论文正文草稿(中文) — 方法 & 结果
状态: 中文第一稿(2026-08-24)。内容定稿后再译英文。 ⚠ = 需要你拍板或补料的地方。
2 数据
2.1 场地与光纤
Cape Station(犹他州 Beaver 县)是 Fervo Energy 的增强型地热开发场,与 DOE 的 Utah FORGE 研究场地相距约 1 km。我们在这里用到四根光纤:Delano,垂直井,布设至约 3.0 km 深(用到 1,536 道);Gold4,L 形井,水平段在约 2.9 km 深处延伸约 1.5 km(2,304 道);以及 2026 年 7 月新增的两处临时布设 Sugarloaf 1-OB(2,112 道,垂直至约 3.9 km)与 Sawtooth 2-IB(1,129 道)。
在 Fervo 的 Blue Mountain EGS 场地(内华达州 Humboldt 县),我们用到三根光纤:73-22(垂直监测井,2,442 道)、34A-22(注入井,2,563 道)和 86-22(浅井第三阵,1,398 道),记录的是 2023 年 3 月对生产井 34-22 的压裂改造。
各光纤几何见图 1。
图 1. Cape Station（a、b）与 Blue Mountain（c、d）的光纤平面位置和井轨迹剖面。
2.2 记录
Cape Station 为 1 kHz 连续 DAS。主分析时段是 2025-02-22 至 2025-03-23 的整月记录(687 个有效小时);另有 2025-03-02 的 6.68 小时窗口(04:59–11:39 UTC)用于算法开发与人工标注。Blue Mountain 数据覆盖 2023-03-19 14:33 至 03-25 20:30 UTC(约 150 小时),原始 500 Hz,重采样到 1 kHz 后推理。
Cape Station 同期有一套由常规流程产出的微震目录,用作对照(我们分析窗内 29,101 个事件)。⚠ 需补一句:这套目录是谁用什么方法做的(节点阵列?承包商?)。
3 方法
3.1 把震相拾取重述为可提示的图像分割
我们把震相拾取当作 DAS 瀑布图上的图像分割来做。每个 1.0 秒窗口渲染成固定几何的图像(1455 × 1005 像素;逐道去趋势、减去跨道中位数以压共模、10–300 Hz 四阶带通、逐道最大绝对值归一;seismic 色标截断在 ±1),连同文本提示词 "P wave" 和 "S wave" 一起送入可提示分割模型(SAM3)。模型返回带类别和置信度的实例 mask,拾取问题于是变成"从 mask 上读到时"。
这样做的道理是:DAS 上的一个震相不是一堆彼此独立的逐道检测,而是一条连贯的曲线——竖井里是单调的 moveout,水平井里是 V 形。分割模型把这条曲线当成一个整体对象来看,而"曲线性"这个属性是跨采集几何不变的。
3.2 基础模型的零样本表现
在微调之前，我们首先测试了基础模型对 DAS 图像的直接识别能力。虽然 DAS 瀑布图对模型来说是一类陌生图像，模型也没有接受过地震学或震相拾取训练，但它已经具备很强的通用视觉识别能力。
对于未标注的 Cape Station 数据，直接使用地球物理领域提示词 “P wave” 和 “S wave” 时，模型通常无法稳定找到对应的地震到时，最高分割置信度仅为 0.03–0.31。这并不意味着模型看不到信号，而是说明它并不熟悉 P 波和 S 波这些地球物理概念。
当提示词换成更通用的视觉描述 “curved line” 时，模型便能给出合理的分割结果，最高置信度达到 0.35–0.75。图 2b 中的分割结果能够沿着地震相清晰的 moveout 曲线展开；同一个时间窗内存在多个事件时，模型有时还会将它们识别为多个独立的曲线目标。
这些结果说明，基础模型已经能够识别 DAS 图像中的关键几何结构。它缺少的不是对曲线形态的视觉能力，而是对地震学语义的理解。因此，后续微调的主要目标不是让模型重新学习地震相的形状，而是将它已有的曲线识别能力与 P/S 波语义对应起来。
3.3 人工标注
我们使用浏览器标注工具制作训练数据。对于每个地震相，人工沿其 moveout 曲线选取约 10 个控制点，并将这些点连接、加宽为带状 mask，作为模型的训练标签（图 2c、d）。
