一种基于PPNet的地震直达P波到时拾取方法

季倪宏 李钢 张玲 罗勇 黄金刚

摘要：针对现有地震直达P波到时拾取网络精度低、误差大等问题，结合UNet++编码、解码器，融入特征过滤器设计一种具有地震震相特征分析与融合能力的轻量级P波到时拾取网络PPNet，实现对地震P波的高精度、低误差拾取。首先，该网络在编码器模块采用大卷积核、低通道数的卷积层，对输入的地震信号进行深度特征提取;其次，在解码器模块的特征还原过程中加入特征融合机制，补全特征信息，避免序列特征污染问题;最后，仅对编码器后三个下采样模块添加特征过滤器，深入挖掘特征序列，通过细化P波到时特征，提升到时拾取精度。实验结果表明，提出的网络在0.1 s、0.2 s、0.3 s误差阈值下P波拾取率分别为80.73%、94.01%、97.81%，平均绝对误差0.078 s，均方误差0.021，与现有P波拾取传统方法和深度学习算法相比性能更优。

关键词：深度学习; P波拾取; 智能拾取; 特征融合; 特征过滤

中图分类号： TP391      文献标志码：A   文章编号： 1000-0844（2024）03-0714-10

DOI：10.20000/j.1000-0844.20221106001

A picking method of direct seismic P-wave arrival time based on PPNet

JI Nihong1， LI Gang1， ZHANG Ling1， LUO Yong2， HUANG Jin'gang2

（1. School of Software， Taiyuan University of Technology， Jinzhong 030600， Shanxi， China;2. Shanxi Earthquake Agency， Taiyuan 030021， Shanxi， China）

Abstract： To overcome the low accuracies and high error rates of existing P-wave arrival time picking networks， we developed a P-wave pyramid network （PPNet）. This lightweight network was designed for high-precision and low-error picking of seismic P-waves by combining the UNet++ codec with a feature filter. Remarkably， the resulting PPNet could analyze and combine seismic phase characteristics. First， a convolution layer with a large convolution kernel and low channel number was incorporated into the encoder module for deep feature extraction from input seismic signals. Subsequently， a feature fusion mechanism was introduced into the feature restoration process of the decoder module to complement the feature information and prevent sequence feature contamination. Finally， feature filters were selectively applied to the final three downsampling modules of the encoder for deep feature sequence exploration， consequently refining the P-wave arrival features and improving pickup accuracy. Experimental results revealed that the P-wave pickup rates of the proposed network reached 80.73%， 94.01%， and 97.81% under error thresholds of 0.1， 0.2， and 0.3 s， respectively， with an average absolute error of 0.078 s and a mean square error of 0.021. Thus， the proposed network outperformed traditional P-wave pickup methods and deep-learning algorithms.

Keywords：deep learning; P-wave pickup; intelligent pickup; feature fusion; feature filtering

0 引言

震相分析是地震預防与监测环节中的重要一环，可为地震预警工作提供重要信息，其中震相和地震信号到时拾取是震相分析的关键，也是当前研究的热点和难点。地震P波是在地震活动中从震源传出的一种弹性震相波，其传播方向与传播介质点振动方向一致，其中直达P波（以下简称P波）是由震源直接到达接收点的地震波。当前P波到时拾取工作还有很多难点需克服：一是收录的波形数据背景噪声大、信噪比低，不利于后续的拾取工作;二是传统方法虽有较优的拾取效率，但受设定闯值影响较大，拾取效果因数据信噪比、数据检测信号区间不同而差异较大;三是深度学习神经网络因注重对空间模式特征的提取，导致对地震波形数据这类时序信息的特征捕获能力较弱，对时序信息及数据间的推理关系表达欠佳，可能缺少深度时序特征，造成模型对其有效特征表达的识别度差。上述问题很大程度上影响了P波到时拾取工作，同时也是当前研究亟待解决的重点问题。

本研究针对地震信号到时拾取领域中信号和网络模型方面存在的问题，结合UNet++编解码器，加入特征过滤器模块，设计了一种新型地震震相智能拾取网络PPNet（P-wave Pyramid Network）。特征过滤器可细化提取编码器特征，还可对因上采样导致的特征缺失进行信息补全，从而实现对地震P波高精度，低误差拾取。

