云南预警台网异构波形数据集构建与震相拾取模型性能评估

Development of a Heterogeneous Waveform Dataset and Evaluation of Phase Picking Models for Yunnan Earthquake Early Warning Network

摘要

近年来，深度学习方法在地震检测和震相拾取中得到广泛的应用.然而现有模型主要基于高信噪比的速度型波形数据进行训练，缺乏对加速度计与烈度计数据的泛化性评估.为探究现有模型对加速度数据的处理效果及在云南地区的泛化能力，基于云南预警台网的最新观测数据，构建了包括速度计、加速度计和烈度计的多源异构高质量波形数据集，且所有震相到时均由人工标注.结合PhaseNet、USTC-Pickers等5种专业模型，以及SeisMoLLM和SeisT等4种大模型，系统评估了不同模型在云南数据集上的震相拾取性能.结果表明，本地迁移优化的USTC-Pickers综合性能最优，其Pg和Sg震相拾取的平均F1值达0.779（到时拾取差异△t≤0.1 s），显著优于其他模型，且在检测加速度计与烈度计数据时，较好解决了震相拾取滞后问题；大模型在Sg拾取等复杂环境中展现出更强的泛化能力.研究还揭示了主流地震检测模型在不同波形长度、震级、震中距条件下的性能变化，强调了本地化训练与模型选取在实际应用中的重要性.研究结果为地震预警系统中的地震检测和震相识别，以及中国地震科学实验场地震观测数据的实时自动处理提供参考.

Abstract

In recent years, deep learning methods have been widely applied to seismic detection and phase picking. However, existing models are mainly trained on high signal-to-noise ratio (SNR) velocity-type waveform data, with limited evaluation of their generalization to accelerometer and intensity meter data. To investigate the performance of existing models on accelerometer data and their generalization capability in Yunnan, this study constructed a high-quality, multi-source heterogeneous waveform dataset based on the latest observations from the Yunnan Earthquake Early Warning (EEW) network, including velocity meters, accelerometers, and intensity meters, with all phase arrival times manually annotated. It systematically evaluated the phase-picking performance of nine models⁃on the Yunnan dataset five domain-specific models (e.g., PhaseNet, USTC-Pickers) and four large models (e.g., SeisMoLLM, SeisT). The locally fine-tuned USTC-Pickers achieved the best overall performance, with mean F1 scores of 0.779 for Pg and Sg phase picking (Δt≤0.1 s), significantly outperforming other models, and effectively mitigating phase-picking delays for accelerometer and intensity meter data. Large models demonstrated stronger generalization in Sg picking and low-SNR conditions. The study also revealed performance variations of mainstream seismic detection models under different waveform lengths, magnitudes, and epicentral distances, underscoring the importance of localized training and model architecture selection in practical applications. The research findings provide references for seismic detection and phase picking in earthquake early warning systems, as well as for the real-time automatic processing of seismic data at the China Earthquake Science Experiment Site.

Graphical abstract

关键词

震相拾取 / 异构波形数据集 / 大模型 / 性能评估 / 地震预警 / 地震学.

Key words

seismic phase picking / dataset / large language model / performance evaluation / earthquake early warning / seismology

0 引言

近年来，人工智能（Artificial Intelligence， AI）技术在地震监测领域取得了显著进展.基于深度神经网络的多尺度特征自动学习能力，AI方法能有效从复杂背景噪声中识别地震震相，提升自动检测与定位效率.国内外学者利用不同的数据集、不同的网络模型训练得到了GPD（Ross et al.， 2018）、PhaseNet（Zhu and Beroza， 2019）、EQTransformer（Mousavi et al.， 2020）、LPPN（Yu and Wang， 2022）、RNN（Yu et al.， 2023）、USTC⁃Pickers（Zhu et al.， 2023）、SeisT（Li et al.， 2024）、SeisLM（Liu et al.， 2024）、PRIME⁃DP（Yu et al.， 2024）和SeisMoLLM（Wang et al.， 2025）等多个地震检测模型，推动了地震数据处理由基于规则的算法向数据驱动的特征学习转变，显著提高了地震数据处理的效率以及微弱地震信号的自动识别能力（Chai et al.， 2020； Mousavi and Beroza， 2022； Münchmeyer et al.， 2022； Feng et al.， 2023； Bornstein et al.， 2024；Si et al.， 2024）.然而，现有模型多基于信噪比较高的速度型波形数据训练，数据源以速度型地震计记录为主.例如，PhaseNet训练时使用的北加州数据中72%为速度型数据，STEAD数据集（Mousavi et al.， 2019）、DiTing数据集（Zhao et al.， 2023）和CSNCD数据集（An， 2024）等均是速度型波形数据.这类数据通常来自安装环境良好、灵敏度高且频带较宽的速度型地震计，具有信噪比高、噪声干扰少的特点.

