企业官网建设流程全解析

简介：EQTransformer 是一套面向地震学与深度学习研究者的开源 Python 工具包，基于带注意力机制的深度神经网络完成地震信号检测与 P、S 相位拾取，适合需要处理连续地震波形、开展震相识别和模型实验的科研与工程人员。压缩包共 92 个文件，约 31.34MB，包含 Python 源码、说明文档、示例 Notebook、模型权重及测试数据等，覆盖数据下载、预处理、检测拾取、模型构建与测试、简单相位关联等完整流程。项目采用分层网络结构，并使用全球地震数据训练，可同时输出检测概率、到时结果与模型不确定性，便于评估预测可靠性。配套示例涵盖训练、检测、可视化、下载和关联等场景，模型文件与样例数据可直接用于复现和二次开发。已有 1176 人学习下载，适合作为地震信号智能处理入门的实践资料。

1. 波形上那 0.1 秒的偏差，是后面所有定位结果的地基

某个微震监测项目里，值班的人对着一天 400 多条触发记录，一条条在屏幕上点 P 波初动。点到第 80 条时手一抖，到时差 0.1 s，后面定位残差立刻从 0.2 km 涨到 0.8 km，震源深度直接飘出去两公里。EQTransformer 就是冲这个场景来的 Python 软件包：一个多任务深度学习网络，同时对三分量连续波形做事件检测、P 波拾取和 S 波拾取，把「先检测再拾取」两套流程压进一次前向推理。它骨子里是 Transformer 自注意力编码器加 LSTM 解码器，配上三个并行输出头，deep-learning 那套东西该有的都有，但工程上真正省事的是它把三个任务塞进一个模型共享特征。适合已经在跑台网日常处理、想把手动拾取换掉一半、又不想自己从零训模型的人；也适合做地震信号处理方向、需要一个能直接推理的 baseline 的学生。

2. 骨架拆解：Transformer 编码器为什么非要配一个 LSTM 解码

动手之前先把网络每一层在干什么搞清楚，不然调参就是玄学。EQTransformer 的结构不算复杂，但每一步的设计都有明确的工程理由：卷积负责把 6000 个采样点的原始波形压成短序列，自注意力负责在整段窗口上建立全局依赖，LSTM 负责把注意力输出的抖动磨平，最后三个 sigmoid 头分别给出检测、P、S 的逐点概率。哪一层出问题，表现出来的现象都不一样。

2.1 输入张量与滑窗：6000 点、三分量、按通道归一化

模型的输入是一个形状为(6000, 3)的二维数组，6000 对应 60 s 长度、采样率 100 Hz，3 对应 Z/N/E 三个分量。这几个数字不是随便定的：窗口太短，S 波还没到窗口就结束了；窗口太长，一个窗口里塞进两个事件，检测头会输出两段概率峰，后处理反而更难切。60 s 是兼顾了近震和区域震的一个折中，绝大多数项目直接沿用。

预处理这一步看起来琐碎，但它是翻车率最高的环节。下面这段是每次接新台网数据我都会先跑一遍的函数，把原始 miniseed 变成模型能吃的数组：

import numpy as np from obspy import read def build_window(path, target_sr=100.0, win=6000, fmin=1.0, fmax=45.0): st = read(path) # 只保留三分量，多余通道直接丢掉，避免形状对不上 st = st.select(component="Z") + st.select(component="N") + st.select(component="E") st.detrend("demean") # 去直流，消除仪器零点漂移 st.detrend("linear") # 去线性趋势，压住长周期基线游走 st.taper(max_percentage=0.05) # 两端 5% 余弦窗，防止切窗处产生高频振铃 st.filter("bandpass", freqmin=fmin, freqmax=fmax, corners=4, zerophase=True) st.resample(target_sr) # 统一到模型训练采样率，不做这步基本必错 st.merge(method=1, fill_value=0) # 三分量对齐到同一时间轴，缺数据补零 data = np.stack([st.select(component=c)[0].data for c in "ZNE"], axis=-1) data = data.astype(np.float32) # 逐通道做 max-abs 归一化，三通道各管各的，不能让 Z 的幅值压死 N/E scale = np.max(np.abs(data), axis=0, keepdims=True) scale[scale == 0] = 1.0 data = data / scale # 不足一个窗口就补零，超长就先切第一个窗口，连续数据走下面的批处理 if data.shape[0] < win: data = np.pad(data, ((0, win - data.shape[0]), (0, 0))) return data[:win]

