用，主要体现在小震自动识别(赵明等, 2019a; Perol et al., 2018; Yang et al., 2020)、震相挑取(赵明等, 2019b; Ross et al., 2018; Wang et al., 2019; 刘芳等, 2020)、震相关联(Ross et al., 2019b)、定位(Zhang et al., 2020)等几个方面，都有比较明显的进展.这些研究的共同点在于，将深度神经网络用于复杂地震波形抽象特征的自动提取，在使用大量标签数据进行监督学习之后，训练好的模型通常在一些与训练数据相似的测试数据集或研究区域具有可媲美甚至超过传统方法的效果.不过，深度神经网络方法实用化的关键在于模型能否达到比较高的泛化能力，即是否能在训练样本以外的数据上也取得不错的效果.得益于海量高质量训练数据样本的收集与整理，一部分深度学习算法模型取得了较高的泛化能力.例如使用北加州地震台网889个台站近30年的事件波形数据(超过700000个带P、S震相标签的样本)训练得到的U型卷积神经网络P、S震相挑取算法(简称PhaseNet)，适用于100 km震中距范围内的近震事件震相挑取(Zhu and Beroza, 2019).目前PhaseNet与传统地震定位流程结合已经被用于直接处理多个地区的连续地震波形，表现出出色的泛化能力，比如：2019年加州Ridgecrest地震序列(Liu et al., 2020)，2010年Guy-Greenbrier地震序列的诱发地震(Park et al., 2020)，以及短周期密集台阵记录的诱发地震(Wang et al., 2020a).

本研究借鉴了Liu等(2020)处理2019年加州Ridgecrest地震序列的方法和思路，将深度神经网络震相自动挑取技术、最新发展的震相自动关联技术与发展相对成熟的传统地震定位方法结合起来，构建了一套直接从处理连续地震波形出发到产出地震目录的自动化流程.其具体步骤包括：(1)通过迁移学习将具备较高泛化能力的深度学习模型应用至目标研究区域的P、S震相自动挑取；(2)应用震相关联技术自动关联P、S震相并进行初步定位；(3)依次利用传统绝对定位法和相对定位法在初步定位基础上进一步优化定位结果，得到事件的发震时刻、经纬度和深度; (4)自动仿真并量取关联好的S波形振幅并计算ML地方震级.

基于上述自动化数据处理流程，我们以2019年6月17日四川宜宾市长宁县发生的MS6.0地震震前小震活动为研究对象，构建对应的自动识别地震目录.根据中国地震台网发布的公开地震目录，长宁地震震前半个月只有小于3级的小震发生，所有小震均集中沿长宁背斜构造线发生(长约25 km，宽约5 km)，并且在长宁地震震中50 km范围内有相对密集的台站覆盖(易桂喜等,2019; Lei et al.,2020)，这些条件对于验证和应用我们的自动化数据处理与地震目录构建流程是非常理想的.我们将得到的自动识别目录与公开目录进行了对比，验证了自动识别目录的精度和可靠性，以及在小震识别方面的突出优势.研究成果可以为长宁地震震前微震活动的快速特征分析提供参考.

1 台站和数据

本研究所使用的连续波形数据来自2019年6月1日00时00分—6月17日22时55分期间，长宁MS6.0地震震中75 km范围内21个台站记录的原始数据(图1)，其数据主要有50 Hz(10台短周期仪器)和100 Hz(11台宽频带仪器)两种，总计约28 GB.台站对震区形成了较好的方位覆盖，超过一半的台(12个)位于离震中30 km范围内，保证了定位结果的可靠性.按照深度学习模型对输入数据的要求，我们对数据进行了以下统一预处理：(1)去均值和去线性化；(2)统一采样至100 Hz；(3)使用1 Hz的高通滤波器进行滤波(提高信噪比).

本研究还收集了2019年四川台网5—8月间的人工拾取震相报告，包括与16595个地震事件关联的120233对P、S震相.我们根据震相报告和对应的事件波形制作了用于迁移学习的训练集和验证集，其中以我们所研究的长宁盐矿区19个台站(27.5°N—29.4°N，104°E—106°E)在2019年6月1日—30日期间记录的32535条波形为验证集，其余103638条波形为训练集.