1 技术综述及存在的问题

数字地震仪在地震学研究领域已广泛使用，科研人员在此基础上对地震P波到时拾取研究也有相当可观的成果。传统方法和深度学习算法是当前研究P波到时拾取最常见的两种方法。传统方法中目前在地震信号处理领域有代表性的算法是长短时窗比法（Short Term Average/Long Term Average，STA/LTA）［1］、基于Akaike信息准则法（Akaike Information Criterion，AIC）［2］等，深度学习方法目前具有代表性的是ConvNetQuake［3］、PhaseNet［4］、EQTransformer［5］等。

传统方法大都基于数学原理，虽有较好的拾取效率，但拾取效果很大程度上取决于数据信噪比和检测区间。STA/LTA法根据噪声自适应调整对某一类地震信号的敏感度，反映地震初至波的瞬时变化，为避免随机噪声的干扰，要设置固定阈值，灵活度较差，且在一定的噪声条件下，长/短时窗时间越长越易拾取P波初至点，但会花费更多时间，尤其对于剪切波拾取困难，所以需要研究相应的噪声特点来选取合适的时窗长度。AIC法反映了地震波到达前地震动与噪声的稳态过程和地震波到达后幅度变化的稳态过程，一定程度上解决了阈值选择的问题，但其拾取精度受时间序列长度的影响较大，致使相关信息的分散程度不稳定，使用时难以选择合适的时间序列［6］。郭铁龙等［7］结合上述两种方法，运用地震三分量数据，首先用STA/LTA法拾取到P波初至点，然后在初至点附近选择合适的时窗长度，用AIC实现精准拾取。此方法避开了STA/LTA拾取滞后的缺点，放大了AIC精准拾取的优点，可实现更高的拾取精度和效率。Baer等［8］提出的方法更好地发挥了挖掘数据的性能，提高了STA/LTA方法对低信噪比数据的拾取效果，但仍依赖于阈值设定问题，泛化性较差。除上述算法外，偏态/峰态法［9］（P Arrival Identification Skewness/Kurtosis，PAI-S/K）、标准时频变换方法［10］等P波拾取的传统算法也有较好的拾取效果，但由于震源机制、场地效应、散射、相位转换和噪声源干扰等多种影响，导致传统方法存在泛化性差、稳定性低、拾取误差大等问题，无法满足现实需要。

除了运用传统方法对地震P波进行拾取外，深度学习方法已成为处理地震信号领域的主流技术。PhaseNet［4］参考UNet模型的构建，通过识别地震三分量数据，使用跳跃连接进行特征融合，通过输出与输入数据等长的概率序列获取P波到时信息，但由于其网络模型复杂度低，对信号的拟合度还有待提升。Unet-cea通过对PhaseNet进行优化，取得了较优的拾取性能［11］。李宇等［6］提出的融合时空注意力机制的拾取网络，通过对数据进行多尺度特征提取与融合，进行权重重新分配，达到了较高的拾取率。蔡镇宇等［12］构建的回归模型无需对原始波形进行逐点扫描，即可实现汶川地震余震P波初至到时的有效拾取。上述文献在对震相识别与到时拾取进行研究时，将深度神经网络用于自动提取复杂波形的抽象特征，在对标签数据进行监督学习后，训练后的模型在测试数据集上的效果可超越传统方法，但其能否实用化的关键在于神经网络是否具有更高的泛化性［13］。目前已有一些网络可以达到较高的泛化性，如Perol等［14］提出的基于U型神经网络进行震相识别和到时拾取的方法，Ross等［15］提出的利用深度学习进行P波到时拾取和初动极性判定的方法。近些年人工智能技术飞速发展，随之衍生的深度学习算法也在很多领域得到广泛应用。深度学习算法由于在自然语言处理领域的优势，其在震相识别和到时拾取的实际应用中已取得很好的效果。除上述拾取模型外，Earthquake Transformer［16］等都具有较优的P波拾取效果。但深度学习模型仍存在对数据特征的提取能力不足等问题，常会忽略有效信息，导致到时拾取效率不高，所以提高P波到时拾取精度是当前地震信号研究领域亟待解决的问题。传统方法与深度学习方法在地震信号到时拾取领域已有较好的拾取效果，但仍存在受阈值设定影响大、特征提取能力不足等问题，本研究针对这些问题对P波拾取技术进行了改进。

