鉴于人工智能在信号检测与识别领域的巨大成功、广泛分布的台站接收函数数据以及高分辨的区域性的壳幔三维速度模型，本文将卷积神经网络（CNN）应用于接收函数的质量评估，将U型网络结构（UNet）应用于接收函数和面波频散的联合反演，尝试实现高质量接收函数的自动高效筛选，构建符合区域构造背景的速度结构模型。

中国地震局地球物理研究所吴庆举研究员团队通过构建基于人工智能的卷积神经网络，实现对P波接收函数波形质量的快速评估，为壳幔结构研究提供高质量的接收函数；通过构建UNet实现对接收函数和面波频散的联合反演成像，获得符合先验模型约束的稳健的S波速度结构。

本研究处理了来自青藏高原东北缘的22221个远震事件，引入信噪比和相似度方法，采用标签为好或差的简单二分对数据质量进行标识：高信噪比且高相似度的数据用标签1标识为合格数据；低相似度且低信噪比的数据用标签0标识为不合格数据，舍弃其余数据，避免其模糊性对网络的影响。用接收函数波形数据、远震Z分量数据以及质量标签训练CNN，反向传播更新CNN权重，建立接收函数波形数据和质量分类之间的映射关系，构建了CNN框架。验证集数据的预测结果表明：CNN继承了人工挑选接收函数的经验，能够从原始的接收函数数据中筛选出高信噪比、高相似度的接收函数（图1）。

本研究基于全球PREM模型和Ccrust5.1模型，对模型参数做合理的随机扰动，随机生成大量的地壳模型，计算合成接收函数和频散，建立接收函数和面波频散数据与S波速度结构数据的训练集，然后将接收函数和面波频散作为两个通道的模型输入，将地球S波速度结构作为输出，实现端到端的训练，从而建立了接收函数和面波联合反演的UNet模型。将野外实测数据作为UNet的验证集，测试集和验证集的Loss曲线表明UNet具有较好的泛化能力。与经典的阻尼最小二乘反演结果的对比表明，对大量模型进行深度学习后反演获得的模型更加稳健，且UNet还能给出反演结果的不确定度（图2）。

图1 人工挑选接收函数与CNN挑选接收函数的对比图。台站61063和62335的接收函数的人工挑选（第一行，高斯滤波参数为 1.0）和 CNN挑选结果（第二行，高斯滤波参数为 1.5）的比较；Ps、PpPs 和 PpSs + PsPs的理论到时用黑色虚线标记

图2 (a)用于反演的叠加P波接收函数；(b) 利用阻尼最小二乘法联合反演面波与接收函数得到的模型 (Li et al., 2017)； (c)UNet 联合反演接收函数和面波频散得到的模型 (d) 由100个预测模型导出的不确定度

本研究提出了基于深度学习的接收函数质量评估方法，将数据的信噪比和相似度应用于神经网络，实现了接收函数质量的高效评估，对于地球物理资料质量的定量高效评估有潜在的应用前景。首次将神经网络应用于接收函数和面波频散联合反演，理论模型和实际观测数据的测试表明，基于神经网络的联合反演方法较阻尼最小二乘法，有反演所期待的结果稳健的特点，对于地球物理资料反演有潜在的科学意义和应用价值。

研究成果详见： Gan, L., Wu, Q., Huang, Q., & Tang, R. (2022). Quality classification and inversion of receiver functions using convolutional neural network. Geophysical Journal International, 232(3), 1833-1848.https://doi.org/10.1093/gji/ggac417

【作者简介】

第一作者：甘露，女，1992年生，博士，主要从事地球物理反演方法研究。

Email：ganlu@pku.edu.cn；

通讯作者：吴庆举，男，1966年生，研究员，主要从事地震学、地球内部结构以及地球动力学研究工作。

Email：wuqj@cea-igp.ac.cn