机器学习相位选择对墨西哥波波卡特佩特尔火山地震层析成像的影响

本研究评估了基于机器学习的地震目录构建对墨西哥波波卡特佩特火山地震层析成像的影响。通过整合PhaseNet模型与GaMMA、PyOcto等算法，系统测试了不同管道的性能，最终通过合并高质量事件构建了最完整的地震目录，揭示了火山下方18公里内由高、低、高Vp/Vs区域组成的垂直岩浆系统，证实了机器学习目录在高分辨率成像中的可靠性。

　　

Karina Bernal-Manzanilla | Marco Calò

墨西哥国立自治大学地球科学研究生院，墨西哥城，墨西哥

摘要

机器学习（ML）算法越来越多地被用于构建地震目录。然而，这些算法的可迁移性及其对下游应用的影响仍不确定。在这里，我们评估了基于ML的相位选择和关联方法对墨西哥波波卡特佩特尔火山（North America最活跃和最危险的火山之一）的局部地震层析成像的影响。我们测试了多种结合了PhaseNet神经网络（在公开数据集上训练）与两种相位关联器GaMMA和PyOcto的流程。这些流程用于生成完全自动的火山地震目录。结果显示，在检测率和地震活动的空间分布上存在显著差异。这反映了可迁移性取决于训练环境和关联算法。为了克服这些限制，我们建立了一个混合目录，通过系统化的流程合并了来自不同流程的高质量事件，得到了最适合高分辨率地震层析成像的最完整数据集。最终得到的三维Vp、Vs和Vp/Vs模型再现了之前层析研究中报告的多个结构，并将可解析体积扩展到火山下更深的区域，揭示了一个由至少两个高Vp/Vs区域组成的垂直排列的岩浆系统，这两个区域被地壳前18公里内的一个低Vp/Vs区域分隔。我们将这些结构解释为由含挥发性物质的层连接的两个晶体-泥浆储层。我们的结果表明，精心构建的基于ML的目录可以可靠地支持复杂火山环境中的高分辨率地震成像。

章节摘录

引言

局部地震层析成像（LET）仍然是用于成像火山内部结构的最广泛使用的方法之一。它提供了关于岩浆储层及其物理条件、上升路径以及水热系统存在的见解（Lees, 2007; Koulakov and Shapiro, 2015; Paulatto et al., 2020）。通常，LET利用火山-构造（VT）地震的P波和S波的到达时间来推断压缩波（Vp）和剪切波（Vs）的速度的三维模型。

波波卡特佩特尔火山

波波卡特佩特尔是一座大型成层火山（海拔5,452米），位于墨西哥中部，属于横贯墨西哥火山带（TMVB）的东部区域。TMVB是一个活跃的火山弧，从西到东横穿墨西哥，并与科科斯板块和里维拉板块在北美洲板块下的俯冲方向呈斜交（见图1插图）（Campos-Enriquez et al., 1990; Ferrari et al., 2012）。波波卡特佩特尔位于人口密集的城市普埃布拉和墨西哥城之间。

数据

我们分析了来自波波卡特佩特尔火山周围24个宽带地震台的连续地震记录，这些地震台的海拔范围在2,043至4,513米之间。网络配置显示在图1的中心地图中。研究时间跨度为五年，从2019年1月1日到2024年12月31日。所有波形都统一到了100 Hz的采样率。

其中12个地震台由国家灾害预防中心（CENAPRED）运营。

方法

本研究的方法分为两个主要阶段，如图2所示。在第一阶段，我们使用六种不同的基于机器学习的流程生成了自动地震目录，每种流程都结合了一个相位选择器和一个相位关联器。基于不同的事件选择策略，我们构建了两个用于层析分析的独立数据集。图2的第4.1节和A面板提供了构建这些数据集的完整工作流程描述。

自动地震目录的构建

首先，我们评估了六种自动流程的性能，这些流程结合了PhaseNet模型（在Original、INSTANCE或SCEDC数据集上训练）与两种相位关联器（PyOcto和GaMMA）。图3总结了这些流程在A）事件检测、B）每个相位的总选择次数以及C）根据softmax激活函数的选择概率方面的差异。

A面板显示，使用Original模型的流程检测到的事件最多（约4000-5000个），其次是INSTANCE

自动地震目录的构建

将基于ML的预训练相位选择器应用于新区域时，会出现可迁移性问题：性能不仅取决于训练条件（构造环境、网络几何形状、数据质量），还取决于目标区域的特征（Münchmeyer et al., 2022; Mousavi & Beroza, 2023; Kubo, 2024）。在波波卡特佩特尔火山，不同预训练模型在同一数据集上的表现差异明显。Original模型高估了地震活动

结论

本研究评估了机器学习（ML）相位选择和自动关联器对波波卡特佩特尔火山局部地震层析成像的影响。通过结合多个在不同数据集上训练的PhaseNet模型与两种相位关联器（GaMMA和PyOcto），我们系统地评估了自动流程的变异性和互补性及其对下游层析分析的影响。

我们的结果表明，基于ML的工作流程的性能在很大程度上取决于

CRediT作者贡献声明

Karina Bernal-Manzanilla：撰写——原始草稿、可视化、方法论、调查、形式分析、数据管理、概念化。Marco Calò：撰写——审阅与编辑、可视化、验证、监督、资源管理、方法论、调查、概念化

未引用的参考文献

Arciniega-Ceballos, 2002; Arciniega-Ceballos et al., 2012; Berryman et al., 2002; Bornstein et al., 2024; Bustos and Adam, 2023; Cianetti et al., 2021; Cianetti et al., 2026; Dadhich, 2023; Gisbert et al., 2021; Gist, 1994; Gómez-Vazquez et al., 2016; Huerta et al., 2025; Koulakov et al., 2021; Koulakov and Shapiro, 2014; Mousavi et al., 2020a; Mousavi et al., 2020b; Ortega-Gutiérrez et al., 2008; Papadimitriou et al., 2017; Puente Huerta et al., 2024; Qian et al., 2023; Saad and Abdalzaher,

数据获取

可以从墨西哥国家地震服务局（http://www.ssn.unam.mx）请求获取PPIG站的数据。CENAPRED提供了永久监测网络和地震公告的数据（https://www.cenapred.unam.mx）。MC数据也可根据需求获取。

本研究中使用的所有自动相位选择器均可通过SeisBench（Woollam et al., 2022）获得。相位关联器GaMMA和PyOcto可在https://github.com/AI4EPS/GaMMA和//pyocto.readthedocs.io/en/latest/获取。

写作过程中生成式AI和AI辅助技术的声明

在撰写本文期间，作者使用了OpenAI的ChatGPT来审查内容的清晰度并保持一致的风格。使用该工具后，作者根据需要对内容进行了编辑，并对发表文章的内容负全责。

利益冲突声明

? 作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。

致谢

我们感谢CENAPRED的工作人员提供地震波形数据，以及国家地震服务局（SSN）提供PPIG站的数据。我们还要感谢Leonarda Isabel Esquivel Mendiola博士在构建连续记录数据库方面的贡献。同时，我们也感谢IGF-UNAM的技术人员和学生，特别是M.Eng. Mario Alberto Díaz Cruz在MC地震仪的安装和维护方面的帮助。