GENIE：基于图神经网络的地震震相关联与时空定位技术

GENIE是一个利用图神经网络（GNN）实现地震震相自动关联和震源时空定位的开源项目，为地震监测领域带来深度学习新思路。它针对传统地震监测方法（依赖人工分析或规则算法）在处理海量数据时效率有限、易误判等问题，创新性地将震相关联与定位建模为图结构学习问题，通过联合建模提升整体准确性，开源发布为地震学社区提供宝贵技术资源。

地震监测是防灾减灾基础，核心任务包括震相关联（将不同台站震相关联到同一事件）和震源定位（反推震源时空坐标）。传统方法存在局限：震相关联依赖时间窗/聚类等规则系统，处理密集序列或噪声易误判；震源定位常用Geiger/NonLinLoc/HypoDD等技术，对初始模型依赖强且计算成本高。

GENIE将图神经网络引入地震监测流程：

1. 图结构表示：震相观测为节点，边捕捉时空关系，同一事件震相形成特定连接模式；
2. 震相关联机制：GNN学习节点特征交互，结合P/S波到时、台站分布及速度模型约束，实现鲁棒分组，减少人工规则依赖；
3. 时空定位能力：将定位纳入图学习框架，通过节点特征聚合传播推断震源经纬度、深度和发震时刻，关联与定位任务相互促进。

GENIE提供全流程代码实现：

1. 环境配置：安装依赖，初始化台站、区域和速度模型文件；
2. 走时计算与训练：支持一维/三维速度模型，计算走时网格后训练GNN模型，学习震相特征与震源参数映射；
3. 连续数据处理：处理连续震相拾取数据，自动识别事件输出参数，支持与NonLinLoc/HypoDD衔接（GENIE初定位+传统方法精化）。

GENIE规划Graph Double Difference（GraphDD）模块，结合图神经网络与双差定位技术。双差定位利用事件对相对到时差消除共同路径模型误差，是研究地震序列精细结构的常用方法，GraphDD有望进一步提升密集地震群定位精度。

GENIE代表AI在地球物理学的前沿应用：

• 应对全球监测网络密集化带来的传统方法效率与准确性挑战，深度学习工具将成未来监测系统标配；
• 开源发布为社区提供技术资源，推动自动监测技术普及，随着预训练模型和示例数据发布，有望成为地震学界标准工具之一。