导读 机器学习正在改变整个科学领域的数据密集型领域，地震学也不例外。已经出现了几种用于地震检测、相位识别和相位拾取的机器学习方法。然而，

机器学习正在改变整个科学领域的数据密集型领域，地震学也不例外。已经出现了几种用于地震检测、相位识别和相位拾取的机器学习方法。然而，选择使用哪种方法仍然是一个挑战，因为这些深度学习模型将如何响应与他们训练的数据集不同的数据并不总是很清楚。

为了提供一些见解，Münchmeyer 等人。比较了六种深度学习模型(和一种经典的挑选模型)，以找出在各种数据集中表现最好的模型。该团队研究了 BasicPhaseAE、CNN-RNN 地震检测器 (CRED)、DeepPhasePick (DPP)、地震变压器 (EQTransformer)、广义相位检测 (GPD) 和 PhaseNet。他们评估了每个模型在三个常见任务上的性能：事件检测、阶段识别和开始时间选择。

研究人员发现，当使用具有相同特征的数据集对模型进行训练和评估时，EQTransformer 在所有三个任务中的表现最好，紧随其后的是 PhaseNet 和 GPD。对于事件检测，CRED 也表现出出色的性能。

然而，作者指出，在现实世界中，研究人员通常拥有与模型的训练数据具有不同特征的数据集。因此，该团队还使用跨域设置评估了模型性能，使用尚未训练的数据集测试每个模型。研究人员发现，只要训练和测试数据集的距离(无论是区域距离还是远震距离)相似，这些模型的效果仍然相对较好。

该团队在 SeisBench 平台上构建了这个基准，以便在未来添加新的数据集或机器学习方法。最终，这些或其他新的深度学习模型可能对地震的早期检测和预警系统有用。然而，作者表示，在实现这些应用之前，还需要进一步的研究来评估实时识别地震到达的性能。