每个时间窗的标注时间约为一分钟。
图 2. 原始 DAS 时间窗（a）、基础模型识别出的曲线目标（b）、人工控制点（c）以及由控制点生成的带状 mask（d）。
3.4 模型微调
我们对每根光纤分别训练一个模型，训练数据仅来自该光纤对应的人工标注。
视觉和语言主干保持冻结，只训练分割检测头。优化器使用 AdamW，学习率为 8 × 10⁻⁵，batch size 为 1，输入分辨率为 1008，共训练 30 个 epoch；前 5 个 epoch 用于预热，并每 5 个 epoch 保存一次模型。
为了评估标注数据量对模型性能的影响，我们分别使用 5、15 和 25 个标注窗口进行训练，并比较其性能变化。三个训练集采用嵌套设计，即 5 窗集 ⊂ 15 窗集 ⊂ 25 窗集，从而尽量避免不同抽样本身带来的波动。
这样可以直接衡量：增加少量人工标注，是否能够持续改善模型的 P/S 波识别能力。
3.5 从 mask 提取到时
模型输出的是二维分割 mask，而地震定位需要的是每个通道上的 P/S 到时，因此我们进一步将 mask 转换为 picks。
首先对候选 mask 进行非极大值抑制（NMS，IoU 阈值为 0.5），去除重复结果。对于保留下来的每个地震相 mask，我们每隔三个通道提取一次到时。具体而言，取该通道内 mask 时间分布的第 10 百分位作为相位到时，从而近似提取曲线的前缘。
最后，根据窗口的起始时间和采样率，将这些相对时间转换为绝对到时（图 5a、b）。
3.6 双井联合定位与质量控制
我们将 Cape Station 两根光纤上提取的 P/S picks 合并，用于事件定位。
对于每个候选事件，我们利用分层一维速度模型计算理论走时，并通过最小二乘反演估计震源的东向位置、北向位置、深度和起始时间。所有实验均使用同一套固定速度模型，以保证不同模型和实验之间具有可比性。
为了避免将明显错误的 picks 解释为地震事件，我们在定位后进行质量控制。一个事件只有在以下条件下才被保留：
- 两根光纤中都存在有效 picks，且不能有一根光纤只有 P 波而没有 S 波；
- 联合定位的走时残差 RMS 小于 20 ms；
- 单条到时曲线与理论 moveout 保持一致：通常要求残差 RMS 与 moveout 跨度之比小于 10%；当跨度不足 70 道时，放宽为 RMS 小于 20 ms 且该比值小于 15%；
- 不满足基本几何一致性或出现碎裂 mask 的结果被剔除。
通过这些筛选，我们最终只保留同时满足双井观测一致性和走时一致性的事件。
图 5. 从模型 mask（a）提取逐道 picks（b），再与定位预测到时比较（c）并计算逐 pick 走时残差（d）的完整流程。
3.7 不依赖标注的评估
DAS 的"标注"本身往往是人在模型候选的辅助下画出来的,因此"和标注像不像"是个循环指标。我们改用物理参照来评:对每个目录事件,用它自己的定位解和冻结的速度模型正演出各道到时,当 |t_pick − t_pred| ≤ 20 ms 时判该 pick 正确;召回的分母则取目录 picks 中同样通过这一物理检验的那部分。考场是从 6.68 小时窗口的 2,869 个净双通过事件里随机抽的 200 个窗口,且不含任何训练数据(图 3)。
之所以能这么判,靠的是过约束:一个四参数震源要同时解释两口几何互补的井上成千上万条到时,如果 picks 错了相位、跟错了事件,不可能存在把残差压到 ~10 ms 的解。mask mIoU 我们也报,但明确作为次要指标——它衡量的是形状像不像参照,不是拾取对不对。
4 结果
4.1 需要多少标注
图 3 给出 pick 召回率、pick 精确率(均为物理判定)以及 mask mIoU 随训练 epoch 的演化,三条线分别是每纤 5、15、25 个标注窗口。第 30 个 epoch 时:
| 每纤标注数 | P 召回 | P 精确 | S 召回 | S 精确 |
|---|---|---|---|---|
| 5 | 0.900 | 0.832 | 0.871 | 0.946 |
| 15 | 0.939 | 0.945 | 0.915 | 0.952 |
