用于新西兰边缘设备实时地震P波检测的轻量级卷积神经网络

能救命的几秒钟

当地震发生时，提前几秒的警报就可能决定是安全还是灾难。该研究探讨了将微小、低成本计算设备与智能算法结合，是否能足够快速地识别地震的最初波动，从而在最强烈的震动到来之前提醒人们和自动化系统。通过针对新西兰多变的地层进行方法定制，作者表明高科技的早期预警并不必依赖庞大的数据中心——它可以在足够小以直接安装在现场传感器上的设备上运行。

为何最初的微弱震动很重要

地震会发出多种波。最先到达的是P波，通常强度较小，但会比随后更具破坏性的波更早抵达。如果我们能快速且可靠地检测到这些最初的轻微震动，就可以在还有时间的时候发送警报，让人们躲到桌子下、停下列车、暂停手术或关闭燃气阀门。传统的方法寻找信号中的简单变化，但常被交通、机械或风噪声干扰，响应也可能太慢。更新的深度学习方法更准确，然而通常需要强大的计算资源和较长的数据时段，这使得它们难以在靠近传感器的小型设备上运行。

教一个小模型怎么聪明地“听”

研究人员设计了一种紧凑型深度学习模型，称为卷积神经网络，以解决这个问题。他们的系统不需要三十秒或更长的运动记录，而只用两秒的地震片段，从而特别快速。他们不仅训练模型识别P波，还识别更强的S波和普通背景噪声。为此，他们利用了新西兰国家强震仪观测网络约89,000条记录，侧重于距传感器约100–150公里范围内、震级大于3.0的事件。每条90秒的记录都经过清洗、滤波，然后切分成代表P波、S波和噪声的短窗口，为模型提供了广泛的真实世界条件供其学习，包括许多信号仅比噪声略强的情形。

在微小体积中塞入算力

为低成本硬件设计意味着模型必须非常高效。团队探索了网络的多种版本，调整层数和滤波器数量，并同时衡量精度与计算需求。他们将这些因素合并为单一评分，从而判断何时增加复杂性已不再带来实质好处。该搜索最终得出一个仅约38,000个可调参数的设计——远少于许多现有的地震模型——但在整体测试段上仍能正确标注约97%，对P波样本的正确率达98%。在广泛可用的业余电脑Raspberry Pi 5上的试验中，每次判断大约花费6.5毫秒的一千分之六点五（注：原文为6.5千分之一秒，即0.0065秒），仅占用单个处理核心的一小片时间，且在连续运行一周的测试中温度保持在安全范围内。

在大地震和廉价传感器上验证其效果

为了检验系统是否能应对更重要的地震，作者将其应用于强烈的2016年凯库拉地震，尽管该事件未被包含在训练数据中。通过使用重叠的两秒窗口并仅对输入信号做简单缩放，模型能在距离200公里的台站上识别出最初的P波，通常比强烈震动达到峰值提前数十秒。它在低成本的Raspberry Shake传感器数据上也表现良好——这些传感器比专业仪器更嘈杂，但更易于大规模部署。无需重新训练，模型在一次3.6级事件中仍能在若干Raspberry Shake台站上清晰检测到P波和S波，表明其“听力”能在不同设备之间迁移。

对日常安全意味着什么

这项研究表明，可以将可靠且快速的地震检测压缩到足够小且高效的模型中，以在分布在全国各处的廉价边缘设备上运行。作为每个传感器上能在数秒内响应的第一阶段触发器，该系统可以将信息输入更大的网络或更详尽的分析，以估计震动强度及其影响最严重的区域。对于像新西兰这样易发地震的地区居民而言，这种方法带来了更早预警的可能性，而不必完全依赖昂贵的集中式基础设施——为更普及、更具弹性的早期预警系统铺平了道路，未来有望像烟雾报警器一样普遍存在。

引用: Ravishan, D., Prasanna, R., Herath, P. et al. Lightweight convolutional neural network for real-time earthquake P-wave detection on edge devices in New Zealand. Sci Rep 16, 11536 (2026). https://doi.org/10.1038/s41598-026-42568-y

关键词: 地震预警, P波检测, 边缘计算, 深度学习, 新西兰地震学