一句话记忆：把地图切成很多“可能震源点”和“可能发震时刻”，用速度模型算出这些点到各台站的应到时，把台站波形在这些“应到时”对齐后相加；真正的事件会在对应的位置与时刻形成一个“亮度尖峰”。找到尖峰＝找到地震。
- 准备三样东西：
- 网格：研究区的三维格点（含深度）。
- 走时表：预先计算每格点到各台站的 P/S 走时 T_P(x,s)、T_S(x,s)。
- 特征序列 CF：把原始波形转成更稳的时间序列（如包络、频带能量、STA/LTA、极化等）。
- 扫描与叠加：
- 枚举“格点 x + 起震时刻 t0”。
- 对每个台站 s，取 CF_s 在“t0 + 走时(x→s)”位置的值；按站点质量/距离加权后相加，得到亮度 B(x,t0)。
- 抓峰：
- 在 B 的四维场里找超过阈值的局部峰值（配合非极大值抑制 NMS）。峰＝候选事件（位置+时间）。
- 微调：
- 在峰附近用更细网格或插值精化；再交由定位/震级模块继续处理。
为什么“不用先拾取相位”？
- 因为我们在“假设点+假设时刻”上对齐后直接叠加能量，等于先对齐再投票，绕开了逐台拾取再关联的困难。
容易出现的假峰来自：
- 噪声偶合（单站异常被放大）、速度模型误差（对齐偏差）、网格过粗（“半对齐”也能相加）。因此要靠阈值、加权、平滑与后续验证控制误报。
- 更鲁棒的特征：多频带能量/极化组合，先去噪再算 CF。
- 站内归一与距离/质量权重：抑制个别“吵闹站”。
- 空间/时间小尺度平滑：强化一致峰、抑制孤立噪声峰。
- 多尺度搜索：先粗后细，大幅降算力。
- 更合理的 P/S 权重：按噪声谱与路径差异设置不同权重/频带。
→ 结果：峰更干净、误报更少、速度更快。
- 扫描（用 ISSA）：得到候选事件 （x_hat, t0_hat, 置信度），并给出各台站预测到时窗。
- 导航式自动拾取：只在这些“窄窗”里用经典方法精确选 P/S（如 STA/LTA+极化）。误报与成本大幅下降。
- 一致性定位（最大交点/最小残差）：
- 有了观测到时 tP_obs、tS_obs，寻找让“观测到时－预测到时”最一致的 (x,t0)。
- 直觉上：每个到时是一个“等时面/球壳”，多站的等时面相交点即震源。
- 震级与质控：按区域公式+站修正算震级；对残差 RMS、台站数、方位覆盖做质量分级；近邻候选去重合并。
2020 年改进（Tan 等）：更充分利用 P/S 成对关系、降低拾取错误率，扩展到更大空间尺度与更稀疏台网的实时监测。
- 只需“把漏的事件找出来”，且震群多、拾取难：SSA/ISSA 合适。
- 要“在线自动化全流程”：用 S‑SNAP（先扫描锁定，再小窗精拾与一致性定位）。
我们把地图离散成很多点，用速度模型算每点到各台站的到时，把台站波形在这些“应到时”对齐后相加。真正事件会在对应的位置与时刻形成亮度峰。ISSA让峰更稳、搜索更快；S‑SNAP先用扫描锁定候选，再在小窗里自动拾取 P/S 并用交点/最小残差定位、计算震级，实现大范围实时监控并降低误报。
一句话记忆：不直接看“某一站的到时”，而是先让“成对台站”的波形互相关，把两站的相似峰对齐后再按“理论走时差”在空间上叠加。哪个位置的理论走时差最能解释大多数台站对的互相关峰，那个位置就是震源。
- 两个台站 i、j 记录到的是同一次事件的波形，但到时不同。把 i 的波形向前后平移一个时间量 τ，与 j 的波形逐点相乘再累加，得到一个“相关值随 τ 变化”的曲线 CC_ij(τ)。
- 当 τ 恰好等于“事件从震源到 i 与到 j 的走时差 Δt = T_i − T_j”时，两个波形最相似，CC_ij(τ) 达到峰值。
- 先把每个台站做特征函数 CF_i(t)（包络/能量等），再计算每一对台站 (i,j) 的互相关 CC_ij(τ)。
- 对于地图上任意候选位置 x，用速度模型算“走时差” Δt_ij(x) = T(x→i) − T(x→j)。
- 在 CC_ij(τ) 上取 τ = Δt_ij(x) 的值，并把所有台站对的值累加：
- SC(x) = Σ_((i,j)) CC_ij(Δt_ij(x)) · W_(ij)(x)
- 哪个 x 让 SC(x) 最大，就说明“该位置的理论走时差集”最能同时对齐大多数台站对的相似峰 → 该 x 为震源成像峰。
和 SSA 的区别：
- SSA 按“到时”对齐单站特征；互相关叠加按“走时差”对齐台站对。这样天然抵消了“发震时刻未知”的影响（因为差分消去了起始时间），把四维问题（位置+时间）降成三维（只有位置）。
优点：
- 抵消起震时刻：用走时差成像，不依赖绝对起震时 t0，降低“起点未知”的干扰。