此外，长宁MS6.0地震震前(2019年6月1日—6月17日22时55分)在研究区域内人工检测到了101个事件(ML0～2.9)，震相报告中与之关联的P震相有474个，S震相有553个，这部分数据在下文用于不同结果的对比.以上所有数据均由四川省地震局提供.

2 方法

本文自动构建地震目录的流程分为四步，最终得到的是地震事件的发震时刻，经纬度及深度位置，震级，以及与事件相关联的P、S震相到时信息.具体流程细节如下.

2.1 基于深度学习模型的震相自动识别

首先在PhaseNet算法以及利用北加州数据训练的模型(以下简称北加州模型)基础上，加上第1节所述的训练集和验证集进行迁移学习训练，得到更适用于四川地区数据的检测模型.由于新加入的数据相比北加州模型所用的训练数据是比较少的，所以我们在训练过程中采用了一些数据增强的技巧，包括随机平移，加噪、事件叠加、噪声叠加、重采样等(Zhu et al., 2020).为了证明PhaseNet算法在长宁区域的适用性，我们分别使用迁移学习训练之后的模型、北加州模型、RNN模型(Zhou et al., 2019)、STA/LTA方法对同一测试集进行到时拾取，并给出了每种算法预测值与其标签值的误差直方图，如图2所示，我们定义与标签的绝对值误差在0.5 s以内的拾取震例为真正例(TP)，由此可以计算出精度(Pr)、召回率(Re)、F1综合评估值等深度学习算法评价指标，用于衡量算法的震相检测能力，此外误差直方图的均值(μ)、方差(σ)、绝对平均误差(MAE)则能够在统计意义上反映算法到时拾取的准确性.对比结果表明，迁移学习模型和北加州模型在所有六项指标上都显著优于RNN模型和STA/LTA算法，而迁移学习训练的模型则在北加州模型基础上有所提升，尤其在S震相的拾取上，同时修正了北加州模型直接用于四川地区数据所带来的系统误差(图2a，c中误差分布明显偏向正值区域，这说明网络更倾向于给出稍滞后于人工标注的到时预测，而迁移学习之后模型的误差分布更为均匀，没有这一倾向性).

图1 (a) 研究区域及台站分布.方框为研究区域，也是长宁地震及其余震序列发生地点；白色圆圈表示所用台站的震中距最大范围，即以方框中心为圆心半径 75 km范围内；蓝线为人工勘察断层(雷兴林等(Lei et al., 2019))，绿线为构造线； (b) 图(a)方框的放大图，圆点为我们的HYPODD重定位目录，其颜色深浅代表事件的发生时间(从2019年6月1日至17日)，红色同心圆为盐矿注水井，图中两个红色虚线方框为地震集中区域，标记为1号和2号区域以 便于正文中讨论.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.

图2 不同算法(从上到下依次为：迁移学习PhaseNet模型，北加州PhaseNet模型，RNN模型， STA/LTA)的自动震相拾取误差分布图，左边四图为P波，右边四图为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

图4 (a) P波走时-震中距关系图，其中红点表示REAL关联震相，蓝点表示人工关联震相； (b) S波走时-震中距关系图；(1)(2)为(a)(b)中虚线圈标注的“离群点”所对应的波形，其中蓝色代表P到时，红色代表S到时，实线为机器 拾取，虚线为人工拾取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

图5 (a)人工地震目录，(b) REAL初步定位目录，(c) VELEST目录和(d)HYPODD目录 圆点颜色代表震源深度，大小代表震级，其中(a)图中虚线圆圈内是3.2节讨论的定位有误的ML2.0人工目录事件， 红色五角星代表长宁MS6.0地震，紫线为人工勘察断层，绿线为构造线，红色同心圆代表盐矿注水井.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.

图6 人工目录与VELEST目录的震源参数对比图 (a) VELEST目录震级(红色)与人工计算的震级(蓝色)对比； (b) 两种目录共同事件的震级差； (c) 两种目录共同事件的发震时刻差； (d) 两种目录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.

图7 VELEST和人工目录中差异较大的共同事件的波形图 其中(a)和(b)是两个目录中的一组共同事件，(c)和(d)是另外一组共同事件.(a)和(c)为人工目录中位置和关联震相， (b)和(d)为VELEST目录中的位置和关联震相.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.

