利用地震波走时资料，通过层析成像方法反演深部速度结构，是获取地下深部结构信息的重要手段。地震体波走时成像一般使用人工拾取的震相到时数据。近五年来，利用深度学习检测地震，拾取震相到时，并建立高精度的地震目录取得了很大进展，并在多个区域和中强地震的余震序列中逐渐得到应用。尽管AI拾取的绝大多数Pg和Sg震相到时精度较高，但在不同地区使用不同的模型检测时，仍有一定比例的到时拾取误差超过0.1s，甚至0.2s。AI拾取的震相到时能否用于地震走时成像反演？每一条震相到时数据的可靠性如何量化评估？围绕这一问题，中国地震局地球物理研究所的杨婷博士、房立华研究员和吴建平研究员等人利用安宁河—小江断裂带的密集台阵观测资料，基于深度学习拾取的海量震相到时数据，深入研究了如何将AI拾取的震相到时用于地震体波走时成像。
论文利用PhaseNet方法，检测了密集台阵观测的3086个地震事件的P波和S波初至震相到时，得到了87553条高质量的震相到时，分析发现PhaseNet的检测概率和波形信噪比之间存在相关性：AI拾取的震相到时检测概率和波形信噪比随着震中距的增加呈现降低的特征（图1、图2）。
图1 P波(a)和S波(b)的波形信噪比和检测概率随震中距的变化(c-d)，其中检测概率由PhaseNet给出。SNR表示波形信噪比取对数的值，Prob表示检测概率
基于这一现象和大量的统计分析，本文提出了综合考虑震相检测概率和波形信噪比，对震相到时加权，并用于双差走时成像（tomoDD）反演的方案：
其中W表示走时权重系数，W1=W2=0.5。prob表示检测概率值，取值范围为0.5-1.0。SNR(norm)表示归一化的信噪比，取值范围为0-1。
图2 P波(a)和S波(b)检测概率和信噪比之间的统计关系
按照图3所示流程，以川滇地区公共速度模型SWChinaCVM-V1.0作为初始三维模型，利用自动检测的P、S初至震相到时，采用震相到时加权策略计算每个震相的到时权重，最后使用考虑到时质量的双差层析成像方法反演三维速度结构。理论测试表明，采用本文提出的加权方案可以更好地恢复研究区的速度异常，同时也可获得具有更小走时残差的速度模型（表1）。与前人的速度模型比较，各模型整体特征较为一致，但新模型揭示出更多构造细节，比如石棉—西昌附近呈NS向展布的高波速花岗岩带，以及鲁甸—巧家附近中地壳低速层反映的高温、富含长英质岩石，以及可能存在流体活动的孕震环境（图4）。本研究成果为未来大规模使用AI拾取的震相到时开展层析成像反演，建立更高分辨率和更可靠的三维速度模型提供了重要参考。
图3从地震事件波形数据到速度结构成像的流程图
图4反演获得的不同深度的P波(a)和S波(b)速度结构
表1采用不同到时加权方案的反演结果对比
该成果于2024年7月发表在国际主流地学期刊《SeismologicalResearch Letter》（Ting Yang, Lihua Fang*, Jianping Wu, et al. 2024. Double-Difference Tomography with a Deep Learning-Based Phase Arrival Weighting Scheme and its Application to the Anninghe-Xiaojiang Fault Zone. doi: 10.1785/0220230362），研究由国家自然科学基金（U2139205, 42374081, 42004069）和国家重点研发计划课题（2021YFC3000702）共同资助。
【作者简介】
第一作者：杨婷，助理研究员，主要从事AI深部结构成像和地震精定位研究，以第一作者在SRL、Tectonophysics、BSSA等期刊发表论文8篇，其中SCI论文5篇。
Email: yangting@cea-igp.ac.cn
通讯作者：房立华，研究员，主要从事人工智能地震学、微震检测与精确定位，以及深部结构成像研究工作。
Email：flh@cea-igp.ac.cn