2024年7月，国家地震烈度速报与预警工程（以下简称“预警工程”）通过竣工验收，我国地震台站数量超过20 000个，标志着我国建成了全球规模最大的地震监测台网（Peng et al.， 2022）.预警工程在全国范围内部署了宽频带速度型地震计（以下简称速度计，用HH表示）、力平衡加速度型地震计（以下简称加速度计，用HN表示）及MEMS（micro⁃electro⁃mechanical system）简易烈度计（以下简称烈度计，用EI表示）三种类型传感器.以云南为例，全省共部署速度计202套、加速度计430套、烈度计1 230套（朱杰和钟玉盛， 2025），其中加速度型传感器占比超过85%.加速度计和烈度计在频带响应、灵敏度及安装环境等方面与速度计不同，导致加速度波形与速度型波形特征存在显著差异.将基于速度型数据训练的震相识别模型直接应用于加速度和烈度计数据时，其检测精度和识别准确率会下降（图1）.

本文基于云南预警台网2023-2025年的观测数据，制作了高质量的地震事件波形数据集和震相到时数据集，对PhaseNet、EQTransformer和SeisMoLLM等9种主流地震检测模型进行评估，分析了不同模型在速度计数据、加速度计数据和烈度计数据中的检测效果，探讨了迁移学习和大模型的泛化能力及适用边界，为发展基于多源异构数据的地震检测方法提供参考.

1 数据

1.1　云南地震台网简介

云南地处青藏高原东南缘，构造运动剧烈，地震活动频繁（皇甫岗， 2009）.预警工程建设前，云南地区共有68个固定测震台站，平均台间距约为76 km（图2a）.

预警工程建成后，云南地震台网除原测震台站外，新增地震台站1 660个，其中基准站202个、基本站228个、一般站1 230个，云南地区部署的地震计类型见表1.基准站同时安装速度计（通道代码为HHZ、HHN、HHE）和加速度计（通道代码为HNZ、HNN、HNE）.基本站配备加速度计（通道代码为HNZ、HNN、HNE），一般站配备烈度计（通道代码为EIZ、EIN、EIE）.所有台站实时回传数据的采样率均为100 Hz.预警工程显著提升了云南地区的地震台站分布密度和监测能力，速度计平均台间距缩减至约43 km，全台网平均间距缩小至约15 km（图2）.

1.2　多源异构数据集

本文收集了2023年5月至2025年4月期间云南预警台网观测的1 194次地震的波形数据.经人工挑选与复核，共标注Pg震相到时24 411条、Sg震相到时18 452条（部分波形仅包含Pg震相），仪器包括152台速度计、337台加速度计和897台烈度计（图3）.

从连续波形中截取震前10 s和震后50 s三分量数据，构建长度为60 s（6 000个采样点）的波形数据集.由于同一地震事件不同台站的震中距存在差异，震相到时在截取窗口内具有随机性.数据集中包含速度计波形9 098条，加速度计波形9 355条，烈度计波形5 958条，分别占比37.3%、38.3%和24.4%. 1 194次地震的震级范围为M 0.0~5.2（图4a），震中距为0~120 km（图4b），采用SeisBench（Woollam et al.， 2022）将数据集封装为hdf5格式.参照PhaseNet的信噪比计算方法，以Pg到时后5 s波形与前5 s背景噪声标准差比值的对数作为信噪比指标，对于未标注Pg震相的记录，则改用Sg到时后5 s波形进行计算.图4c展示了数据集中HH、HN、EI三类数据归一化后的信噪比分布，图4d、4e、4f分别为三类数据的震相走时曲线图.人工标注震相时以能清晰判断震相到时和类型为准则，从图4a和图4b可以看出，速度计样本相较于加速度计和烈度计，震级较小且震中距较远.从图4c可以观察到，烈度计数据信噪比峰值主要位于0.5~1.5之间，超过85%的数据信噪比低于1.5；加速度计数据的信噪比分布特征与速度计形态相似，但其在高信噪比区间（>2.0）的占比略低于速度计；速度计数据信噪比分布更加均衡，在高信噪比区间保持较高占比.从图4d、4e、4f可以看出，数据集中HH、HN、EI三类数据Pg和Sg震相走时较为一致，相同震中距下震级逐渐增大，EI的Pg震相数量随震中距增加逐渐减少.