2 模型建立与结构分析

本文结合UNet++编、解码器，融入特征过滤器，构建了一种具有地震震相特征分析与融合能力的轻量级P波到时拾取网络PPNet，其结构如图1所示。

所构建模型由编码、解码器和特征过滤器组成。编码器模块借鉴PhaseNet构建，采用大卷积核和低通道数的卷积层，包括初始卷积模块和下采样模块，可在有效提取震相到时特征的同时过滤大量干扰信息，并有效控制模型参数量。解码器模块由上采样模块和时间步全连接模块构成，反卷积层用于还原特征尺度，Cropping层用来控制上采样造成的尺度变化，时间步全连接层对网络输出的多层卷积特征进行共享参数，通过共享权重信息对输出的特征序列进行逐点识别并输出，精确拾取震相到时信息。特征过滤模块进一步细化特征提取过程，根据特征粒度对编码器不同阶段的输出特征进行提取，并与相应的解码器进行特征融合，避免了因反卷积造成的特征丢失，同时增加了特征的多样性。网络模块结构及其参数、输入输出尺度如表1所列。

2.1 编码器

编码器可以对输入网络的地震信号进行深度特征提取，增强信號序列中震相到时权重，同时压制过滤其他的干扰信息。

本文所提出的PPNet的编码器由1个初始卷积模块和4个下采样模块构成，所有卷积层的卷积核大小均为7，激活函数均为线性整流函数（Rectified Linear Unit，ReLU）。大尺度卷积核的编码器在每次卷积运算中感受野较大，利于进行全局特征分析，使模型对信号序列的分析能力大幅提升，从而有效提取震相到时特征，增强到时附近的权重特征，同时抑制波形峰值等干扰特征。初始卷积模块由2个步长为1、通道数为8的卷积层构成，该模块可对输入的地震信号波形数据进行初步特征提取，同时提升数据通道数，丰富特征细节。下采样模块均由2层卷积层构成：第一卷积层步长为4，通道数与输入特征的通道数一致;第二卷积层步长为1，通道数较第一卷积层有所提升。随着编码器网络深度的增加，特征经过各卷积层的过滤与池化层的非线性拟合，震相到时特征得到极大增强，特征维度有效提升，数据的隐藏特征被深度挖掘并表达。

2.2 特征过滤器

特征过滤器有两方面的作用：首先，进一步细化提取上述编码器提取到的特征，得到更精确的到时信息，提升网络的识别精度;其次，对解码器的特征序列进行特征信息补全，防止因上采样导致的特征序列细节表征能力不足。

特征过滤器采用小卷积核的卷积层处理编码器各下采样模块输出的特征序列，细化处理震相到时特征，提升到时拾取精度。编码器模块已经对地震信号数据进行了序列分析与震相到时特征提取，大致确定了震相到时范围，加入特征过滤器可对特征序列进行细化分析，其计算粒度更小，可得到更精确的到时信息。

下采样模块在编码器中所处位置不同，对应特征过滤器的卷积层数与卷积核大小也应不同。下采样模块在编码器中所处位置越深，特征凝练度越高，使用的特征过滤器卷积层数就越少，卷积核也越小。下采样模块位置浅时，浅层特征表征能力弱，则需要更深层、更大尺度的特征过滤器对输出特征进行特征过滤与序列分析。而编码器初期由于过滤程度有限，非线性拟合程度不足，输出的特征序列噪声较多且震相信息不足，需构建深层的特征过滤器对其进行处理，这将引入大量参数，计算效率会受到很大影响。因此，仅对编码器后三个下采样模块添加特征过滤器，对输出的特征序列进行处理，而未使用特征过滤器处理编码器浅层的初始卷积及第一个下采样模块的输出特征。这样可在保证网络识别性能的前提下有效减少网络参数量，提升模型识别效率。在地震波形信号数据中，到时特征比波峰特征表现更微弱，若将其直接与解码器特征融合，会对已完成深度过滤的特征造成干扰，影响拾取性能。因此，在进行编码解码特征融合过程中，首先采用特征过滤器对编码器特征进行深度发掘与提取，以有效过滤冗余及噪声信息，得到的特征序列到时特征鲜明且细节特征丰富;再将此序列与解码器上采样所得到的特征进行融合，有效补充序列的细节特征，避免无效特征对后期特征序列造成的污染问题，提升网络识别性能。

