HEIMDALL: a grapH-based sEIsMic Detector And Locator for microseismicity
作者: Matteo Bagagli, Francesco Grigoli, Davide Bacciu
分类: physics.geo-ph, cs.LG
发布日期: 2025-07-14
💡 一句话要点
提出基于图神经网络的地震检测与定位模型HEIMDALL，用于微震监测和地震目录生成。
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)
关键词: 地震监测 图神经网络 微震 相位拾取 事件定位 地热能源 深度学习
📋 核心要点
- 现有地震监测系统依赖人工调整和迁移学习，泛化性差，且易产生误报，需要更高效的自动监测方法。
- HEIMDALL利用图神经网络学习地震台站间的时空关系，实现端到端的相位拾取、关联和事件定位。
- 在冰岛地热区实验表明，HEIMDALL显著提高了事件检测率，减少了误报，降低了人工干预需求。
📝 摘要（中文）
本文提出了一种新的深度学习模型HEIMDALL，用于微震监测，该模型利用地震台站记录之间连续的时空关系，形成用于地震目录创建的端到端流程。它采用图论和最先进的图神经网络架构，在滚动窗口上同时执行相位拾取、关联和事件定位，使其适用于回放和近实时监测。作为在更广泛的绿色能源转型中减少碳排放的全球战略的一部分，人们对开发增强型地热系统越来越感兴趣。我们的模型在冰岛Hengill地区复杂的地热区域进行了测试，使用了来自临时实验的开放获取数据，并使用手动修订和自动地震目录进行了训练和验证。结果表明，与之前发布的自动系统和参考目录相比，事件检测显著增加，包括2018年12月的4级地震序列和2019年2月的单日序列。我们的方法减少了误报事件，最大限度地减少了人工监督，并减少了对管道进行大量调整或对深度学习模型进行迁移学习的需求。总的来说，它验证了一种用于地热地震区域的强大监测工具，补充了现有系统，并增强了地热能源开发期间的运营风险缓解。
🔬 方法详解
问题定义：论文旨在解决微震监测中，传统方法需要大量人工干预、参数调整以及易产生误报的问题。现有方法难以有效利用地震台站记录之间的时空关系，导致检测精度和效率受限。特别是在复杂地热区域，微震活动频繁且信号微弱，对监测系统的鲁棒性和自动化程度提出了更高要求。
核心思路：论文的核心思路是将地震台站视为图的节点，台站间的时空关系视为图的边，利用图神经网络学习这些关系，从而实现更准确的相位拾取、事件关联和定位。通过端到端的学习方式，避免了传统方法中各个步骤的独立优化，提高了整体性能。
技术框架：HEIMDALL的整体框架是一个端到端的图神经网络模型。首先，将地震台站的连续记录作为输入，构建一个图结构，其中节点代表台站，边代表台站间的空间关系。然后，使用图神经网络对图结构进行处理，提取特征并进行相位拾取、事件关联和定位。最后，通过损失函数对模型进行训练，使其能够准确地检测和定位微震事件。该流程适用于回放分析和近实时监测。
关键创新：该论文的关键创新在于将图神经网络应用于地震监测，并实现端到端的学习。与传统方法相比，该方法能够更好地利用地震台站间的时空关系，提高检测精度和效率。此外，该方法减少了人工干预和参数调整的需求，提高了系统的鲁棒性和自动化程度。
关键设计：HEIMDALL使用了图卷积网络（GCN）或图注意力网络（GAT）作为其核心组件，用于学习图结构中的节点和边的表示。损失函数通常包括相位拾取的分类损失、事件关联的聚类损失以及事件定位的回归损失。具体的网络结构和参数设置需要根据实际数据进行调整和优化。论文中可能使用了特定的图神经网络变体或定制的损失函数，以适应地震监测的特点。
🖼️ 关键图片
📊 实验亮点
在冰岛Hengill地热区的实验结果表明，HEIMDALL相比于之前发布的自动系统和参考目录，显著提高了事件检测率，包括成功检测到2018年12月的4级地震序列和2019年2月的单日序列。该模型还减少了误报事件，降低了人工干预的需求，验证了其在地热地震区域监测中的有效性。
🎯 应用场景
HEIMDALL可应用于地热能源开发中的地震监测，辅助评估运营风险，也可用于火山活动监测、水库诱发地震监测等领域。该研究有助于提高地震监测的自动化程度和精度，为地震灾害预警和防治提供更可靠的数据支持，具有重要的社会和经济价值。
📄 摘要（原文）
In this work, we present a new deep-learning model for microseismicity monitoring that utilizes continuous spatiotemporal relationships between seismic station recordings, forming an end-to-end pipeline for seismic catalog creation. It employs graph theory and state-of-the-art graph neural network architectures to perform phase picking, association, and event location simultaneously over rolling windows, making it suitable for both playback and near-real-time monitoring. As part of the global strategy to reduce carbon emissions within the broader context of a green-energy transition, there has been growing interest in exploiting enhanced geothermal systems. Tested in the complex geothermal area of Iceland's Hengill region using open-access data from a temporary experiment, our model was trained and validated using both manually revised and automatic seismic catalogs. Results showed a significant increase in event detection compared to previously published automatic systems and reference catalogs, including a $4 M_w$ seismic sequence in December 2018 and a single-day sequence in February 2019. Our method reduces false events, minimizes manual oversight, and decreases the need for extensive tuning of pipelines or transfer learning of deep-learning models. Overall, it validates a robust monitoring tool for geothermal seismic regions, complementing existing systems and enhancing operational risk mitigation during geothermal energy exploitation.