- 抗噪更强：单站噪声若不相关，在互相关里被压制；共性信号更突出。
- 维度更低：从 (x,t0) 四维问题降到 x 三维，提高检索效率与稳健性。
局限：
- 计算量大：台站对数量 M≈N(N−1)/2，互相关与叠加代价随阵列规模迅速上升（大型监测阵列需并行/剪枝）。
- 模型依赖：仍依赖速度模型给出的 Δt_ij(x)；模型误差会使峰展宽或偏移。
- 时间漂移与多事件：相近时间的多事件会在 CC_ij 里互相干扰，需要时间窗管理与聚类分离。
- 预处理：滤波、去噪、标准化，计算各站特征函数 CF_i(t)。
- 互相关：对所有 (i,j) 计算 CC_ij(τ)，τ 范围覆盖可能走时差（±T_max）。
- 成像叠加：对每个候选位置 x，取 τ=Δt_ij(x) 索引 CC_ij(τ) 并累加为 SC(x)。
- 抓峰与精化：对 SC(x) 做峰值搜索与非极大抑制；在峰附近细化网格/插值；必要时再接传统定位（最小残差）。
- 绕射/到时叠加（SSA 类）需要考虑起震时刻 t0；互相关叠加通过“差分”消去 t0，更适合未知起点、群发或低信噪比场景。
- 但当台站数量很大时，互相关的 M 级复杂度成为瓶颈，需要多尺度剪枝、GPU 并行或只选高质量台站对。
- “SSA看能量对齐，互相关看相似对齐。”
- “SSA扫位置+时间；互相关扫位置但要算成对台站。”
- “两者都会找‘峰’，但峰的含义不同：一个是幅度峰，一个是相似峰。”
把每对台站的波形做互相关，峰值位置对应“那对台站的走时差”。如果某个地图位置的理论走时差，能同时解释很多台站对的峰，那就是震源位置。它用差分抵消了起震时刻，把四维问题降为三维，但计算量随台站对数平方增长，需要并行与剪枝。
一句话记忆：当两个地震很近时，它们到同一台站的传播路径几乎相同，路径误差也几乎相同。我们不直接用“绝对到时”，而是用“两个事件到同一台站的到时之差”再在多个台站之间相减（双差），把共同的路径误差抵消掉，只剩下反映两事件相对位置的差异，从而得到高精度“相对定位”。
- 单差：对同一台站 k，比两个事件 i、j 的到时差 Δt_k = t_(ki) − t_(kj)。这一步已经消去了“台站时钟常数”和“起震时刻差的大部分”。
- 双差：把多个台站的“到时差”拿来互相比，对应建立线性方程组；近似认为两事件到各台站的射线路径相似，则相同路径上的速度模型误差在差分中被抵消。
- 数学上，把事件位置向量 m（x,y,z,τ）线性化，建立形式如 G·Δm = d 的最小二乘问题（d 是观测与理论到时差之差；Δm 是相对坐标与起时的小改变量）。解出所有事件相对彼此的最小残差位置。
什么时候“路径相似”的假设成立？
- 两事件间距 ≪ 事件到台站距离、也小于速度不均匀尺度（例如同一块断层小范围内的震群）。这时双差能显著提升相对定位精度（米～十米～百米级）。
优点与局限：
- 优点：显著降低速度模型系统误差的影响，群震的空间构造成像清晰（断层面、破裂条带）。
- 局限：当事件间距较大或台网稀疏、方位覆盖差时，“路径相似”不再成立，改进效果变弱；还需要足够数量的“事件—台站”有效配对。
- 思想：把“事件相对位置”和“三维速度模型”一起求，既用绝对到时也用相对到时，联合反演。
- 好处：不强依赖“路径相似”的先验。最后同时得到更准确的绝对/相对事件位置与更精细的局部速度结构。
- 代价：问题规模更大、需要良好的先验与正则化（平滑/阻尼），计算量与数据质量要求更高。
- 动机：在台网稀疏时，传统 HypoDD 难以获得足够稳定的“事件—台站—相位”配对。
- 做法：利用每个事件在同一台站的 S−P 观测时差（不需要识别所有站的准确定相），与速度模型给出的理论 S−P 时差比较，围绕“主事件”在三维网格上搜索，使残差最小，得到“目标事件相对主事件”的位置。
- 直觉：S−P 时差近似消除了起震时刻影响，并缩小了速度模型系统误差；用网格搜索代替方程组求解，更鲁棒。
- 特色：用 L1 范数（绝对残差和）作为目标函数，比 L2（平方和）更不敏感于异常点/粗差；可逐级细化网格直到精度满足。
- 适用：台站较稀疏、事件信噪比一般、相位挑选不稳定的场景；实践表明在此类条件下 DTDD 常优于 HypoDD。
- 有密集震群、台站覆盖还可以：首选 HypoDD 做相对定位；若还需速度结构，同步做 DD‑Tomo。
- 台网稀疏或定相困难：尝试 DTDD（S−P 时差 + 网格搜索 + L1 目标）。
- 质量控制与参数：
- 成对阈值：事件间距门槛；台站最少数；方位覆盖角。
- 欠定/奇异：使用加权最小二乘/稀疏正则；剔除高残差配对。
