基于地震属性引导的深度学习落石信号识别：微震数据分析的新范式

本项目提出融合地球物理领域知识的深度学习管道，通过地震属性预训练+落石事件微调的两阶段策略，从三分量微震数据中智能识别落石信号。项目开源代码、数据集及预训练模型，解决传统人工识别效率低、经典算法参数敏感的问题，为地质灾害监测提供新范式。

微震监测是岩质边坡破坏过程研究的关键手段，但连续波形数据量大，落石信号易被噪声/干扰淹没。传统方法依赖人工识别（效率低、主观）或STA/LTA等算法（参数敏感、难区分落石与其他事件），核心挑战是从海量数据中准确高效提取落石信号。

核心创新为地震属性引导的两阶段训练：

1. 预训练阶段：从三分量波形计算SSD、原始峰度等地震属性，让模型学习地震波物理特征；
2. 微调阶段：用落石/非落石标签数据迁移学习，快速收敛。模型集成GCAM可视化技术增强可解释性，训练流程由脚本自动编排。

处理三分量（E/N/Z方向）波形数据，样本为固定长度窗口，采用逐点标注定位落石事件时段。特征由feature_set.py和physical_features.py构建，支持SSD、原始峰度等属性，用户可扩展新计算方法。

预测模块支持批量处理SAC格式数据，输出CSV结果。真实数据来自法国Séchilienne滑坡（含自动下载脚本）和瑞士Illgraben滑坡。项目开源代码、Zenodo发布整理数据集及预训练权重，工作流清晰，方便用户适配自身数据。

项目不仅提供实用工具，更展示领域知识融入深度学习的方法论，可推广至地震检测、火山微震等任务。为地质灾害监测从业者和研究者提供完整参考实现，加速深度学习在地球物理领域的落地。项目地址：https://github.com/yuxi-chenc/microseismic