SeisMamba: Low-Latency Single-Station Seismic Magnitude Estimation for Spatially Distributed Earthquake Early Warning

📄 arXiv: 2608.24561v1 📥 PDF

作者: Quenton Yeo, Zhaoge Bi, Linghan Huang, Luke Stephen Higgins, Flora Salim, Huaming Chen

分类: cs.LG

发布日期: 2026-08-25

💡 一句话要点

提出SeisMamba以解决单站地震震级快速估计问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 地震震级估计 地震早期预警 单站学习 稀疏状态空间建模 卷积神经网络 长序列分析 性能优化

📋 核心要点

  1. 现有地震震级估计方法依赖于密集的区域性网络，导致高风险区域覆盖不足。
  2. SeisMamba通过轻量级架构和单站波形分析，解决了准确性与延迟之间的权衡问题。
  3. 在STEAD基准测试中，SeisMamba在多个指标上超越了其他基线，且处理速度显著提升。

📝 摘要（中文）

快速的地震震级估计对于地震早期预警至关重要，但现有系统通常依赖于密集的区域性地震网络和特定区域的校准，这在传感基础设施稀疏的高风险区域造成了覆盖障碍。单站学习提供了一种低成本的替代方案，但现有模型往往面临准确性与延迟的权衡，并可能在区域分布转移下性能下降。本文提出SeisMamba，一种基于轻量级Mamba架构的低延迟震级估计方法，利用单站记录的三分量地震波形进行分析。SeisMamba在STEAD基准测试中表现出色，达到最佳均方误差、均方根误差和$R^2$，在NVIDIA T4 GPU上对32个波形的处理时间仅为0.55毫秒，速度是基于变换器的基线的三倍。进一步的实验表明，SeisMamba在跨区域部署中仍能保持良好性能。

🔬 方法详解

问题定义：本文旨在解决单站地震震级估计的准确性与延迟之间的权衡问题。现有方法依赖于密集的区域性地震网络，导致在传感器稀疏的高风险区域无法有效应用。

核心思路：SeisMamba采用轻量级的Mamba架构，结合层次卷积编码、稀疏选择性状态空间建模和多尺度特征融合，旨在提高震级估计的准确性和处理速度。

技术框架：SeisMamba的整体架构包括多个模块：首先是三分量波形的输入处理，然后通过层次卷积网络提取特征，接着使用状态空间模型进行波形建模，最后通过辅助的时间预测头进行长序列分析。

关键创新：SeisMamba的主要创新在于其稀疏选择性状态空间建模方法，能够有效处理长序列波形数据，显著提升了震级估计的准确性和速度，与传统方法相比具有本质区别。

关键设计：在设计中，SeisMamba使用了优化的卷积层和状态空间模型，损失函数采用均方误差（MSE），并在NVIDIA T4 GPU上进行了优化，使得处理时间仅为0.55毫秒。整体网络结构经过精心设计，以支持高效的长序列波形分析。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

在STEAD基准测试中，SeisMamba在均方误差、均方根误差和$R^2$等指标上均表现最佳，处理32个波形的时间仅为0.55毫秒，速度是变换器基线的三倍。此外，跨区域实验表明其在未见地震区域仍能保持有效性能。

🎯 应用场景

SeisMamba的研究成果在地震早期预警系统中具有广泛的应用潜力，尤其是在传感器稀疏的高风险区域。通过提供快速且准确的震级估计，能够有效提升地震预警的响应速度，减少潜在的人员伤亡和财产损失。未来，该技术还可扩展至其他领域，如地震监测和灾害管理。

📄 摘要（原文）

Rapid earthquake magnitude estimation is central to earthquake early warning, yet many operational systems depend on dense regional seismic networks and region-specific calibration. This creates a spatial coverage barrier for high-risk areas with sparse sensing infrastructure. Single-station learning offers a lower-cost alternative, but existing models often face an accuracy--latency trade-off and may degrade under regional distribution shift. We present SeisMamba, a lightweight Mamba-based architecture for low-latency magnitude estimation from minimally processed three-component seismic waveforms recorded at a single station. SeisMamba combines hierarchical convolutional encoding, sparse selective state-space modelling, multi-scale feature fusion, and an auxiliary temporal prediction head to support efficient long-sequence waveform analysis. On the STEAD benchmark, SeisMamba achieves the best MSE, RMSE, and $R^2$ among tested baselines while requiring only 0.55 ms for a batch of 32 waveforms on an NVIDIA T4 GPU, making it about three times faster than transformer-based baselines. We further conduct a Chile--Taiwan regional hold-out experiment as a diagnostic test of cross-region deployment, where SeisMamba retains useful performance on geographically unseen seismic regions. These results suggest that selective state-space waveform modelling provides a promising accuracy--latency backbone for spatially distributed, low-cost earthquake early warning.