当前地震震相拾取算法的精度和效率是相近的，特别是深度学习为代表的机器学习算法的使用，使得震相检测的精度达到了与人相近的程度。因此决定最终地震检测精度的是地震震相关联算法，设计高效的震相关联算法可以显著的提升地震检测效率，挖掘更多潜在地震事件。当前震相关联算法存在检测速度慢问题，因此有必要设计高效的地震检测算法，如图1所示。

图1 算法流程示意图

我们使用神经网络对走时表进行了拟合，这使得在关联过程中可以有效的利用GPU等加速硬件进行加速。测试表明，我们的算法相比于REAL方法的速度提升了12倍，同时关联效果是近似的。我们使用漾濞地震序列进行了测试，如图2所示。

图2. 漾濞地震进行的测试。在2021年5月21日13:00开始的七分钟内检测到了12个地震。

可以看到我们的方法可以有效的对地震事件进行检测。我们同时对连续7天的地震事件进行了测试，测试表明我们的算法可以检测到93.5%目录中的地震事件。

本研究成果的主要创新点包括：1. 使用多层神经网络拟合了走时表。这使得在计算过程中减少逻辑判断，并且可以方便的进行加速计算；2. 算法全流程可以使用GPU进行加速。使得算法的网格搜索过程可以有效的进行并行化改进，以加快关联速度。

关联算法是地震检测的关键步骤，FastLink快速算法的形成可以有效的对密集台阵的地震事件进行检测。

研究成果2022年发表于学术期刊《Geophysical Journal International》（Yu, Z., & Wang, W. (2022). FastLink: a machine learning and GPU-based fast phase association method and its application to Yangbi M s 6.4 aftershock sequences. Geophysical Journal International, 230(1), 673-683.）。研究受研究所基本科研业务费专项项目（DQJB21Z01）资助。

【作者简介】

于子叶，男，博士，主要从事地震数据分析、地震数据处理和机器学习算法设计和研究工作。著有《深度学习算法与实践》。