- 结果评估：RMS 残差、对比前后相对几何是否更清晰（断层面更薄、更连贯）。
双差的核心是“用两事件到同一台站的到时差，再在多台站之间相减”，把共同路径误差抵消，只看能区分两个事件的差异，因而相对位置更准；DD‑Tomo把事件位置和速度结构一起求，不再强依赖路径相似；DTDD用 S−P 时差+网格搜索+L1 目标，在台网稀疏时更稳。
一句话理解：把“深度学习的高效拾取/关联”与“经典定位（绝对+相对）”拼成自动流水线：机器学习负责快速、稳定地给出P/S到时与事件簇，传统定位代码负责把这些观测转成“有物理约束的震源时空与震级”。
- 做什么：用 GPD（需要 GPU）做震相拾取；用 PhasePApy 做关联；用 HYPOINVERSE/HypoDD 定位/重定位。
- 优点：开箱即用、流程完整；可替换FB挑选器（没GPU也能跑）。
- 局限：关联器是传统串行流程，面对海量拾取速度偏慢；硬件要求较高。
- 做什么：把 PhaseNet、GaMMA 等模型容器化，部署在 Kubernetes/Kubeflow 上并行跑，最后进 HypoDD 重定位。
- 优点：计算可水平扩展，适合超大规模/实时；模型可替换（GPD/EQTransformer/REAL/PhaseLink 等）。
- 局限：云端成本+工程部署复杂度；依旧需要后端传统定位保证物理一致性与精度。
目的：在本地或集群环境，把“高精度拾取+高效关联+绝对定位+相对重定位”打通，获得“高分辨率、低模型依赖”的地震目录。
核心思路：
- 先用 PhaseNet（或备选 STA/LTA）在整天连续波形上做初至拾取（GPU/CPU均可）。
- 用 REAL 进行事件关联（网格搜索或模拟退火），把海量拾取组装成具体事件。
- 绝对定位：用 VELEST（联合求1D速度+台站延迟）与 HYPOINVERSE 得到初步绝对位置。
- 相对重定位：
- 第一步：HypoDD 基于走时差重定位，纠正整体几何；
- 第二步（精化）：用互相关得到更精确的微分到时，再用 HypoDD 或 GrowClust 进一步细化（GrowClust自带不确定性评估）。
为什么分两步相对定位？
- 先用“目录拾取差”跑一遍，迅速把几何收紧；
- 再用“互相关微分时”（更精），在计算力允许时对关键区域精修，获得细至几十米尺度的构造条带。
输入/输出与每步目的：
- 输入：连续波形 + 台站清单；
- 输出：带不确定度的高精度目录（QuakeML），可直接用于震级计算与后续研究。
- 步骤和目的：
- PhaseNet 拾取 → 快速、稳定地给出 P/S 到时（抗噪、跨台阵泛化好）。
- REAL 关联 → 在海量拾取中“聚类成事件”，给出同一事件的多站相位集合。
- VELEST + HYPOINVERSE → 修正1D速度与台站延迟，得到物理一致的绝对位置。
- HypoDD（走时差） → 利用近邻事件的路径相似抵消模型误差，收紧相对几何。
- 互相关 + HypoDD/GrowClust → 用高精度微分时把断层面/破裂条带细化并评估不确定度。
优势（为什么 LOC‑FLOW 分辨率高、对模型依赖小）：
- PhaseNet+REAL 提升拾取/关联的召回与一致性 → 为后端定位提供丰富而干净的观测；
- VELEST 同时估计速度与台站延迟 → 绝对解的系统误差降低；
- HypoDD/GrowClust 利用相对信息 → 进一步消除速度模型残差；
- 互相关微分时 → 把相对误差从0.1–0.2 s 量级压到毫秒级。
代价与工程对策：
- 计算成本高 → 采用 OpenMP/GPU 并行；对互相关使用“先粗后细、只对近邻/高相干对计算”的剪枝策略；
- I/O 格式不一致 → LOC‑FLOW 已做统一封装（Obspy读取、标准化事件格式）。
实践要点（帕克菲尔德案例启示）：
- 先绝对定位再相对重定位的“两段式”让目录数量与清晰度显著提升（LOC‑FLOW重定位事件数≈常规方法3–4倍）；
- GrowClust 的不确定性评估有助于后续统计与构造解释；
- 若资源有限：对重点时段/区域启用“互相关精化”，其余保留第一阶段结果。
LOC‑FLOW把 PhaseNet 拾取、REAL 关联、VELEST+HYPOINVERSE 绝对定位、以及 HypoDD/GrowClust 的相对重定位串成一条流水线：先用机器学习扩大量且稳的相位，再用速度校正与双差把几何收紧，最后用互相关微分时精修，得到高分辨率、低模型依赖的目录；代价是算力开销，所以通过并行与近邻剪枝平衡精度与成本。
