本文来源：
青藏高原是欧亚-印度板块碰撞的核心造山带，巨厚地壳、复杂缝合带与断裂系统导致地震波形畸变严重，Pn波（上地幔顶部折射波）振幅微弱、人工拾取效率低、误差大，长期制约高原壳幔结构高精度层析成像。近日，李娱兰、贺日政、王宝善等在《Earthquake Research Advances》发表研究，依托1991–2020年青藏高原多台网海量三分量地震波形，搭建卷积-
循环混合深度学习模型，自动批量拾取Pn震相，基于时间项Pn层析成像反演得到全区上地幔顶部速度与各向异性模型，并系统揭示青藏高原上地幔顶部的结构异常特征。
1. 多源海量地震观测基底
研究整合1213个固定/流动地震台站（国家数字地震台网、地质科学院6期线性流动台阵、
INDEPTH/WEST-TIBET等多期科考台阵），收录1991–2020年超53万条三分量地震波形，USGS目录7796次M≥3.0区域地震，完整覆盖青藏高原
25°–40°N、74°–104°E范围。
图1 研究区域观测台网与地震分布：黑色三角为国家固定数字地震台网，橙色 IRIS流动台、蓝色 CAGS 科考流动台；红点为 M≥3.0 地震，覆盖整个青藏高原核心区域。
2. U-Net+双向RNN混合震相拾取模型
团队基于Hu等(2020)框架改进，搭建三层U-Net卷积+双向RNN混合深度学习网络。输入了0.5
–2Hz带通滤波、20Hz降采样三分量波形，通过23000条人工标注P波到时，随机滑动窗口扩增至92000组训练样本的训练，依据引入L2正则的损失函数条件，经过3000轮迭代后测试集，实现了识别准确率95%
。经最优置信阈值0.4，自动拾取与人工标注误差集中在±0.3s以内，低信噪比且远距离的波形稳定性显著优于传统STA/LTA、模板匹配法。
图2 模型架构：前端卷积下采样提取波形多尺度特征，中间双向RNN捕捉时序波形依赖，后端上采样还原波形长度，Softmax输出震相置信度。
图3 0.3/0.4/0.6阈值下模型拾取到时误差分布，0.4阈值误差分布更集中，为本研究采用标准。
3. 可迁移学习标准Pn标注数据集
经严格筛选标准（震中距300
–1000km、震源深度＜60km、走时残差±10s），最终得到5070个地震的91505条高质量Pn波到时射线数据集：
数据集适配复杂造山带低信噪比远震波形，填补青藏高原Pn深度学习专用标注数据空白；标准化波形窗口、统一到时残差质控规则，可直接用于区域震相拾取模型迁移学习；区分Pg
（0–300km，6.5km/s）与Pn（＞300km，8.23km/s）震相，标注完整震相类别标签，适配多震相联合识别算法训练。
图
4 不同震中距P波视速度分界，300km为Pg、Pn主导相位转换边界，是本研究筛选Pn数据的核心判据。
4. Pn速度与各向异性层析结果，解读青藏高原深部动力学地质意义
采用Hearn时间项Pn各向异性层析方法，分别构建1°×1°均匀速度模型、1.5°×1.5°各向异性模型，全区Pn平均速度8.23km/s，横向速度差异±
3.6%，各向异性强度整体＜0.03，主要构造异常区动力学含义如下：
图5 (a)1°×1°各向同性速度模型；(b)1.5°×1.5°各向异性模型，短线代表快波方向，颜色代表Pn波速高低。
4.1 大型低速异常带：局部熔融与岩石圈热扰动
羌塘地块中部、松潘-甘孜东部低速区（tLV1/tLV2）：与面波层析、环境噪声成像结果一致，低速对应上地幔高温，是高原内部南北向裂谷、岩石圈减薄的深部响应；低速异常呈NNE条带状展布，受控于印度板块北向挤压带来的深部热流。
金沙江缝合带
-三江断裂-腾冲（JSS-SF-TC）连续低速带（tLV5）：该区域各向异性强度＜0.01（全区最低），指示洋壳岩石圈在印度板块与缅甸弧双向挤压下发生局部熔融；腾冲火山活动、大地电磁高导异常佐证深部热物质上涌，熔融弱化地幔橄榄岩定向排列，造成各向异性微弱。
4.2 高速异常区：刚性岩石圈块体挤压阻滞
东喜马拉雅构造结北部高速体（tHV1）对应刚性岩石圈地幔，是印度岩石圈NE向挤入、板块挤压增厚的深部标志；Pn快波方向呈NNW向，与SKS横波分裂结果高度匹配，完整记录构造结周边岩石圈整体耦合变形；与北部昆仑-祁连褶皱带高速区（tHV2）边界清晰，分隔高原南北两套深部构造体系。
图6 藏东三江-川滇菱形块体Pn速度(a)、各向异性快波方向(b)，红色短线为SKS分裂观测，壳幔变形耦合特征显著。
4.3 区域构造变形统一动力学解释
高原主体快波以NNE–近南北向为主，直接响应印度板块北向俯冲挤压；拉萨地块南部、喜马拉雅前缘NE向快波，记录俯冲板片拖拽应力；松潘-甘孜地块东西向各向异性，由印度岩石圈斜向俯冲产生近东西剪切应力控制；龙门山断裂带Pn快波垂直断层走向，反映地表断裂与上地幔形变强耦合。
5. 总结
本研究构建适配青藏高原复杂低信噪比波形的
CNN-RNN混合拾取模型，解决Pn微弱震相自动识别难题，产出领域稀缺大规模标注数据集，为地震AI算法开发提供标准化训练素材；高精度Pn层析清晰区分高原不同地块上地幔速度、各向异性差异，揭示三江-腾冲局部熔融、东喜马拉雅构造刚性岩石圈等关键深部现象，完善印度-欧亚碰撞壳幔耦合动力学模型；全流程观测、标注、反演数据公开共享，降低青藏高原深部地震研究门槛，推动国内地震机器学习、地幔层析成像领域可重复性研究。
论文基础信息: Yulan Li, Baoshan Wang, Rizheng He*, Hanhan Tang, Zongxu Li，
2026，On the Investigation of Pn velocity and anisotropy in the uppermost mantle beneath the Qingzang Plateau with machine-learning based phase picking, Earthquake Research Advances, https://doi.org/10.1016/j.eqrea.2025.100441