2 方法

2.1　地震检测模型测评

为系统评估地震检测模型性能，本文选取了PhaseNet、EQTransformer、RNN、LPPN和USTC⁃Pickers 5个代表性的专业模型与SeisMoLLM、SeisT、PRIME⁃DP和SeisLM 4个较新的大模型进行对比分析.这些模型覆盖了从传统卷积网络、循环网络到Transformer、大语言模型微调等主流架构范式，涉及不同的数据规模与训练策略（如区域迁移训练、全球预训练、本地微调等），所有模型均未使用本文所构建的数据集进行训练，避免数据泄露问题.为保障评测客观性，筛选数据集中震中距60 km范围内M_L 2.0以上地震进行评测，其中速度计数据 1 330条、加速度计数据2 106条，烈度计数据3 378条.

专业模型中，PhaseNet是基于U⁃Net的卷积神经网络结构，由四层卷积下采样与四层反卷积上采样模块组成，使用北加州地震数据中心的770 000条三分量地震波形进行训练.EQTransformer融合CNN的局部特征提取能力、LSTM的时序建模能力与Transformer的全局注意力机制，采用共享编码器和3个独立解码器结构，基于STEAD数据集训练.RNN基于移除了Transformer仅保留CNN与LSTM的EQTransformer架构，采用CSNCD数据集进行训练.LPPN是一种轻量化神经网络模型，结合残差连接与深度可分离卷积，基于STEAD数据集进行训练.USTC⁃Pickers采用U⁃Net架构，通过迁移学习策略实现模型区域适应性，初始模型在DiTing数据集上进行全国范围预训练，后续引入各省区域数据进行微调，本文测试所用模型为云南区域子模型.

大模型中，SeisT采用多尺度混合卷积和多路径Transformer架构，支持震相拾取和地震定位等多种任务联合推理，基于STEAD和DiTing数据集训练.PRIME⁃DP采用CNN⁃Transformer混合编码器以及多任务解码器架构，使用CSNCD数据集训练.SeisMoLLM采用跨模态方式将波形分块编码为Token序列后微调GPT⁃2架构，实现多任务端到端推理，模型采用STEAD和DiTing数据集训练.SeisLM采用ConvNet + Transformer结构，采用掩码建模和对比学习进行自监督预训练，通过STEAD数据集训练.表2列出了本文评测的模型、训练数据集和训练策略.

2.2　性能评估指标

本文采用多维度指标评估不同模型的性能表现，分别根据公式计算模型精确率（Precision）、召回率（Recall）和F1值.

\mathrm{P}\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}=\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}},(1)

\mathrm{R}\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l}=\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{N}},(2)

F\mathrm{1}=\mathrm{2}\times \frac{\mathrm{P}\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}\times \mathrm{R}\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l}}{\mathrm{P}\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}+\mathrm{R}\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l}},(3)

式中，人工标记的震相到时与模型拾取的震相到时差的绝对值在△t内为正确拾取，记为TP；超过△t为误拾取，记为FP；模型未检测到人工标记的震相到时为漏拾取，记为FN.

在常规评估指标基础上，通过计算模型预测到时与人工标注到时的标准差（σ）和平均绝对误差（Mean Absolute Error， MAE），进一步对震相到时误差进行统计分析.σ表征拾取结果的离散程度，σ值越小，表明模型的一致性越好.MAE用于评估模型平均误差幅度，值越小，表明模型预测到时越接近真实标签.为消除仪器故障等异常值干扰，参考PhaseNet和LPPN的做法，仅统计误差绝对值在0.5 s范围内的有效样本，确保评估结果的代表性和可比性.σ、MAE分别通过公式计算.