2.3 解码器

解码器可将特征序列还原成与输入数据相同的长度，通过识别每个时间步，实现特征序列中P波到时的识别。在特征还原过程中加入特征融合机制，补全特征信息，同时避免了因特征细节缺失所导致的网络性能差的问题。

解码器包括4个上采样模块、3个特征融合模块和1个时间步全连接模块。上采样模块由步长为4的上采样层与Cropping层构成，上采样层将特征序列的长度还原，Cropping层裁剪上采样输出的特征序列，解决因下采样特征序列向上取整所引起的长度变化问题。特征融合模块首先将解码器特征与其对应的特征融合器特征以Concate方式进行融合，之后采用尺度为1的卷积层进行降维，并使用ReLU函数激活。时间步全连接模块作为网络的输出层，对每个时间步中的所有通道进行全连接运算，输出长度为t、维度为1的特征序列;运算完成后，使用Sigmoid函数将特征序列映射到0～1之间，最终输出P波到时概率序列。时间步全连接通过逐点预测，实现了地震信号序列中每个时间步的精准识别。

3 模型实验及结果分析

本实验使用的硬件环境平台：CPU为E5-2695V1，GPU为TITAN V，内存32 GB，操作系统为Ubuntu 18.04，所有网络均基于Python 3.6及框架TensorFlow 2.0进行实验和测试工作。在网络训练过程中，采用自适应矩阵估计算法优化器，batch size为64，初始学习率0.01，每进行100次迭代后，学习率下降75%;采用交叉熵损失函数，当损失值连续20个epoch未下降时则停止训练，保存参数模型。

3.1 数据预处理

实验数据预处理方法包括去除线性趋势、带通滤波、归一化等，可减少数据背景噪声，提升网络模型收敛速率。为利于模型进行特征学习及分析，还需对数据进行标签重构处理，数据标注范围是以人工标注到时时刻为中心的25个时间步。数据处理各阶段效果如图2所示。

3.2 评价指标

本小节使用平均绝对误差（ Mean Absolute Error，MAE ） 、均方误差（Mean Square Error，MSE）、命中率（Hit rate，H）这几项评价指标对网络模型的性能进行整体评估，详细的描述与计算方式如表2所列。

3.3 消融实验

为构建更合理的参数模型，验证网络模型构建方式的科学性和有效性，使用5 404条地震波形数据进行一系列消融实验，并对实验结果进行分析评价（表3）。

与未添加特征融合的网络（模型1）相比，本文使用的特征融合模型（模型7）在进行测试识别时，MAE和MSE都有明显降低，在三种阈值误差下都有更高的拾取命中率，可有效提高拾取精度，降低误差，从而提升模型鲁棒性。与未添加特征过滤器的网络（模型2）相比，本文使用的特征过滤器网络在0.1 s阈值误差下有更高的准确率。与卷积核尺度和特征序列等长的模型3相比，模型4对不同长度特征序列使用不同卷积核过滤网络，使得MAE、MSE均有降低，拾取精度在三个阈值误差下都有提高。与进行全部特征过滤的模型3、4相比，模型5、6的特征过滤器采用部分过滤，其MAE、MSE较低，拾取精度高。对过滤器参数进行调整后发现，本文模型的过滤器所使用的参数识别效果最优。通过消融实验数据分析，证实了所设计模型特征融合、特征过滤器、对不同长度的特征序列使用不同卷积核过滤、部分过滤和参数调优的有效性。