这段代码里有两个参数值得单独说。fmin/fmax决定带通范围，默认 1–45 Hz 是按 100 Hz 采样率的奈奎斯特上限留了余量；如果你处理的是低频远震或者低频背景噪声占主导的台站，把fmin降到 0.5 Hz 往往能明显改善 S 波拾取，代价是长周期噪声也被放大，检测头会变得话多。zerophase=True用零相位滤波，保证滤波不引入到时偏移——这一点在做拾取的时候是硬要求，普通因果滤波会把 P 波整体往后拖十几到几十毫秒，你的拾取结果就系统性偏晚。

提示：归一化按通道做，不要按整个数组做全局最大值归一化。全局归一化在某个分量噪声很大时会把另外两个分量压到接近零，重建出来的概率曲线会整段塌掉。

2.2 自注意力在波形上抓的是什么

一维卷积的感受野是局部的，堆到十几层也只能覆盖几百个采样点。P 波和 S 波的到时差在近震里可能只有一两秒，在远震里能到几十秒，卷积想覆盖这个跨度要么堆很深的层，要么用很大的 dilation，前者参数爆炸，后者调参麻烦。自注意力的做法是让序列上任意两个位置直接算相似度，一步就建立起全局感受野，这是 transformer 在波形任务上最实打实的收益。

但自注意力也有它的问题：它输出的序列是「每个位置都综合了全局信息」的结果，平滑性反而变差，孤立噪点上容易冒出虚假的概率峰。这就是后面还要接 LSTM 的原因，属于典型的工程折中。

2.3 多任务头与损失权重：检测、P、S 三路怎么不打架

三个输出头分别对应 detection、P、S 三条概率曲线，训练时是三路加权交叉熵求和。这就是 multi-task-learning 在拾取任务上的落地方式：共享同一套编码特征，头部各自独立。它的好处是检测任务学到的事件上下文能反过来帮助 P/S 判别——一个位置该不该有 P 波，跟它周围有没有事件是强相关的。

代价是任务之间会互相拉扯。检测任务的样本极度不平衡（整段波形里事件只占几个百分点），P/S 任务在事件段内又有自己的不平衡，三路权重配不好，就会出现「检测很准但 P 波全线偏移」或者「P/S 很漂亮但一堆误检」。预训练模型自带的权重分配（检测占比很小，P/S 占大头）就是这么调出来的，自己微调时不要一上来就改成均等权重，先沿用再小步动。

2.4 一次前向的形状变化

把整个流程的形状变化列出来，出问题的时候对着表就能定位是哪一层对不上：

形状对不上是最常见的报错来源，尤其是自己改窗口长度之后——模型的卷积下采样倍数是固定的，输入长度必须是倍数的整数倍，6000 是验证过的，改成 5000 大概率在拼接处炸。

3. 装起来跑通第一条记录：从依赖到三张概率曲线

原理清楚了，接下来是把它跑起来。这一章的目标很朴素：一条三分量记录进去，三条概率曲线和一份到时结果出来。别急着上连续数据，先用单条记录把链路走通，能省掉大量排查时间。

3.1 环境与依赖

Python 3.8 到 3.10 之间最稳，再新一点也没关系，但 tensorflow 的版本要和 Python 对上，这是最容易卡住的一步。核心依赖就三样：深度学习框架、波形读写库、数值计算库。

python -m venv eqt-env source eqt-env/bin/activate # Windows 下用 eqt-env\Scripts\activate pip install --upgrade pip pip install tensorflow==2.11.0 # 与 Python 版本强相关，装完先 import 验证 pip install obspy h5py numpy scipy pandas matplotlib # 从仓库源码安装，不要只装 PyPI 上的旧包，推理脚本在源码里 git clone <仓库地址> EQTransformer cd EQTransformer && pip install -e .