式中，T_true，i 为样本i人工标注的震相到时，T_pre，i 为样本i模型预测的震相到时，e_i 为样本i的到时误差，μ为误差均值，n为样本数量.

e_i=T_{\mathrm{t}\mathrm{r}\mathrm{u}\mathrm{e},i}-T_{\mathrm{p}\mathrm{r}\mathrm{e},i},(4)

\sigma =\sqrt[]{\frac{\mathrm{1}}{n}{\displaystyle \sum _{i=\mathrm{1}}^n}{\left(e_i-\mu \right)}^{\mathrm{2}}},\mu =\frac{\mathrm{1}}{n}{\displaystyle \sum _{i=\mathrm{1}}^n}{e}_i,(5)

\mathrm{M}\mathrm{A}\mathrm{E}=\frac{\mathrm{1}}{n}{\displaystyle \sum _{i=\mathrm{1}}^n}\left|e_i\right|,(6)

3 结果

3.1　模型性能评测结果

德国地球科学研究中心在评估地震定位结果可靠性时，将0.1 s视为震相到时的典型误差阈值，并以此作为定位算法的输入参数，分析其对震源位置反演精度的影响.实验结果表明，该误差量级满足高精度定位标准（Bormann et al.， 2013）.在震相拾取模型的性能评价中，PhaseNet、EQTransformer等模型也普遍采用“拾取误差0.1 s内”作为正确拾取的判定依据（Zhu and Beroza， 2019； Mousavi et al.， 2020）.本文沿用这一标准，对各模型的Pg、Sg拾取性能进行了系统评估，计算了精确率、召回率和F1值，结果如表3所示.不同模型在相同误差阈值下的表现差异显著，反映了模型对台站响应特性与区域地壳结构的适应性.

震相拾取测试结果表明，不同模型在不同类型数据和震相上的性能存在显著差异：9个模型在速度计数据上的平均F1值为0.712，高于加速度计的0.684和烈度计的0.672.各模型对Pg的拾取性能普遍优于Sg，其中SeisMoLLM、SeisT和EQTransformer在两类震相间的性能差异相对较小，而PhaseNet、RNN、LPPN、PRIME_DP和SeisLM在Pg上的优势更为明显.USTC⁃Pickers在三类数据上的平均F1值最高，为0.779；在速度计和加速度计上的F1值分别为0.768和0.798，均为各模型中最高值；在烈度计上的F1值为0.771，仅次于SeisT的0.793.SeisT的综合表现仅次于USTC⁃Pickers，平均F1值为0.775.SeisLM和SeisMoLLM紧随其后，平均F1值分别为0.726和0.723.图5展示了不同模型在三类数据上的精确率、召回率和F1值对比雷达图.从图中可以看出，不同模型在速度计数据，尤其是Pg上的性能差异相对较小，在加速度计和烈度计上的性能差异相对较大.

为进一步了解模型性能，本文计算了±0.5 s误差范围内的各模型拾取结果的标准差σ和平均绝对误差MAE，图6展示了9个模型在三类数据上的震相到时误差标准差及平均绝对误差对比.SeisMoLLM、USTC⁃Pickers和SeisT的误差标准差和平均绝对值误差最低，尤其是SeisMoLLM，在烈度计数据上一致性最好.图7和图8分别展示了各模型Pg和Sg震相到时误差的分布直方图.结果显示，所有模型的预测误差主要集中在±0.2 s区间内，USTC⁃Pickers和SeisT等大模型的误差分布相对均衡，而PhaseNet和EQTransformer等专业模型误差分布呈明显右偏态分布，表明专业模型拾取的震相到时相对滞后，而经过本区域数据迁移训练的模型能有效抑制滞后趋势.

3.2　不同时窗长度拾取效果对比

从数据集中筛选出信噪比较高的加速度计波形样本，对真实震相概率以及PhaseNet、USTC⁃Pickers和SeisT三个具有代表性模型的输出概率曲线进行对比分析.如图9所示，在时长为30 s的波形数据上（图9a），3个模型均能准确识别Pg和Sg震相，在窗长为12 s的数据上（图9f），PhaseNet拾取的Pg相较于真实到时表现出明显的滞后特征，而经过云南地区数据迁移训练的USTC⁃Pickers有效抑制了这种滞后现象.此外，USTC⁃Pickers在不同时长数据上的表现具有较高一致性，这种现象可能源于专业模型学习了更多的波形细节特征.相比之下，SeisT在30 s和12 s不同时长数据上呈现出显著差异的拾取结果，这种特性可能与其融合Transformer结构后同时关注全局信息有关.因此，当数据长度不同时，不同模型的拾取结果会有差异.