3.4 对比实验

3.4.1 国内数据实验

为充分评估本网络模型拾取P波到时的性能，证明PPNet在P波到時拾取任务中的有效性与优越性，使用主流传统到时拾取方法及深度学习方法与本文方法进行对比。实验所涉及模型的训练集和测试集均采用相同人工标注三分量地震波形数据，包含5 404条中国国内连续地震波形数据，研究震相为直达Pg波，数据采样率为100 Hz，数据时窗长度为30 s。将数据集随机分为训练集和测试集，分别用于神经网络模型的训练和模型识别效果的测试评估，其中训练集包含4 719条数据，测试集包含685条数据。输入数据后，网络输出与原数据长度相同的到时概率序列，序列中概率最高的时间步即为P波到时。对比实验涉及到的方法如下：传统方法包括AIC+STA/LTA［7］和Baer［8］方法，均基于ObsPy［16-17］实现;深度学习方法包括PhaseNet［4］、Unet-cea［11］、BiLSTM［18-19］、BiGRU［20］、文献［12］和文献［6］方法。国内地震数据对比实验结果如表4所列。

由表4可知，较两种传统方法，本文提出的网络模型的MAE分别降低了69.17%、77.97%，MSE分别降低了95.81%、96.63%;在三种设置阈值误差下，本文方法的命中率更高。这是因为传统方法拾取结果受阈值设定影响较大，阈值不同导致不同方法对震相的敏感度不同，泛化性和鲁棒性弱，所以在实验中表现较差。与深度学习方法相比，本文提出的网络模型的MAE分别降低了19.59%、24.27%、31.58%、32.76、50.0%、15.22%，MSE分别降低了38.24%、61.82%、66.13%、63.16%、74.07%、41.67%，本文方法的MAE与MSE均为最低。在0.1 s和0.3 s误差阈值下，本文方法有最高的P波拾取命中率，在0.2 s误差阈值下命中率低于Unet-cea和文献［6］法。Unet-cea采用了更小的卷积核，能更好地识别网络细节特征，因此在0.2 s阈值误差下达到最高拾取率。Baer提出的CRED是近年来拾取能力较为出色的模型，可以通过地震频谱信号获取完整震相信息，但因其网络涉及参数量大，复杂度较高，在使用的批量数据中易发生过拟合现象，所以其识别结果弱于所提模型。PhaseNet使用大卷积核提升了网络感受野，但存在对数据的细节信息分析不足等問题，在低阈值误差下对P波到时的拾取能力较弱，说明其网络对信号特征的利用率较差。文献［12］方法对P波到时预测采用回归方式，无需解码即可将特征序列进行还原，误差较小，但拾取精度较低。文献［6］法加入时空注意力模块，有效增强了模型对特征数据的感知能力，拾取率较高，但可能缺少对卷积通道数的调整及优化，在0.1 s和0.3 s误差阈值下拾取率比本文方法低。本文所提出的模型在实验中平均误差最低，拾取精度相较最优，有较强的鲁棒性。

所用不同方法在不同误差阈值下的拾取情况如图3所示，因AIC+STA/LTA法和文献［12］法数据结果的效果对比度不高，故未绘出。本文方法在不同阈值误差下的识别结果如图4所示，每组的三幅图均为三次随机采样的结果。图4展示了地震波形数据的归一化振幅随采样点数的变化情况，横坐标轴为地震波形数据的采样点数，采样点数越多，地震波形的描述就越精确；纵坐标轴为地震波的归一化振幅，一般振幅越大，地震波的能量越强。由图3、4可知，在低误差阈值范围内本文方法拾取条数最多，比例最大，在0.1 s误差阈值内本文方法拾取误差最低，精度最高。

3.4.2 美国南加州数据实验

为进一步验证模型的泛化能力，在实验中引入10 000条美国南加州连续地震波形数据，训练集包含8 000条数据，测试集包含2 000条数据。选取了部分有代表性的模型对该数据集进行实验与评估，并使用具体量化指标来评价拾取效果。南加州地震数据对比实验结果如表5所列。

由表5测试结果可知，传统方法结果误差及拾取精度较深度学习方法相差较大;本文所提出的网络在三种阈值设定下MAE与MSE分别为0.057 19 s和0.039 4 s，在0.1 s、0.2 s和0.3 s误差阈值下命中率分别达到96.9%、98.2%和98.7%，在对比的模型中有最高的拾取率和最低的误差。

通过对不同数据集进行对比实验，验证了所提出网络在地震P波拾取检测上的有效性，表明其具有较强的数据特征处理能力和更好的拾取能力，可对地震P波进行更高精度和更低误差的拾取，网络模型具有较强的泛化性和鲁棒性。