装完先验一下，别等到跑数据才发现框架没起来：

import tensorflow as tf import obspy print("tf:", tf.__version__) print("gpu:", tf.config.list_physical_devices("GPU")) print("obspy:", obspy.__version__)

GPU 那一行如果返回空列表，说明走的是 CPU。单条 60 s 记录在 CPU 上大概几秒，能忍；连续数据几十万条窗口就是几小时和几分钟的差距，能上 GPU 就上。

注意：tensorflow 和 numpy 的版本互相牵制，numpy 2.x 会导致部分旧版框架直接 import 失败。装完框架再装 numpy，让 pip 自己解依赖，别手动指定过新的 numpy。

3.2 权重文件的放置与校验

预训练权重是一个 h5 文件，几个 GB 量级，下载下来之后建议单独放一个目录，路径写进配置，不要和代码混在一起。校验这件事必须做：权重文件下载中断是常事，文件大小对但内容截断的情况我遇到过不止一次，加载时报的错五花八门，最后才发现是文件本身不完整。

mkdir -p models # 权重放到 models/ 下，文件名保持原样，很多脚本靠默认名找 ls -lh models/*.h5 # 用 h5py 打开一次，能列出顶层 key 就说明文件结构完整 python -c "import h5py; f=h5py.File('models/EqT_model.h5','r'); print(list(f.keys())[:5]); f.close()"

如果这一步报OSError: Unable to open file，八成是文件没下完或者下载过程中被改写，重新下一遍比折腾修复快得多。

3.3 单条记录的端到端调用

仓库里提供了推理入口函数，做单条记录用test_predictor，做连续波形用mseed_predictor，两者参数高度重叠。下面这段是我一般会先跑的验证脚本，把输入目录、权重、输出目录三个路径确定下来，其余先用默认值：

from EQTransformer.core.predictor import test_predictor test_predictor( input_dir="data/single", # 里面放 .h5 格式的波形文件，每个文件一条记录 input_model="models/EqT_model.h5", output_dir="out/single", detection_threshold=0.3, # 先沿用默认，跑通再调 P_threshold=0.3, S_threshold=0.3, batch_size=1, number_of_plots=1, # 单条验证时打开，肉眼看曲线最直接 plot_mode="time", estimate_uncertainty=False, # 单条先关掉，开了会慢好几倍 )

参数里有几个需要解释。input_dir要求的是 h5 格式，如果你手上是 miniseed，需要先转一道，转换的时候保持三分量、保持 100 Hz 采样率、保持数组形状为(6000, 3)，字段名按仓库示例文件来，不要自己起名字。detection_threshold这一组三个阈值在单条验证阶段不用纠结，统一 0.3 就行，真正调参放在连续数据阶段做。number_of_plots=1会输出一张波形加三条概率曲线的叠图，这张图的价值比任何数值指标都高——曲线整体贴不贴波形、P/S 峰是不是落在合理位置、有没有出现平台状的饱和输出，一眼就能看出来。

3.4 输出目录里每个文件是什么

跑完之后out/single下会多出几类文件，第一次用容易懵，列个表对一下：

单条跑通之后，先别急着批量。挑三五条不同震中距、不同信噪比的记录各跑一遍，把叠图摆在一起看。如果远震的 S 波峰总是偏晚，说明带通下限设高了；如果近震的检测曲线在事件尾部拖出一条长尾，说明窗口末尾可能有能量泄漏，检查 taper。这些问题在单条阶段发现，改一个参数就行；等跑完十万条再发现，重跑的时间成本就是另一回事了。

4. 连续波形批处理：滑窗步长、阈值和事件目录

单条记录是理想情况，真实的台网数据是一天 24 小时的连续流，几百 MB 到几个 GB。这一步要做的事情是把连续流切成一个个重叠的窗口，逐窗推理，再把重叠区域的结果拼回去，最后从概率曲线里提取到时、配对成事件。