我们将验证集上表现最优的模型(即迁移学习后的PhaseNet)用于连续地震波形的P、S震相自动拾取：首先将预处理之后的连续波形每间隔15 s依次切割成30 s长(3000采样点)的三分量地震波形片段，然后将这些部分重叠的波形片段输入PhaseNet模型进行预测，预测曲线如图3a所示，其中红蓝色高斯概率分布的峰值分别对应于P、S到时.在配备有一块NVIDIA GTX 1080ti GPU加速卡的DELL Precision-7920-Tower工作站上，对 21个台站的连续波形数据进行了扫描，一共自动挑取了131976个P到时，124357个S候选到时，单台一天的连续波形扫描约需37 s，总共耗时约3.6 h.

2.2 自动关联与初步定位

多台震相关联是定位的基础，同时也能很大程度上排除一部分误识别震相，以及不属于研究范围内的震相.这一步采用了Zhang等(2019)开发的REAL算法.REAL算法是一种三维网格搜索算法，可以将按时间顺序排列的多台P、S到时与特定事件相关联，同时通过震相到时计数和与理论到时的走时残差计算来定位(图3b).其搜索范围为以P波最早记录的台站为中心，水平向27.75 km，深度方向15 km，网格大小为2.2 km×2.2 km×2 km.只有关联到的P、S到时个数达到一定阈值才被认为是一个事件，同时到时计数最多的网格所在位置作为该事件的初步定位结果；如果有多个网格拥有着共同最大数目关联震相，则其中走时残差最小的网格为最优位置.本研究选取了P到时不少于3个，P+S不少于6个作为事件触发阈值.在定位模型方面，我们用到了易桂喜等(2019)文章中表1的长宁地区一维速度模型.这一步在研究区域范围内初步检测并定位了1067个事件，以及与事件相关联的4358个P震相，5022个S震相.

2.3 绝对定位与相对定位

在REAL关联与初步定位基础上，我们先后采用VELEST(Kissling et al.,1994)和HYPODD(Waldhauser and Ellsworth, 2000)进一步优化定位结果.VELEST是一种基于最小二乘的高效绝对定位算法.HYPODD 通过引入地震对走时残差的差能够得到高精度的震源位置参数.二者都是地震事件定位常用的算法.在VELEST绝对定位后，我们使用空隙角≤220°对定位结果进行筛选，并排除结果中走时残差≥0.3 s的事件，得到870个绝对定位事件.这一严格设置虽然会减少有效地震的数目，但是能保证我们自动检测的可靠性和定位的精度.然后进一步使用HYPODD进行高精度相对定位.在这一步，我们使用了严格的参数筛选，即：事件-台站对距离不超过50 km，而且定位震相不低于8对.总共产生416个相对定位事件.

2.4 计算ML震级

通常测定地方性震级时要将宽频带数字地震记录仿真成短周期位移记录，并利用S波最大振幅计算，其计算公式为ML=logAμ+R(Δ)，其中Aμ为水平分量的最大振幅，R为量规函数，可查表获得(见唐淋等(2018)).我们使用四川省地震局提供的实时仿真程序对数据进行了Wood-Anderson型仪器实时仿真，并自动量取S波在N、E分量上的最大振幅并取平均，代入公式中即可自动计算得到震级.

3 结果分析

3.1 拾取到时可靠性

在震相关联方面，如图4所示，与事件成功关联的P、S震相数目均是人工的9倍以上.人工和自动关联到时主要集中在震中距<60 km范围，二者的走时-震中距曲线均沿一条直线分布，并且能够很好的匹配.我们注意到<10 km范围人工拾取到时偏离直线的“离群点”更多一些，这种情形基本都是由于人工拾取的S震相不够准确所致，如图4(a,b)中圈出的两对“离群点”所对应的波形(1)(2)，可以看到机器和人工在P震相的拾取上基本一致，但S震相拾取差异较大.当S-P到时差不到2 s时，即使很小的到时拾取误差也会造成较大的定位误差，从而表现为走时-震中距曲线上的“离群点”，而深度学习对这些<10 km的事件自动挑取的到时更为准确.

3.2 目录对比

图5展示了101个人工定位，1067个REAL初步定位，870个VELEST绝对定位以及416个HYPODD相对定位结果.VELEST目录更注重完整性，包含了所有三台及三台以上的定位事件，而HYPODD定位结果则利用严格的参数筛选保留了高精度相对定位事件.