4 结语

本文提出了一种基于深度学习的地震震相智能拾取网络PPNet，通过结合UNet++编码、解码器，融入特征过滤器，实现对地震P波的高精度、低误差拾取。该网络采用大卷积核、低通道数的卷积层，能更深层次提取波形特征，并在提取地震P波到时特征的同时过滤掉干扰信息;将特征融合机制融入特征还原过程中，可补全特征信息，防止特征细节缺失所导致的网络性能差等问题，进而实现信号序列中每个时间步的精确识别;仅对编码器后三个下采样模块添加了特征过滤器，通过控制参数量提高模型识别效率，细化分析序列特征，实现序列精准识别，最终提升网络精度。通过测试全国范围的地震数据集和美国南加州多维度、多震源的地震数据集，验证了本文网络对地震P波拾取的优越性。实验结果表明，与文中提及的传统方法相比，本文方法具有较高的拾取精度与较低的误差;与现今主流的震相拾取深度学习方法相比，本文方法具有更优秀的综合性能，可实现对地震P波到时高精度、低误差拾取。

未来将进一步优化网络模型，平衡特征融合器应用层数与计算参数量大小影响拾取效率的问题;研究分析各前沿震相拾取模型，对模型参数进行优化，调整卷积尺度与卷积通道数对拾取性能的影响;尝试同时拾取地震P波与S波，为后续预警建设和相关地学研究提供重要参考。

参考文献（References）

［1］ ALLEN R V.Automatic earthquake recognition and timing from single traces［J］.The Bulletin of the Seismological Society of America，1978，68（5）：1521-1532.

［2］ AKAIKE H.A new look at the statistical model identification［J］.IEEE Transactions on Automatic Control，1974，19（6）：716-723.

［3］ PEROL T，GHARBI M，DENOLLE M，等.用于地震检测与定位的卷积神经网络［J］.世界地震译丛，2020，51（3）：236-247.

PEROL T，GHARBI M，DENOLLE M，et al.Convolutional neural network for earthquake detection and location［J］.Translated World Seismology，2020，51（3）：236-247.

［4］ ZHU W Q，BEROZA G C.PhaseNet：a deep-neural-network-based seismic arrival-time picking method［J］.Geophysical Journal International，2019，216（1）：261-273.

［5］ MOUSAVI S M，ELLSWORTH W L，ZHU W Q，et al.Earthquake transformer-an attentive deep-learning model for simultaneous earthquake detection and phase picking［J］.Nature Communications，2020，11（1）：3952.

［6］ 李宇，韓晓红，张玲，等.融合时空注意力机制的P波到时拾取网络［J］.计算机工程与应用，2023，59（6）：113-124.

LI Yu，HAN Xiaohong，ZHANG Ling，et al.Seismic P-wave first-arrival picking model based on spatiotemporal attention mechanism［J］.Computer Engineering and Applications，2023，59（6）：113-124.

［7］ 郭铁龙，张雪梅，邹立晔.STA/LTA-AIC算法对地震P波震相拾取稳定性影响［J］.地震地磁观测与研究，2017，38（3）：13-17.

GUO Tielong，ZHANG Xuemei，ZOU Liye.Influence of the STA/LTA-AIC algorithm on the stability of P-wave pickups［J］.Seismological and Geomagnetic Observation and Research，2017，38（3）：13-17.

［8］ BAER M，KRADOLFER U.An automatic phase picker for local and teleseismic events［J］.Bulletin of the Seismological Society of America，1987，77（4）：1437-1445.

［9］ 郭茂祖，张庆宇，赵玲玲.基于人工智能建模的结构振动响应预测研究综述［C］//2021中国自动化大会论文集.北京：中国自动化学会，2021：759-764.

GUO Maozu，ZHANG Qingyu，ZHAO Lingling.Review on the prediction of structural vibration response based on artificial intelligence modelling［C］//Proceedings of the 2021 China Automation Conference.Beijing：Chinese Association of Automation，2021：759-764.

［10］ 姚彦吉，柳林涛，盛敏汉，等.利用标准时频变换方法在强噪声环境下无偏拾取地震P波、S波到时［J］.地球物理学报，2022，65（1）：227-243.