4.1 滑窗步长与重叠：切太粗会丢事件

窗口 6000 点、步长选多少，是个直接影响召回率的参数。步长等于窗口长度就是不重叠，边界附近的事件会被切成两半，检测头两边各给一半概率，两半都过不了阈值。常见做法是步长取窗口长度的 1/10 到 1/6，也就是 600 到 1000 点，重叠部分足够让一个完整事件落在某个窗口的中央。

代价是计算量成倍增加。步长 600 的话，一段 1 小时的 100 Hz 数据要跑 3600×100/600 ≈ 600 个窗口，重叠带来的冗余算力是实打实的。折中的办法是先粗后细：用大步长（比如 3000 点）做一遍初筛，只在检测概率超过阈值的时间段附近用小步长重跑一遍。这套两级策略我在数据量大的项目里一直在用，能省掉一半以上的推理时间。

import numpy as np from eqcct import chunk_stream # 示意：按步长切片，实际按仓库提供的预处理工具来 def sliding_chunks(data, win=6000, step=600): """data 形状 (N, 3)，返回 [(起始样点, 窗口数组), ...]""" chunks = [] for start in range(0, max(1, data.shape[0] - win + 1), step): seg = data[start:start + win] if seg.shape[0] < win: seg = np.pad(seg, ((0, win - seg.shape[0]), (0, 0))) chunks.append((start, seg)) return chunks # 用法：先切，再逐块喂给推理函数，结果按 start 记下偏移量

这里最容易被忽略的是偏移量。窗口是从连续数据里切出来的，模型输出的概率曲线是相对窗口起点的，拼回绝对时间轴时必须把start加回去，否则结果会整体错位一个步长，而且错得很有规律——每隔一个步长就跳一下，看起来像拾取精度很差，实际是索引没对齐。

4.2 三个阈值的物理含义与调参顺序

三个阈值不建议一起动，会互相干扰。我一般的顺序是：

第一步，固定 P/S 阈值在 0.3，只调detection_threshold。这个参数控制「什么样的时间段算有事件」，它的作用是门控——检测概率低于阈值的时间段，后面 P/S 峰一律不看。先保证召回：把阈值降到 0.15 左右看能多捞出多少事件，再逐步往上抬，找到召回率开始明显掉的拐点。

第二步，固定检测阈值，调P_threshold。P 波在垂直分量上能量突出，通常比 S 好拾，阈值可以设得比 S 略高，比如 P 用 0.35、S 用 0.3。

第三步，调S_threshold。S 波在水乎分量上，受场地放大和横波分裂影响，概率曲线往往更毛糙，阈值不宜设高，宁可靠后面的相位关联去剔除离群值。

提示：阈值不是越高越准。地震拾取的下游是定位，定位对漏检的容忍度远低于对误检的容忍度——多一个假 P 波，关联阶段配不出对，整条事件就废了；少一个真 P 波，还有机会靠其他台站补上。所以整体策略偏向「宁可多报」。

4.3 从概率峰到到时目录：相位关联那一步

模型输出的是三条逐点概率曲线，不是「事件列表」。中间还差一步：在 P 概率曲线上找峰、在 S 曲线上找峰、按时间顺序把同一事件的 P 和 S 配成对，再跨台站把同一个事件的不同台站记录聚到一起。这一步常见做法是引入一个相位关联器，把各台站的 P/S 到时当成候选点集，用走时约束或者聚类的方式配对。