首先我们与人工目录对比了发震时刻、水平位置、震级方面的差异，分别计算了三者的均值和标准差.其中，由于人工目录的深度并不准确，所以我们只比较了水平定位误差.计算结果表明，总共101个人工目录事件，可以在VELEST目录找到85个事件与之匹配，这85个事件与人工目录的平均发震时刻误差为0.36±0.07 s，震级差为0.15±0.024级，位置差为1.45±0.028 km.对16个未能与人工目录匹配的事件，经过检查发现，10个是因为走时残差过大(0.3～0.5 s)而被VELEST目录排除，4个是因为定位位置落在图5所示研究区域的边界外而被排除，1个因为台站间隙角过大(260°)被排除，1个因为发震时刻与另外一个大震级事件过近(2 s)被排除.

相匹配事件的震级差主要分布在[-0.4级,0.2级]区间(图6b)，超过这一范围事件不超过10个，经过检查发现一是由于这些事件所关联的震相到时和台站数目不一致，通常自动关联的震相和台站更多一些，二是算法自动量取的最大振幅值与台网工作人员手动量取的振幅不一致.发震时刻差95%以上分布在[-0.6 s,0.4 s]区间(图6c)，水平位置差95%以上在4 km范围以内(图6d).对少数发震时刻、水平位置差超过区间的事件，我们将其对应的多台关联波形按震中距排列并标注到时和发震时刻进行检查，发现大都是人工目录的结果存在偏差，例如图7a和7b分别为其中一个2.0级事件的人工和VELEST定位事件波形，该事件人工和VELEST的发震时刻相差1.1 s，水平位置相差有5 km，从单台看大部分的P、S到时挑取是准确的，但将这些到时按震中距排列以后，图7a的到时与理论到时曲线不符，且离震中更远的XWE台P波到时比离震中更近的SHB台P波到时更早，明显是不合理的，而在我们关联定位结果中近台多了MET、TLO，并且去掉了XWE台，观测到时与理论到时曲线符合得很好(图7b)，这说明VELEST确定的发震时刻和位置更准确，而人工结果出现了较大的发震时刻和定位偏差.图7c和7d所示事件位置差达到了10 km，但人工定位只有三台六个震相，而VELEST关联的台站和震相数都更多，其定位结果更可靠.以上人工目录中的异常事件表明，基于人工拾取到时和手动定位很难完全避免主观性因素，而VELEST、HYPODD目录的自动构建过程遵循统一的标准，从而尽可能避免了人为不确定因素.

在震级分布和数量上，我们分<0级，0～0.9级，1.0～1.9级，≥2.0级四个区间统计，如图6a,c所示，其中VELEST目录的震级范围为ML-1.1～2.3，而人工目录的范围是ML0～2.9.VELEST目录在0～1.0级区间的事件数目是人工目录的8倍，并且包含更多低于0级的事件，将微震检测能力下限提升至-1级左右.由于我们的方法检测出了远多于人工目录的1级以下事件，为了评估这些新增事件的真实性，我们按定位走时残差、关联到时数、震级对这些事件进行排序，并检查那些定位走时残差最大(0.2～0.29 s)、关联到时数最少(6～7个)、震级低的事件(<0.3级)，这样的事件一共有48个.通过对事件关联波形的人工检查，我们发现只有不超过5个疑似事件因为数据信噪比较低，肉眼只能确认其最近的台站记录为地震信号，其他台站难以判断，其余事件从波形和关联情况看均可自信地判定为真实事件.

3.3 前震时空活动性

如图8所示，从地震活动的每日频次统计来看，人工目录的地震活动性从月初的每日20余次逐渐降低为震前的10余次，2级以上的地震也是月初(1—9日)发生比较频繁，震前一周仅有一次.VELEST目录微震数目更多，也呈现相同趋势，即随时间推移地震活动性逐步减弱，震前一周都比较平静.不过值得注意的有两点：一是16日07时27分48秒在[28.319°N ,104.872°E]发生一次2.2级地震(人工目录测定为2.3级)，而且这次地震无论时间和空间上均十分靠近长宁MS6.0主震，有可能是一次前震；二是我们统计了每日不同时间段的地震发生频次，如图8a所示灰色背景标注的是每日06∶00—18∶00的时间段(大致相当于白天)，白色背景则对应于18∶00到次日06∶00的时间段(晚上)，分别统计这两个时间段的地震发生频次可以看出，晚上的地震事件数量普遍高于白天，这可能是因为晚上台站的背景噪声小，间接提升了台站的微震监测能力.类似的地震活动周期性现象在加拿大Raton盆地的诱发地震监测上也有发现，作者分析后认为可能是风噪引起(Wang et al.,2019).