| 25 | 0.956 | 0.927 | 0.922 | 0.963 |
每纤约 15 个标注窗口就够了:15 → 25 各项指标的变化都 ≤ 0.02,而 5 → 15 把 P 精确率抬高了 0.11。S 相在 5 个窗口时就基本饱和,真正吃标注的是 P 相。
与之对照,mask mIoU 在任何标注量下都停在 S 约 0.55–0.70、P 更低的水平(图 3c)——模型早在 mask 形状还不像参照的时候,就已经把到时放对位置了。这正是我们不把 mIoU 当主判据的实证理由。
图 3. 每根光纤使用 5、15 和 25 个标注窗口时，P/S pick 召回率（a）、精确率（b）和 mask mIoU（c）随训练 epoch 的变化。实线表示 S 波，虚线表示 P 波。
4.2 跨光纤、跨场地的迁移
图 4 每根光纤给一个代表窗口,叠上模型 mask。同一套配方覆盖了:Cape Station 两根几何相反的光纤(竖直的 Delano、水平的 Gold4);同场地新增的两口井(Sugarloaf、Sawtooth),用 24 个标注井-窗的小规模微调即可,P 的 IoU 从 0.374 提到 0.720,P→S 误标从 36.8% 降到 0;以及 550 km 外、不同盆地的 Blue Mountain 三根光纤,完全没有重新训练。
图 4. Cape Station 的 Delano、Gold4、Sugarloaf 1-OB 和 Sawtooth 2-IB，以及 Blue Mountain 的 73-22 和 34A-22 上的代表性分割结果。青色表示 P 波 mask，橙色表示 S 波 mask。
⚠ 待定:BM 与商业目录的对表数字(73-22 单井召回 86.3%、M > 0 达 100%;34A-22 为 52.2%)要不要进正文——这关系到 BM 是主线的一节,还是放 supplement。
4.3 Cape Station 的连续监测
把整条流水线用在 Cape Station 的整月记录上,得到 79,312 个通过净双通过门的事件,同期现有目录为 29,101 个,是其 2.7 倍(图 6a)。检出率跟随作业历史,前两周就占了 79,312 中的 72,228 个,之后活动衰减。
定位残差既小且无偏。事件级 RMS 中位数为 4.7 ms(图 6b)。逐 pick 的带符号残差 r = t_pick − t_pred 共 1.67 × 10⁷ 条(P)和 4.14 × 10⁷ 条(S),两个分布都零心(中位 −0.50 和 −0.30 ms),稳健宽度分别为 6.2 ms(P) 和 5.0 ms(S),并带有真实数据典型的重尾(图 6c、d)。
图 6. 新方法与现有目录的事件率对比（a）、新目录的事件级定位 RMS（b），以及 P 波（c）和 S 波（d）的逐 pick 走时残差分布。
两套目录占据同一个体积(图 7):都勾出一组近垂直、大致 N–S 走向的丛集,深度介于 2.0–3.5 km,跨骑在 Gold4 的水平段两侧。新目录把结构填实了——丛集变得连续而不是斑块状,3.0 km 以下的深部采样也明显更好。⚠ "深部采样更好"这句是我从图上读的,请你确认是不是要这么说。
图 7. 新方法（a、c）与现有目录（b、d）的事件云平面图和深度剖面。井轨迹用于显示事件分布与监测几何的相对位置。
待办 / 空缺
- [ ] 摘要、引言、讨论未写(引言/讨论要承载"标注偏置"那套评估哲学,建议单独一轮写)。
- [ ] 现有目录的产出方法(一句话)。
- [ ] 标注耗时实测。
- [ ] BM 对表数字是否进正文,或整节移 supplement。
- [ ] 图 2 的零样本数字只基于 5 个盲测窗,是否扩样。
- [ ] 数据可用性:我们自己的目录是否随文发布。
- [ ] 一纤一模型 vs 混训的消融(可选,supplement)。
- [ ] supplement 实现注记:类别标号是事后盖上的,若 COCO 里两个提示词名写反,整条下游 P/S 归属会静默颠倒且无任何报错(生产链靠 build_adaptive_seg3_1s.py L162 硬编码保证)。