3.3　不同数据条件下模型性能变化

为进一步分析不同数据条件下模型的拾取性能变化，基于0.1 s的判定阈值统计各模型的正确拾取数量，绘制了模型在不同信噪比、震级和震中距条件下对三类数据的拾取效果对比图.对速度计的拾取结果（图10）显示，模型整体性能趋势与数据集的原始分布特征保持一致，模型在Pg上的性能相较于Sg更为接近，表明模型在Pg上的拾取差异较小，而在Sg上的拾取差异较大，尤其是震中距大于40 km后，差异进一步增大.

在加速度计数据上，模型间的拾取差异相较于速度计进一步增大，USTC⁃Pickers模型展现出最好的性能，在其他所有测试条件下均保持最优表现.此外，SeisT、SeisMoLLM和SeisLM等大模型在Sg拾取任务中表现突出，其性能优于除USTC⁃Pickers外的其他专业模型，这一现象可能源于大模型具有提取更丰富波形特征的能力（图11）.

与加速度计类似，模型在烈度计数据的拾取差异相较于速度计同样较大.USTC⁃Pickers、SeisT、SeisMoLLM和SeisLM依然拥有较好表现（图12）.

3.4　同址速度计和加速度计数据拾取性能比较

依托预警基准站同步部署的观测优势，选取2023年5月2日云南保山隆阳M_s5.2地震100 km范围内14个基准站的速度计和同址加速度计数据（震相检测时段为2023年5月2日0时至5月5日0时）进行速度计和加速度计震相拾取同址对比.采用PhaseNet进行震相拾取，结果表明：加速度计的震相拾取数量仅为速度计的50%左右；速度计数据上Pg拾取数量多于Sg，而加速度计则呈现相反趋势（图13a），这种现象可能源于宽频带速度计更宽的频带响应范围和更高的灵敏度使其能记录更丰富的信号特征.统计显示，同台站速度计与加速度计的Pg（图13b）和Sg（图13c）到时误差均值分别为-0.031 s和-0.039 s，表明加速度计震相识别存在0.03~0.04 s的系统性延迟；二者的标准差分别为0.103和0.121，反映出较高的一致性，其中P波误差波动更小，这与P波初动清晰、更易识别特性相符.P和S的偏度系数分别为-1.91和-1.37，表明某些条件下的加速度计的震相到时会出现显著延迟.

4 讨论

4.1　不同模型在多元异构数据上的适用性分析

从各模型在数据集的整体表现来看，USTC⁃Pickers综合表现最优，平均F1值为0.779，SeisT、SeisLM和SeisMoLLM紧随其后，平均F1值均超过0.7.但是，所有模型在Sg震相拾取上的表现均相对较差，后续模型开发应着重提升对Sg震相的识别能力.误差分布结果表明，PhaseNet、EQTransformer等专业模型在三类数据尤其是加速度型数据上均存在明显的震相到时滞后现象.这种现象可能源于加速度计和烈度计的灵敏度较低，当地震信号较小时其响应能力不足导致初至震相拾取困难，需要依赖后续较大振幅才能准确识别震相.相比之下速度计凭借高灵敏度和低噪声环境优势能够清晰记录震相初至.经过本地数据训练的USTC⁃Pickers即便在仪器类型和观测环境发生变化的情况下，仍然可以有效抑制这种滞后趋势.相关研究表明，迁移学习可以显著提高模型的适应能力（Chai et al.， 2020； Niksejel and Zhang， 2024； Saad et al.， 2024），利用历史数据进行迁移训练，模型能够更好地掌握本地地质构造特征，进而提高在不同类型数据上的拾取效果.从测试结果来看，相较于更换模型或重新设计模型架构，迁移训练带来的性能提升更为显著.同时，由于加速度型地震计存在灵敏度低、安装环境受人类活动干扰大、震相到时滞后等问题，在实际地震定位中应优先采用速度计数据以提高定位精度.