单台内部的 P-S 配对相对简单，用 S 减 P 的时间差做约束就行：

import numpy as np from scipy.signal import find_peaks def pick_phases(p_prob, s_prob, det_prob, sr=100.0, p_thr=0.35, s_thr=0.30, det_thr=0.30, min_gap=0.5, sp_range=(0.5, 25.0)): """从三条概率曲线提取 P/S 到时，返回 [(p_time, s_time), ...]""" # 只在检测概率过阈值的区间里找峰，这是门控，能砍掉大半虚假峰 active = det_prob > det_thr p_idx, _ = find_peaks(p_prob, height=p_thr, distance=int(min_gap * sr)) s_idx, _ = find_peaks(s_prob, height=s_thr, distance=int(min_gap * sr)) p_idx = [i for i in p_idx if active[i]] s_idx = [i for i in s_idx if active[i]] pairs = [] for pi in p_idx: # 对每个 P，找它后面时间差落在合理区间内的最近 S cands = [si for si in s_idx if sp_range[0] <= (si - pi) / sr <= sp_range[1]] if cands: pairs.append((pi / sr, min(cands) / sr)) return pairs

min_gap控制同一个相位两次拾取之间的最小间隔，单位秒，0.5 s 是经验值，密集余震序列里可以降到 0.2 s。sp_range是 S 减 P 的合理时间差范围，这个区间要根据你台网到震源区的距离分布来定，设太窄会漏掉远一点的 S，设太宽会把下一个事件的 P 错配成 S。这一段逻辑看起来朴素，但它决定了后面事件目录的质量，血泪经验是：先别急着上复杂的关联算法，用最朴素的规则跑一版，看看错在哪，再决定加什么约束。

4.4 拿人工目录验一遍：容差匹配脚本

参数调完必须验证，否则你不知道自己是在优化还是在瞎调。验证的做法是拿一份人工拾取目录，按容差匹配，算查全率和查准率。

def match_events(pred, true, tol=0.5): """pred/true: 按时间排序的到时列表（秒）。贪心一对一匹配。""" pred, true = sorted(pred), sorted(true) used, hits = set(), 0 for t in true: best, best_d = None, tol for i, p in enumerate(pred): if i in used: continue d = abs(p - t) if d <= best_d: best, best_d = i, d if best is not None: used.add(best) hits += 1 precision = hits / max(len(pred), 1) recall = hits / max(len(true), 1) return precision, recall

tol的取值直接决定结论。0.5 s 是文献里常见的宽松容差，0.1 s 是严格容差。同一份结果，0.5 s 下查全率 0.9、0.1 s 下可能只有 0.4，这很正常，别拿宽松容差下的好看数字去汇报。我一般两个容差都算，宽松容差看「有没有漏事件」，严格容差看「拾取精度够不够做定位」。

5. 避坑记录：五个把结果跑歪的真实原因

模型本身很稳，出问题的九成在数据侧和后处理侧。下面五条是踩过的坑，按「现象 → 原因 → 解决」整理，遇到类似症状可以直接对号。

5.1 概率曲线整体平移几十个采样点

现象：所有事件的 P 到时都系统性偏晚，偏差量还基本一致，人工对照能明显看出来。

原因：预处理用了因果滤波。带通滤波如果是因果实现，会引入与频率相关的群延迟，低频成分被拖得更久，而 P 波初动的能量恰好集中在中低频。

解决：滤波器强制走零相位（zerophase=True），或者先正向滤一遍再反向滤一遍。改完之后偏差量级会掉到采样点以内。这个问题在数据处理流程里藏得很深，因为波形看起来「很正常」，只有跟人工目录比才暴露。

5.2 检测概率全线接近 1，或者全线接近 0

现象：不管什么数据，输出的检测曲线都贴着上沿或者下沿，没有区分度。

原因：归一化方式跟训练时不一致。最常见的是把三分量拉平做一个全局最大值归一化，或者归一化之前没去均值，导致直流分量把所有幅值压扁。

解决：严格按训练时的口径来，逐通道 max-abs 归一化，归一化之前做去均值和去趋势。如果确认归一化没问题，再检查采样率——采样率不对会改变波形的频率结构，模型看到的东西和它训练时见过的完全不是一回事，输出自然是没有区分度的饱和值。

