短周期密集地震臺(tái)陣具有成本低廉、易于布設(shè)的優(yōu)勢(shì)，逐漸發(fā)展成為關(guān)鍵構(gòu)造區(qū)地殼-上地幔尺度結(jié)構(gòu)被動(dòng)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(yīng)是短周期地震儀接收函數(shù)成像必要的處理步驟，用于恢復(fù)遠(yuǎn)震記錄中的低頻信號(hào)。但是，去儀器響應(yīng)同時(shí)放大了低頻噪聲，導(dǎo)致噪聲水平較高的情況下遠(yuǎn)震記錄信噪比“不升反降”（圖1）。由于噪聲與遠(yuǎn)震信號(hào)頻帶相似，使用常規(guī)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(yīng)（a）能夠恢復(fù)遠(yuǎn)震波形、（b）破壞遠(yuǎn)震波形。去儀器響應(yīng)前后波形分別用藍(lán)色和黑色線表示，其中零時(shí)刻表示遠(yuǎn)震P波理論到時(shí)

為解決這一問(wèn)題，中科院地質(zhì)與地球物理研究所博士生馮銘業(yè)與導(dǎo)師陳凌研究員、韋生吉客座研究員等，將深度學(xué)習(xí)方法——卷積神經(jīng)網(wǎng)絡(luò)近震記錄降噪技術(shù)——引入到三分量遠(yuǎn)震記錄降噪中，進(jìn)而提高P波接收函數(shù)波形及成像分辨率。不同于傳統(tǒng)的頻率域（或小波域等）濾波降噪方法，神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)機(jī)器學(xué)習(xí)訓(xùn)練能夠分別預(yù)測(cè)信號(hào)和噪聲，實(shí)現(xiàn)二者的有效分離，在提高信噪比方面明顯優(yōu)于傳統(tǒng)方法。但是，由于近震記錄與遠(yuǎn)震記錄波形特征差異較大，基于近震數(shù)據(jù)集訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)模型難以直接、有效地應(yīng)用到遠(yuǎn)震記錄。為此，該研究利用全球地震監(jiān)測(cè)臺(tái)網(wǎng)長(zhǎng)達(dá)20年的高質(zhì)量遠(yuǎn)震數(shù)據(jù)對(duì)“當(dāng)下先進(jìn)的”時(shí)間域“端到端”卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)WaveDecompNet重新進(jìn)行了訓(xùn)練，發(fā)展了名為NodalWaden的新模型。研究將NodalWaden應(yīng)用于布設(shè)在蘇門達(dá)臘北部亞齊地區(qū)的155個(gè)短周期地震儀長(zhǎng)達(dá)1.5年的遠(yuǎn)震觀測(cè)記錄，發(fā)現(xiàn)約50%遠(yuǎn)震數(shù)據(jù)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(qū)短周期地震儀分布及本研究所用遠(yuǎn)震事件分布。（b）深度學(xué)習(xí)技術(shù)能夠有效分離原始三份量遠(yuǎn)震記錄（黑色）中的遠(yuǎn)震信號(hào)（紅色）和噪聲（藍(lán)色），其中零時(shí)刻表示遠(yuǎn)震P波理論到時(shí)。（b）降噪前后單臺(tái)A01和所有臺(tái)（共155個(gè)）信噪比（SNR）統(tǒng)計(jì)圖對(duì)比，其中降噪前后結(jié)果分別用黑色和紅色表示

研究發(fā)現(xiàn)相對(duì)未降噪數(shù)據(jù)，利用降噪數(shù)據(jù)計(jì)算的接收函數(shù)波形具有三方面明顯提升：1）接收函數(shù)中的長(zhǎng)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(gè)正極性弱信號(hào)振幅得到明顯加強(qiáng)；3）直達(dá)P波震相振幅得到有效恢復(fù)（圖3a）。經(jīng)過(guò)接收函數(shù)波形分析和共轉(zhuǎn)換點(diǎn)疊加成像，發(fā)現(xiàn)該約2s處正極性震相對(duì)應(yīng)中地殼深度，可能反映未降噪數(shù)據(jù)集無(wú)法清晰分辨的康拉德界面（圖3b）。

圖3（a）降噪前后TG09臺(tái)站接收函數(shù)波形對(duì)比（分別位于左側(cè)和右側(cè)）。（b）降噪前后沿圖2a中AA’剖面接收函數(shù)地殼-上地幔頂部結(jié)構(gòu)成像結(jié)果對(duì)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(xiàng)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(tái)站地殼尺度結(jié)構(gòu)成像分辨率提供了新思路，促進(jìn)了人工智能與地震學(xué)的交叉融合。

研究成果發(fā)表于國(guó)際地震學(xué)學(xué)術(shù)期刊SRL（馮銘業(yè)，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(wàn)鵬