YAO Yanji，LIU Lintao，SHENG Minhan，et al.Unbiased picking onset time of P and S phases by normal time-frequency transform method under a strong noise environment［J］.Chinese Journal of Geophysics，2022，65（1）：227-243.

［11］ 赵明，陈石，房立华，等.基于U形卷积神经网络的震相识别与到时拾取方法研究［J］.地球物理学报，2019，62（8）：3034-3042.

ZHAO Ming，CHEN Shi，FANG Lihua，et al.Earthquake phase arrival auto-picking based on U-shaped convolutional neural network［J］.Chinese Journal of Geophysics，2019，62（8）：3034-3042.

［12］ 蔡振宇，盖增喜.人工智能在拾取地震P波初至中的应用：以汶川地震余震序列为例［J］.北京大学学报（自然科学版），2019，55（3）：451-460.

CAI Zhenyu，GE Zengxi.Using artificial intelligence to pick P-wave first-arrival of the microseisms：taking the aftershock sequence of Wenchuan earthquake as an example［J］.Acta Scientiarum Naturalium Universitatis Pekinensis，2019，55（3）：451-460.

［13］ 赵明，唐淋，陈石，等.基于深度学习到时拾取自动构建长宁地震前震目录［J］.地球物理学报，2021，64（1）：54-66.

ZHAO Ming，TANG Lin，CHEN Shi，et al.Machine learning based automatic foreshock catalog building for the 2019 MS6.0 Changning，Sichuan earthquake［J］.Chinese Journal of Geophysics，2021，64（1）：54-66.

［14］ PEROL T，GHARBI M，DENOLLE M.Convolutional neural network for earthquake detection and location［J］.Science Advances，2018，4（2）：e1700578.

［15］ ROSS Z E，MEIER M A，HAUKSSON E.P wave arrival picking and first-motion polarity determination with deep learning［J］.Journal of Geophysical Research：Solid Earth，2018，123（6）：5120-5129.

［16］ 李曉锐，张娜，姚林鹏，等.ObsPy包中的地震事件触发和震相拾取算法梳理［J］.山西地震，2020（3）：42-46.

LI Xiaorui，ZHANG Na，YAO Linpeng，et al.Sorting of seismic event triggering and seismic phase picking algorithms in ObsPy package［J］.Earthquake Research in Shanxi，2020（3）：42-46.

［17］ BEYREUTHER M，BARSCH R，KRISCHER L，et al.ObsPy：a Python toolbox for seismology［J］.Seismological Research Letters，2010，81（3）：530-533.

［18］ 王国栋，芦天亮，尹浩然，等.基于CNN-BiLSTM的恶意代码家族检测技术［J］.计算机工程与应用，2020，56（24）：72-77.

WANG Guodong，LU Tianliang，YIN Haoran，et al.Malicious code family detection technology based on CNN-BiLSTM［J］.Computer Engineering and Applications，2020，56（24）：72-77.

［19］ CHO K，VAN MERRIENBOER B，GULCEHRE C，et al.Learning phrase representations using RNN encoder-decoder for statistical machine translation［J］.ArXiv e-Prints，2014：1406.1078.

［20］ HOCHREITER S，SCHMIDHUBER J.Long short-term memory［J］.Neural Computation，1997，9（8）：1735-1780.

（本文编辑：赵乘程）

基金项目：中央引导地方科技发展资金项目（YDZJSX2021C004）;山西省青年科学研究项目（20210302124554）

第一作者简介：季倪宏（1998-），女，硕士研究生，主要研究方向为深度学习、地震信号处理。E-mail：376891282@qq.com。

通信作者：李 钢（1980-），男，博士，副教授，主要研究方向为深度学习、地震信号处理。E-mail：tx2090@126.com。

季倪宏，李钢，张玲，等.一种基于PPNet的地震直达P波到时拾取方法［J］.地震工程学报，2024，46（3）：714-723.DOI：10.20000/j.1000-0844.20221106001

JI Nihong，LI Gang，ZHANG Ling，et al.A picking method of direct seismic P-wave arrival time based on PPNet［J］.China Earthquake Engineering Journal，2024，46（3）：714-723.DOI：10.20000/j.1000-0844.20221106001