5.3 分量顺序搞反，P 波变得很难拾

现象：垂直分量上拾不到 P，反而在水平分量上冒出一堆莫名其妙的峰。

原因：不同来源的数据通道顺序不一样，有的按 ZNE 排，有的按 ENZ 排，还有的干脆是三个无标记通道。模型是按固定顺序训练的，顺序错了等于把垂直分量喂给了水平分量的通道。

解决：读数据之后先打印通道名确认，明确按 Z/N/E 重排再堆叠。对于没有通道标记的数据，用能量特征判断：P 波在垂直分量上初动最清楚，S 波在水平分量上能量最强，拿几条清晰事件对一下就能定下来。

5.4 事件被窗口边界切断，两个半截都过不了阈值

现象：某些事件在人工目录里明明有，模型就是不给，而且这些事件的时间点看起来没什么规律。

原因：滑窗步长等于或者接近窗口长度，事件正好落在两个窗口的交界处，前半段在一个窗口的末尾、后半段在下一个窗口的开头，两边都只有半截波形，检测概率被稀释到阈值以下。

解决：把步长降到窗口长度的 1/10 到 1/6，保证任何事件都能完整落在某个窗口内部。同时检查切窗时是否做了边界填充——窗口末尾不足长度的部分如果没有补零，数组形状会不对，某些实现里会静默截断。

5.5 批量跑一半卡死或者显存爆掉

现象：前几百条正常，跑到某个位置进程挂掉，日志里是显存分配失败或者内存溢出。

原因：不同记录的长度不一致，批量拼接时按最长的那条分配内存，遇到一条特别长的记录整个 batch 的显存需求就跳一个量级。另外长时间运行不释放中间张量，累积下来也会出问题。

解决：批大小设小一点（1 到 4），并且在推理循环里显式清理缓存；对超长记录单独走一条路径，先切段再推理；用生成器逐条喂数据，不要一次性把所有记录读进内存。这套改法看起来笨，但稳定性比追求吞吐量重要得多。

6. 把自家台网数据喂进去：微调和一条我改不掉的习惯

预训练权重是在公开数据集上训的，台站条件、仪器响应、噪声环境跟你的台网差得远的时候，直接推理的效果会打折扣。这时候需要微调，但微调这件事有它自己的坑。

我的做法是冻结编码器，只训解码器和三个输出头。理由是编码器学的是「波形到特征」的通用映射，这部分跨台网迁移性最好；解码器和头部学的是「特征到到时」的映射，跟具体台网的噪声统计、仪器频响关系更紧，更需要适配。冻结编码器还有个额外好处：训练样本需求直接降一个量级，几百条人工拾取的记录就能训出明显改善。学习率设在 1e-4 到 1e-5 之间，冻结部分不掉学习率，只训的部分用余弦退火，训练轮数控制在 20 轮以内，再多就开始过拟合。

验证集的划分是另一件必须较真的事。按波形片段随机划分是最省事也最容易自欺欺人的做法——同一个事件的波形会被切进多个窗口，随机划分之后训练集和验证集里出现的是同一个事件的不同片段，验证指标虚高得离谱，实际部署时性能断崖式下跌。正确做法是按事件划分，同一事件的所有台站、所有窗口必须整体落在训练集或者验证集里，一条都不能跨。这个细节在论文里常常一笔带过，但在工程上它决定了你报出去的数字可不可信。

还有一个现成的能力值得用起来：模型支持多次采样估计不确定度（把estimate_uncertainty打开，指定采样次数），本质上是推理时开 dropout 做多次前向，看多次结果的离散程度。离散度大的拾取点，基本就是低信噪比或者波形畸变的位置，把这些点单独挑出来人工复核，比全量复核省力得多，也比一刀切提高阈值更精细。

从那以后，我每次接一个新台网的数据，都强制先走一遍「单条记录 + 叠图目视 + 三个容差下的匹配统计」这套流程，哪怕数据看着再干净也不跳过。因为跳过的那次，往往就是要返工的那次。这套流程不复杂，但它把「模型行不行」这个问题从感觉变成了数字。希望帮到你。

本文还有配套的精品资源，点击获取