图8 2019年6月1日—17日VELEST目录(棕色)与人工地震目录(青色)的对比 (a) 每日频次图; 其中白色和灰色背景分别对应于时间段：00∶00—06∶00和18∶00—24∶00 (白)，06∶00—18∶00(灰)； (b)累积数图; 五角星代表震级相对较大的事件(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.

从前震的空间分布特征看，无论是VELEST还是HYPODD目录，都可以看到前震主要沿长宁—双河复式大背斜的东南端(图1b中2号区域)、西北端(图1b中1号区域)聚集，而长宁MS6.0主震正是发生在2号区域的中心位置.从震源深度看(图5c,d)，2号区域内前震深度较浅，而1号区域深度更深，这与长宁MS6.0地震发生以后的余震深度分布是一致的(如易桂喜等，2019).此外,根据震相关联与定位结果的统计，在2号区域，离长宁盐矿区的注水井(图1b中红色同心圆)最近的四个台，其中CJW台参与了750个事件的定位，CNI台695个，MET台612个，GXA台608个，这些事件绝大部分均为<1.0级的事件，揭示出主震震前小震活动已经非常频繁.相比之下人工目录不具备检测这类小震事件的能力，因此显得震前盐矿区的地震活动相对平静.我们可以合理推断，这些小震活动可能与盐井注水活动紧密相关.Wang等利用InSAR数据的反演结果也揭示了盐矿的注水采盐活动与本次长宁MS6.0地震序列存在明显的因果关系(Wang et al., 2020b).

4 结论

随着地震数据量的快速增长，自动化和智能化处理是未来发展的趋势，其中最近几年方兴未艾的人工智能和大数据挖掘是驱动这一变革的关键技术(Bergen et al., 2019).深度学习目前仍是人工智能发展最快、潜力最大的一个分支研究领域，已经广泛用于社会生产的方方面面；在引入防震减灾领域后，它在地震学大数据分析方面显示出很强的普适性、高精度与高效率.同时，传统基于到时的定位方法发展相对成熟，其精度比较可靠，计算量较小.因此，将深度学习到时拾取、震相关联技术与传统定位方法联系起来，构建一套自动化的地震定位和目录产出流程，是非常值得探索的方向.本研究应用迁移学习技术，将目前已具有较强泛化能力的PhaseNet震相自动识别算法利用本地数据训练之后，成功应用于长宁盐矿区MS6.0地震震前的连续波形震相识别，并结合REAL震相自动关联技术、VELEST和HYPODD传统定位技术，得到了长宁地震前震活动的自动化绝对定位与相对定位目录.自动化产出地震目录的流程的时间消耗主要集中在前期参数和阈值的测试调整，其后期应用避免了人为主观因素，提高了数据处理的效率，还提高了微震定位精度和目录的完整性.在本研究中，自动化绝对定位目录不仅能够识别和定位85%以上的人工目录事件，同时在<1.0级小震事件识别数是人工的8倍以上.在准确度方面，对照人工结果，自动目录在发震时刻、震级、水平位置等主要指标上均已非常接近人工目录，可以用于长宁地震震前微震活动时空特征的快速分析.

完备的高精度地震目录对于长宁区域地震活动性和长宁MS6.0主震的发震机理研究至关重要.未来将当地构造地质、注水活动数据，和我们自动确定的前震时空分布相结合，有望综合理解这次强震的发震机制.

致谢四川省地震局为本研究提供了人工震相数据、人工目录和连续波形数据，朱尉强博士分享了PhaseNet算法和在北加州数据集上训练得到的模型(https:∥github.com/wayneweiqiang/PhaseNet)，周一剑博士提供了用于对比的RNN模型和识别程序(https:∥github.com/YijianZhou/CDRP_TF)，中国地震局地球物理研究所房立华研究员对论文初稿提出了宝贵意见，并提供了长宁地区断层结构数据，在此表示衷心感谢.