于子叶-深度学习在科学研究中的应用.pdf

1、深度学习方法在科学研究中的应用地震局地球所+副研究员+于子叶 多源数据 多地区布设 多种物理量观测于子叶等，2023方法综述 滑坡监测 地震检测 城市监测 建筑监测于子叶等，2023方法综述 10T波形 13年历史数据 1K+台站 5千万人工标注数据于子叶等，2023方法综述深度学习：数学基础、算法模型与实战方法综述#Traditional传统方法中需要复杂的处理流程。特别是需要人工给定特征函数。这需要经验进行分析。传统方法需要人工提取特征对原始数据进行滤波高信噪比波形人工构建特征波形特征统计分析震相等原始波形方法综述数据驱动模式#Data Driven传统方法中需要复杂的处理流程。而基于数据

2、建模方式可以直接给定模型。深度学习模型可以简化建模，从而使得之前需要复杂处理才能得到的结果在单一模型内解决简化了数据分析流程深度学习模型震相等原始波形方法综述数据驱动模式#Data Driven传统方法中需要复杂的处理流程。而基于数据建模方式可以直接给定模型。深度学习模型可以简化建模，从而使得之前需要复杂处理才能得到的结果在单一模型内解决叶片病害检测方法应用 以实时监测滑坡和地震为例 需要在灾害发生后快速确定灾害的时间、地点和规模方法应用 以实时监测滑坡和地震为例 需要在灾害发生后快速确定灾害的时间、地点和规模方法应用数据中心云端处理实时预警（短信等）方法应用 采集波形数据 三个分量 100采

3、样点每秒 全国布设 2万个台站/省方法应用 高效处理数据 高精度分析数据 全自动化流程数据中心云端处理方法应用 高效处理数据 高精度分析数据 全自动化流程数据中心云端处理方法应用 高效处理数据 高精度分析数据 全自动化流程数据中心云端处理方法应用 高效处理数据 高精度分析数据 全自动化流程数据中心云端处理方法应用 高准确度 结果可靠 需要人工确认实时预警（短信等）人工自动？方法应用图像数据应用分析：科学数据与传统数据自然语言数据震动数据卫星数据光谱数据GPS数据地磁数据电磁数据声波数据雷达数据勘探数据科研数据本身就是多模态数据，需要多种深度学习模型方法应用图像数据应用分析：科学数据与传统数据自

4、然语言数据震动数据卫星数据光谱数据GPS数据地磁数据电磁数据声波数据雷达数据勘探数据而很多数据本身与图像和文本有千丝万缕的联系方法应用应 用 分 析：可 靠 性 问 题机器学习模型所得结果并不可靠，需要人工确认。与实际需求之间存在距离。方法应用应 用 分 析：可 靠 性 问 题人工确认几乎是必不可少的。人工自动方法应用应 用 分 析：可 靠 性 问 题同样的，在建模中也应当使用合适的路径来反馈人工确认的额结果。人工自动方法应用应 用 分 析：可 靠 性 问 题随着数据量提升，精度问题已经得到了很大的改善。方法应用应用分析：可解释性问题科学问题解决包含：1.数据处理与分析2.结合物理机制进行解释

5、目前研究中多几着眼于数据分析之中。方法应用应用分析：可解释性问题科学问题需要合理的物理解释。方法应用应用分析：可解释性问题需要结合物理模型和机器学习模型综合进行分析。基于注意力机制的频散拾取方法测试（模拟数据）模型加权表明高频信号先至而低频信号后至这与面波频散机制是相同的总结更多应用场景用于路基病害检测#RNN结合CNN和RNN可以进行震相提取。RNN有着相比于CNN更大的感受野。同时可以实时处理。模型更轻量化精度更高速度更快刘欢和于子叶总结更多应用场景用于大陆模型构建#CNN结合CNN和GAN处理分辨率更高刘欢和于子叶总结更多应用场景深度学习模型可以直接以ZH比和频散作为输入并直接反演一维速

6、度结构基于DNN直接反演测试表明深度学习方法可以有效反演地下深度S波速度总结未来发展方向目前多数自然科学研究者直接使用CV模型1.缺乏针对性设计2.计算效率较低3.未必符合数据物理特征GPR异常检测马王鹏等2019总结未来发展方向目前研究工作倾向于提升精度1.低效处理海量数据2.模型具有部署成本15000元400元RTX4090总结未来发展方向研发精度和速度兼备模型1.实时处理海量数据2.降低模型部署成本不同模型精度速度统计于子叶等2022总结未来发展方向持续交互精度提升1.