一种将 DAS 应变转换为检波器粒子速度的新型深度学习模型：在布雷迪地热场 PoroTomo 数据上的应用

用类似互联网电缆的线路“聆听”地震

如果那些承载我们互联网流量的光纤电缆，同样可以作为由数千个地震传感器组成的巨大阵列来使用，会怎样？本研究正是探讨了这一想法。作者展示了如何用现代人工智能（AI）模型将光纤电缆输出的原始、难以直接解释的信号，转换为地震学家更熟悉的运动读数，从而有可能使地震监测更便宜、密集，并更容易在恶劣或拥挤环境中部署。

为什么光纤“耳朵”难以解读

分布式声学测量（DAS）将普通光纤电缆变成对地面微小拉伸与压缩敏感的连续传感线。与在野外分布几百个独立仪器不同，DAS 可沿单根电缆提供成千上万个测点。这种高密度对于追踪地震波在地下如何传播是一个重大优势。但问题在于：DAS 测量的是电缆的应变，而传统检波器（即地震仪）记录的是地面的速度运动。大多数现有的地震学方法是为检波器式的运动设计的，而不是为应变而设。应变测量还会放大近地表的小尺度不规则性，使数据更嘈杂且在不同地点间不一致。因此将 DAS 应变转换为类似检波器的地面运动至关重要，但基于物理的标准转换往往需要对波的行为、电缆几何以及是否存在同位参考传感器作出强假设。

用 AI 在两种“听觉”之间做翻译

研究人员开发了一个深度学习模型，充当 DAS 应变与检波器粒子速度之间的翻译器。他们用内华达布雷迪热泉地热区 PoroTomo 实验的数据训练该模型：在那里部署了一根全长 8.4 公里之折返光纤电缆，旁边是一个由 238 个三分量检波器组成的网格。在 112 个检波器与电缆非常接近的位置，他们将每个检波器的水平运动记录与最近的十个 DAS 通道配对。该模型综合了傅里叶神经算子（用于捕获沿电缆的空间模式）、双向循环网络（用于理解时间演化）以及注意力机制（用于聚焦每个信号中最有信息的部分），学习仅基于 DAS 应变输入来预测检波器会记录到的信号。

AI 翻译器的表现如何

为评估性能，作者用标准的误差与相似性度量将 AI 生成的波形与实际检波器数据进行了比较，也检查了在大量样本中预测结果的一致性。该混合架构明显优于去掉傅里叶成分的更简单设计：平均误差约小了 20 倍，相似性与真实检波器记录的吻合度始终很高。在频率域（科学家用来分析振动中包含哪些频率成分的领域），AI 产出的粒子速度在 P 波和 S 波的整个感兴趣频段内都与检波器谱接近一致。相比之下，传统的基于物理的 DAS 转换方法仅在低频段表现良好，在高频段—DAS 行为更复杂的地方—则错过了重要细节。

将转换后的数据付诸实际应用

真正的考验是这些转换后的信号是否对下游任务有用。团队应用了一种称为 MUSIC 的波束形成技术，该技术利用传感器阵列估计入射地震波的方向和表观速度。以往在同一地点的工作表明，原始 DAS 应变率对于可靠的波束形成来说太不相干：波形看起来被模糊化，结果远不如结点式检波器阵列。新的基于 AI 的转换则给出了不同的结果。当作者在沿电缆的 AI 预测粒子速度上进行波束形成时，该方法恢复出清晰的震源反方位角和波速估计——与检波器的表现相当，甚至在某些方面略有改进，并超过了基于物理的 DAS 转换。这种改进既来自于 DAS 通道更高的空间密度，也来自于 AI 模型在抑制不相干噪声同时保留对地震分析重要的相干运动方面的能力。

这对未来地球监测意味着什么

对于非专业读者，主要结论是作者构建了一个智能翻译器，使得密集、灵活的光纤电缆能够以传统地震仪“懂得”的语言来表达。该 AI 模型并不取代物理学，而是学习到一种场地特定的映射，能够捕捉诸如电缆与地面耦合和局部噪声等复杂的现实因素。尽管每个新安装仍然需要与少量同位检波器进行短期校准，但这一方法有望将现有和未来的光纤网络转变为强大、高分辨率的地震监测、风险评估和地下成像工具。随着该方法在更多场地和更多事件上得到验证，基于 AI 的转换可能帮助把详尽的地震学分析带到那些传统传感器部署不切实际或成本过高的地区。

引用: Al-Qadasi, B., Cui, Y., Waheed, U.B. et al. A novel deep-learning model to convert DAS strain to geophone particle velocity: application to PoroTomo data from the Brady geothermal field. Sci Rep 16, 7001 (2026). https://doi.org/10.1038/s41598-026-37888-y

关键词: 分布式声学测量, 地震学, 深度学习, 地震监测, 光纤传感器