4.2　专业化模型与通用大模型性能比较

专业模型通常被认为在特定场景中更高效（Pecher et al.， 2025），而大模型更强调通用泛化能力（Du et al.， 2024）.用于地震检测的专业模型自2017年以来得到了快速发展（Fang et al.， 2017），而地震通用大模型最近两年才刚刚起步，目前全球已公布的用于地震检测的大模型只有SeisT、SeisLM、PRIME⁃DP、SeisMoLLM和DiTing（http：//www.esdc.ac.cn/）.震相拾取作为一种密集型时序语义分割任务，要求模型对每个采样点给出精确的分类概率，因此无论是专业模型还是大模型，都需要具备对震相到时的敏感性.SeisMoLLM的结构消融实验显示，即便是具备时序特征理解能力的大模型，在缺乏卷积模块的情况下，震相拾取性能下降显著.这一现象表明模型依赖卷积的细节特征提取能力（Wang et al.， 2025），因此，即便是通用模型，也必须具备局部细节感知能力，才能胜任高精度震相拾取任务.

从同一波形不同时窗长度的测试结果来看，包含Transformer结构的SeisT在处理不同长度波形时，输出结果会因上下文长度变化而显著波动，但其全局感知特性使其在复杂、低信噪比波形中的鲁棒性优于专业模型，特别是在连续波形、Sg识别等场景中，往往能获得更优的拾取表现.当波形长度增加时，大模型可更好地整合长距离依赖关系，从而提供更贴近真实标签的结果；相对而言，专业模型对波形长度变化的敏感性较小，更关注于短时窗内的局部特征.此外，大规模预训练模型在低信噪比和跨域场景下展现了更强泛化性（Li et al.， 2024； Liu et al.， 2024）.以SeisMoLLM为例，虽然其在STEAD数据集上训练，但在本研究云南地区的异构数据集中仍保持了较优表现，表明其具有一定程度的区域泛化能力，这对缺乏高质量标注数据的新区域极具价值.随着硬件与资源的持续进步，构建和部署具备一定规模的大模型变得越来越可行，其在地震预警系统中的应用潜力正日益凸显.

尽管大模型具有非常大的潜力，但目前专业模型在特定场景中依然具有不可替代的优势.首先，专业模型结构更轻量，训练成本低，便于部署在资源受限的前端设备或小型台网.其次，基于本地数据的迁移学习策略可在较低成本下显著提升模型在特定区域或仪器类型上的性能.例如，USTC⁃Pickers尽管使用的是相对简单的PhaseNet架构，但通过在云南地区多源数据上的迁移训练，表现出良好的适应性与拾取精度，能够有效缓解由于地质构造差异或仪器类型不同所带来的系统性偏差.此外，专业模型由于参数量较小，在训练和推理中的效率往往较高.本文的测试硬件环境为一台搭载双路CPU的服务器，具体配置为：两颗Intel Xeon Gold 6230处理器（每颗CPU基频为2.10 GHz，共48个物理核心），以及512 GB DDR4内存.所有模型均在统一数据集下开展测试，且采用相同长度的输入数据进行评估.测试结果显示，专业模型推理时间一般小于15 ms，大模型为20~30 ms（图14）.大模型多基于Transformer架构，模型参数量大，训练需要使用的数据多，计算资源大，训练成本较高（Li et al.， 2023）.

综上所述，通用大模型与专业模型各具优势：前者适合构建具备跨区域泛化能力的统一框架，后者则在面向特定区域或任务场景时具备更高性价比.在当前尚未形成统一高质量大规模地震数据集的背景下，利用本地数据进行迁移学习仍是提升模型性能的有效路径；而随着数据规模与模型能力的不断增长，探索兼具泛化性与局部适应性的融合模型将是未来的重要研究方向.

5 结论

本文构建了覆盖云南预警台网速度计、加速度计和烈度计的异构波形数据集，通过对PhaseNet、EQTransformer以及SeisT等9种主流地震检测模型进行评估，主要结论如下：

（1）USTC⁃Pickers作为迁移优化的专业模型，在云南三类仪器数据中综合性能最优，尤其在速度计和加速度计数据中，Pg和Sg震相拾取的平均F1值达0.779（△t≤0.1 s），且有效缓解了震相拾取滞后问题.

（2）SeisT、SeisMoLLM和SeisLM等大模型在Sg和低信噪比条件下展现出优越的泛化能力，在烈度计等新型仪器数据中具备更大潜力.

