张浩等-GJI：震源成像与走时残差联合约束深度学习实现微地震震源高精度定位

　　微地震监测是地下资源开发与重大地质工程安全防控的"地下听诊器"，精准震源定位是评估储层改造效果、管控诱发地震风险的核心技术环节。然而，现场微地震波形数据常伴随强环境噪声与复杂干扰，传统方法在低信噪比下定位精度急剧下降甚至失效；纯数据驱动的深度学习虽具速度优势，但因缺乏地震波传播物理约束，易产生不可预期的误差，制约工程应用。如何将物理先验信息可靠嵌入智能学习框架，已成为微地震监测领域亟待突破的方法瓶颈。

　　本研究提出"震源成像—走时残差"联合约束的深度学习微震定位新方法。基于U-Net架构引入CBAM注意力机制，将互相关叠加成像原理与地震波走时一致性同时嵌入损失函数，并采用Pareto动态权重优化自适应平衡多目标训练。复杂模型合成数据数值实验表明，相较于纯数据驱动的深度学习方法，联合约束方法能显著降低定位误差，误差降幅过半，有效抑制异常误差；单事件预测耗时较传统方法实现数十倍加速，为近实时微地震监测提供了全新技术路径。

　　研究进一步揭示，Pareto动态优化加速模型收敛，CBAM注意力权重与P波初至走时曲线高度吻合，赋予网络可解释的物理聚焦能力。鲁棒性测试表明，即使在速度模型扰动、极低信噪比、部分台站缺失等极端工况下，该方法仍保持显著优于传统方法的稳定性；网络二维成像输出还使其天然具备多震源同时解析能力。该研究强调微地震智能定位必须显式融入地震波传播物理机制，而非简单依赖数据拟合。下一步，地质力学所和中南大学研究团队将结合三维弹性波模拟与野外实测数据，推动该方法在深部地热开发、地质储能设施安全监测、二氧化碳地质封存及深部矿山安全监测等场景的应用落地。

　　该研究成果近期发表在地球物理领域知名SCI期刊Geophysical Journal International上（Li, L., Zhang, J., Zhang, H.*, Zeng, X., & Liu, J. (2026). Deep learning-based microseismic source location with joint constraints of source imaging and traveltime residuals. Geophysical Journal International, 246, 1–17. https://doi.org/10.1093/gji/ggag171），中南大学李磊为本文第一作者，中国地质科学院地质力学研究所张浩为本文通讯作者。

　　原文链接：https://academic.oup.com/gji/article/246/1/ggag171/8675032

　　

　　图 1 基于震源成像与走时残差联合约束的深度学习微震定位方法流程图

　　

　　图 2 集成CBAM注意力机制的U-Net网络架构

　　

　　图3 Marmousi模型验证成像定位结果对比