短周期密集地震臺陣具有成本低廉、易于布設的優(yōu)勢，逐漸發(fā)展成為關鍵構造區(qū)地殼-上地幔尺度結構被動源地震成像的主流方法之一。不同于寬頻帶地震儀，去儀器響應是短周期地震儀接收函數成像必要的處理步驟，用于恢復遠震記錄中的低頻信號。但是，去儀器響應同時放大了低頻噪聲，導致噪聲水平較高的情況下遠震記錄信噪比“不升反降”（圖1）。由于噪聲與遠震信號頻帶相似，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（a）能夠恢復遠震波形、（b）破壞遠震波形。去儀器響應前后波形分別用藍色和黑色線表示，其中零時刻表示遠震P波理論到時

為解決這一問題，中科院地質與地球物理研究所博士生馮銘業(yè)與導師陳凌研究員、韋生吉客座研究員等，將深度學習方法——卷積神經網絡近震記錄降噪技術——引入到三分量遠震記錄降噪中，進而提高P波接收函數波形及成像分辨率。不同于傳統的頻率域（或小波域等）濾波降噪方法，神經網絡經過機器學習訓練能夠分別預測信號和噪聲，實現二者的有效分離，在提高信噪比方面明顯優(yōu)于傳統方法。但是，由于近震記錄與遠震記錄波形特征差異較大，基于近震數據集訓練得到的神經網絡模型難以直接、有效地應用到遠震記錄。為此，該研究利用全球地震監(jiān)測臺網長達20年的高質量遠震數據對“當下先進的”時間域“端到端”卷積神經網絡結構WaveDecompNet重新進行了訓練，發(fā)展了名為NodalWaden的新模型。研究將NodalWaden應用于布設在蘇門達臘北部亞齊地區(qū)的155個短周期地震儀長達1.5年的遠震觀測記錄，發(fā)現約50%遠震數據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震事件分布。（b）深度學習技術能夠有效分離原始三份量遠震記錄（黑色）中的遠震信號（紅色）和噪聲（藍色），其中零時刻表示遠震P波理論到時。（b）降噪前后單臺A01和所有臺（共155個）信噪比（SNR）統計圖對比，其中降噪前后結果分別用黑色和紅色表示

研究發(fā)現相對未降噪數據，利用降噪數據計算的接收函數波形具有三方面明顯提升：1）接收函數中的長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處的一個正極性弱信號振幅得到明顯加強；3）直達P波震相振幅得到有效恢復（圖3a）。經過接收函數波形分析和共轉換點疊加成像，發(fā)現該約2s處正極性震相對應中地殼深度，可能反映未降噪數據集無法清晰分辨的康拉德界面（圖3b）。

圖3（a）降噪前后TG09臺站接收函數波形對比（分別位于左側和右側）。（b）降噪前后沿圖2a中AA’剖面接收函數地殼-上地幔頂部結構成像結果對比，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站地殼尺度結構成像分辨率提供了新思路，促進了人工智能與地震學的交叉融合。

研究成果發(fā)表于國際地震學學術期刊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：萬鵬