（3）专业模型更关注波形细节、输出一致性高；大模型则在上下文理解和复杂信号中更具优势.在当前缺乏统一大规模训练数据的背景下，结合迁移学习优化专业模型仍是提升区域泛化性能的重要手段.未来可进一步探索融合本地训练与大模型预训练的混合策略，推动震相识别模型向更高精度与广泛适用性发展.

参考文献

[1] An, Y. R., 2024. Introduction to a Recently Released Dataset Entitled CSNCD: A Comprehensive Dataset of Chinese Seismic Network. Earthquake Research Advances, 4(1): 100255. https://doi.org/10.1016/j.eqrea.2023.100255

[2] Bormann, P., Wendt, S., Klinge, K., 2013.Data Analysis and Seismogram Interpretation. New Manual of Seismological Observatory Practice 2 (NMSOP⁃2), 11: 1-34. https://doi.org/10.2312/GFZ.NMSOP⁃2_CH11

[3] Bornstein, T., Lange, D., Münchmeyer, J., et al., 2024. PickBlue: Seismic Phase Picking for Ocean Bottom Seismometers with Deep Learning. Earth and Space Science, 11(1):e2023EA003332. https://doi.org/10.1029/2023EA003332

[4] Chai, C. P., Maceira, M., Santos⁃Villalobos, H. J., et al., 2020.Using a Deep Neural Network and Transfer Learning to Bridge Scales for Seismic Phase Picking.Geophysical Research Letters, 47(16): e2020GL088651. https://doi.org/10.1029/2020GL088651

[5] Du, M. N., He, F. X., Zou, N., et al., 2024. Shortcut Learning of Large Language Models in Natural Language Understanding. Communications of the ACM, 67(1): 110-120. https://doi.org/10.1145/3596490

[6] Fang, L. H., Wu, Z. L., Song, K., 2017. SeismOlympics.Seismological Research Letters, 88(6): 1429-1430. https://doi.org/10.1785/0220170134

[7] Feng, C. Y., Yang, Y., Hu, X., et al., 2023. MSNet: A Seismic Phase Picking Network Applicable to Microseismic Monitoring. IEEE Geoscience and Remote Sensing Letters, 20:1-5. https://doi.org/10.1109/LGRS.2023.3314029

[8] Huangfu, G., 2009. Research on the Seismicity in Yunnan, China (Dissertation). University of Science and Technology of China, Hefei (in Chinese with English abstract).

[9] Li, J., Chen, J. Y., Tang, Y. C., et al., 2023. Transforming Medical Imaging with Transformers? A Comparative Review of Key Properties, Current Progresses, and Future Perspectives.Medical Image Analysis, 85: 102762. https://doi.org/10.1016/j.media.2023.102762

[10] Li, S., Yang, X., Cao, A. Y., et al., 2024. SeisT: A Foundational Deep⁃Learning Model for Earthquake Monitoring Tasks. IEEE Transactions on Geoscience and Remote Sensing, 62: 1-15. https://doi.org/10.1109/TGRS.2024.3371503

[11] Liu, T. L., Münchmeyer, J., Laurenti, L., et al., 2024. SeisLM: A Foundation Model for Seismic Waveforms. arXiv: 2410.15765. https://doi.org/10.48550/arXiv.2410.15765

[12] Mousavi, S. M., Beroza, G. C., 2022. Deep⁃Learning Seismology.Science, 377(6607): eabm4470. https://doi.org/10.1126/science.abm4470

[13] Mousavi, S. M., Ellsworth, W. L., Zhu, W. Q., et al., 2020. Earthquake Transformer—An Attentive Deep⁃Learning Model for Simultaneous Earthquake Detection and Phase Picking. Nature Communications, 11: 3952. https://doi.org/10.1038/s41467⁃020⁃17591⁃w

[14] Mousavi, S. M., Sheng, Y. X., Zhu, W. Q., et al., 2019. STanford EArthquake Dataset (STEAD): A Global Data Set of Seismic Signals for AI. IEEE Access, 7: 179464-179476. https://doi.org/10.1109/ACCESS.2019.2947848

[15] Münchmeyer, J., Woollam, J., Rietbrock, A., et al., 2022. Which Picker Fits My Data? A Quantitative Evaluation of Deep Learning Based Seismic Pickers. Journal of Geophysical Research: Solid Earth, 127(1): e2021JB023499. https://doi.org/10.1029/2021JB023499

