2023，59（6）地震编目为地震活动分析与评价、地质构造研究与地震预测提供基础数据，编目内容包括地震定位、震相分析与震级测定等[1]。震相分析是地震编目中最重要的工作内容，分析结果的完整性与准确性直接影响着编目质量，其主要任务包含震相识别与到时拾取。地震P波（primarywave）是地震发生后最先到达地表的波形，是震相分析中出现最频繁的波形。针对P波到时的精确拾取是当前地震信号处理领域研究的难点和热点。融合时空注意力机制的P波到时拾取网络李宇1，韩晓红1，张玲2，张海轩3，李钢21.太原理工大学大数据学院，太原0300002.太原理工大学软件学院，太原0300003.太原理工大学信息与计算机学院，太原030000摘要：针对现有地震到时拾取算法精度较低、鲁棒性较差等问题，设计了一种基于深度学习的地震P波到时拾取网络，该网络为编解码结构，可实现地震波形序列的逐点预测。网络编码器对输入数据进行多尺度特征提取与融合，提高特征利用率；利用多尺度残差结构深度挖掘数据中隐藏特征信息，提升模型非线性拟合能力；在解码网络中加入时空注意力机制，提高网络对到时特征的感知能力；提出深层编码特征融合模块，在保证特征完整性的同时有效避免融合特征过程中出现的特征序列污染问题。实验结果表明，提出的网络在0.1s、0.2s、0.3s三个误差阈值下，拾取命中率分别为75.04%、94.6%、97.37%，平均绝对误差和均方误差为0.092s、0.036，相比现有传统方法与深度学习到时拾取方法，具有更高的P波到时拾取精度。关键词：震相到时拾取；深度学习；序列处理；时空注意力；特征融合文献标志码：A中图分类号：TP391doi：10.3778/j.issn.1002-8331.2109-0428SeismicP-WaveFirst-ArrivalPickingModelBasedonSpatiotemporalAttentionMechanismLIYu1,HANXiaohong1,ZHANGLing2,ZHANGHaixuan3,LIGang21.CollegeofDataScience,TaiyuanUniversityofTechnology,Taiyuan030000,China2.CollegeofSoftware,TaiyuanUniversityofTechnology,Taiyuan030000,China3.CollegeofInformationandComputer,TaiyuanUniversityofTechnology,Taiyuan030000,ChinaAbstract：Aimingattheproblemsoflowaccuracyandpoorrobustnessoftheexistingearthquakefirst-arrivalpickingalgorithm,aseismicP-wavearrivalpickingnetworkbasedondeeplearningisdesigned.Thisnetworkisencoder-decoderstructure,whichcanidentifyseismicsignalsequencepointbypoint.Theencoderusesmulti-scalefeatureex...