[16] Niksejel, A., Zhang, M., 2024. OBSTransformer: A Deep⁃Learning Seismic Phase Picker for OBS Data Using Automated Labelling and Transfer Learning. Geophysical Journal International, 237(1): 485-505. https://doi.org/10.1093/gji/ggae049

[17] Pecher, B., Srba, I., Bielikova, M., 2025. Comparing Specialised Small and General Large Language Models on Text Classification: 100 Labelled Samples to Achieve Break⁃Even Performance. In: Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing. Association for Computational Linguistics, Suzhou, 165-184. https://10.18653/v1/2025.emnlp⁃main.9

[18] Peng, C. Y., Jiang, P., Ma, Q., et al., 2022.Chinese Nationwide Earthquake Early Warning System and Its Performance in the 2022 Lushan M6.1 Earthquake.Remote Sensing, 14(17): 4269. https://doi.org/10.3390/rs14174269

[19] Ross, Z. E., Meier, M. A., Hauksson, E., et al., 2018.Generalized Seismic Phase Detection with Deep Learning.Bulletin of the Seismological Society of America, 108(5A): 2894-2901. https://doi.org/10.1785/0120180080

[20] Saad, O. M., Savvaidis, A., Chen, Y. K., 2024. Transfer Learning for Seismic Phase Picking with Significantly Higher Precision in Faraway Seismic Stations.IEEE Transactions on Geoscience and Remote Sensing, 62: 1-12. https://doi.org/10.1109/TGRS.2024.3422612

[21] Si, X., Wu, X. M., Li, Z. F., et al., 2024. An All⁃in⁃One Seismic Phase Picking, Location, and Association Network for Multi⁃Task Multi⁃Station Earthquake Monitoring. Communications Earth & Environment, 5: 1-13. https://doi.org/10.1038/s43247⁃023⁃01188⁃4

[22] Wang, X. H., Liu, F., Su, R., et al., 2025. SeisMoLLM: Advancing Seismic Monitoring via Cross⁃Modal Transfer with Pre⁃Trained Large Language Model. arXiv: 2502.19960. https://doi.org/10.48550/arXiv.2502.19960

[23] Woollam, J., Münchmeyer, J., Tilmann, F., et al., 2022.SeisBench-A Toolbox for Machine Learning in Seismology.Seismological Research Letters,93(3):1695-1709. https://doi.org/10.1785/0220210324

[24] Yu, Z. Y., Cai, Y. Q., Wang, W. T., et al., 2024. PRIME⁃DP: Pre⁃Trained Integrated Model for Earthquake Data Processing. arXiv: 2408.01919. https://doi.org/10.48550/arXiv.2408.01919

[25] Yu, Z. Y., Wang, W. T., 2022. LPPN: A Lightweight Network for Fast Phase Picking. Seismological Research Letters, 93(5): 2834-2846.https://doi.org/10.1785/0220210309

[26] Yu, Z. Y., Wang, W. T., Chen, Y. N., 2023. Benchmark on the Accuracy and Efficiency of Several Neural Network Based Phase Pickers Using Datasets from China Seismic Network. Earthquake Science, 36(2): 113-131. https://doi.org/10.1016/j.eqs.2022.10.001

[27] Zhao, M., Xiao, Z. W., Chen, S., et al., 2023. DiTing: A Large⁃Scale Chinese Seismic Benchmark Dataset for Artificial Intelligence in Seismology. Earthquake Science, 36(2): 84-94. https://doi.org/10.1016/j.eqs.2022.01.022

[28] Zhu, J., Li, Z. F., Fang, L. H., 2023. USTC⁃Pickers: A Unified Set of Seismic Phase Pickers Transfer Learned for China. Earthquake Science, 36(2): 95-112. https://doi.org/10.1016/j.eqs.2023.03.001

[29] Zhu, J., Zhong, Y. S., 2025. Evaluation of the Monitoring Capability of the Yunnan Earthquake Early Warning Network.Journal of Seismological Research, 48(3): 422-431 (in Chinese with English abstract).

[30] Zhu, W. Q., Beroza, G. C., 2019. PhaseNet: A Deep⁃Neural⁃Network⁃Based Seismic Arrival Time Picking Method. Geophysical Journal International, 216(1): 261-273. https://doi.org/10.1093/gji/ggy423

基金资助

地震科技星火计划项目(XH25033YB)

国家自然科学基金项目(42374081)