方法研究
以紮實的研究經驗，從損失函數、訓練策略到資料工程，提升模型的效能上限。
核心技術 · 地震 AI
將研究方法
部署為可上線運行的系統
藍震結合多年地震 AI 的研究經驗與工程能力， 建置訓練管線並整合即時資料流，使研究方法能在生產環境中穩定運行。 以下說明完整流程與實際案例。
離線
資料輸入
彙整地震目錄與連續波形，配對成帶標籤的訓練資料。
離線
前處理
經過清理、切窗與到時對齊，將原始波形整理為模型可學習的樣本。
離線
模型訓練
以可重現的訓練管線，統一管理實驗紀錄、超參數與訓練策略。
離線
評估測試
在標準測試集上驗證 P、S 波偵測表現，確認優於現行版本後才發布。
上線
部署上線
封裝為服務並接入即時資料流，在 7×24 環境下穩定運行。
上線
線上監控
監控延遲、效能與資料漂移，並將上線後偵測到的新事件累積為新的訓練資料。
↺ 新事件回流為下一輪訓練資料，持續提升模型準確度
核心能力 · Capabilities
管線三個階段
對應的三項核心能力
訓練管線與環境
建置可重現、可擴展的訓練基礎設施，規劃資料前處理、模型架構與訓練策略。
產品級部署
將模型整合至即時資料流（如 Earthworm），確保服務在 7×24 環境下穩定運行。
方法研究
BlueDisc · S 波偵測方法
BlueDisc 源自黃俊銘在相位拾取上多年的方法研究。針對深度學習相位拾取長期面臨的 S 波振幅抑制 問題，這套研究剖析 損失函數在訓練中的角色 與 資料為何難以收斂的成因，並以 shape-then-align 訓練策略 搭配條件式 GAN 進行驗證，在標準測試集上將有效 S 相位偵測數提升 64%。 程式碼公開於 github.com/SeisBlue/BlueDisc。 淺顯的說明請參閱科普文章：AI 為什麼經常漏判 S 波？ →
Huang, C.-M., Chang, L.-H., Chang, I.-H., Lee, A.-S., & Kuo-Chen, H. (2025). Recovering Sub-threshold S-wave Arrivals in Deep Learning Phase Pickers via Shape-Aware Loss. arXiv:2511.06731. arxiv.org/abs/2511.06731
訓練管線與環境
SeisBlue 平台 · 地震資料處理框架
SeisBlue 是黃俊銘開發並開源的深度學習地震資料處理框架。平台將連續波形接收、相位拾取到地震目錄輸出的完整流程， 封裝為可在生產環境穩定運行的服務，已被多篇同儕審查研究採用為核心處理工具。 程式碼公開於 github.com/SeisBlue/SeisBlue。
Huang, C.-M., Chang, L.-H., Kuo-Chen, H., & Zhuang, Y. (2023). SeisBlue: a deep-learning data processing platform for seismology. EGU General Assembly 2023, EGU23-13927. doi.org/10.5194/egusphere-egu23-13927
採用 SeisBlue 平台的後續研究（4 篇）
- Sun, W.-F., Pan, S.-Y., Huang, C.-M., Guan, Z.-K., Yen, I.-C., Ho, C.-W., Chi, T.-C., Ku, C.-S., Huang, B.-S., Fu, C.-C., & Kuo-Chen, H. (2024). Deep learning-based earthquake catalog reveals the seismogenic structures of the 2022 MW 6.9 Chihshang earthquake sequence. Terrestrial, Atmospheric and Oceanic Sciences. doi.org/10.1007/s44195-024-00063-9
- Huang, B.-S., Ku, C.-S., Lin, C.-J., Lee, S.-J., Chen, Y.-L. E., Jiang, J.-S., & Sun, W.-F. (2024). The first 30 min hidden aftershocks of the 2022 September 17, ML 6.4, Guanshan, Taiwan earthquake and its seismological implications. Terrestrial, Atmospheric and Oceanic Sciences. doi.org/10.1007/s44195-023-00059-x
- Sun, W.-F., Pan, S.-Y., Liu, Y.-H., Kuo-Chen, H., Ku, C.-S., Lin, C.-M., & Fu, C.-C. (2025). A Deep-Learning-Based Real-Time Microearthquake Monitoring System (RT-MEMS) for Taiwan. Sensors, 25(11), 3353. doi.org/10.3390/s25113353
- Kuo-Chen, H., Sun, W.-F., Kan, L.-Y., Pan, S.-Y., Yen, I.-C., Liang, S.-H., Guan, Z.-K., Liu, Y.-H., Chen, W.-S., & Brown, D. (2025). Real-Time Earthquake Monitoring with Deep Learning: A Case Study of the 2025 ML 6.4 Dapu Earthquake and Its Fault System in Southwestern Taiwan. The Seismic Record, 5(3), 320–329. geoscienceworld.org
產品級部署
TT-SAM · 即時地震早期預警
TT-SAM (Taiwan Transformer Shaking Alert Model) 是地震早期預警系統。 模型架構參考自 Münchmeyer 等 (2020) 的 TEAM 框架，由黃俊銘負責 AI 部署的工程核心， 包括訓練環境建置、訓練管線設計與產品級部署。即時管線基於 Earthworm 即時資料流運作。
Chen, Y.-H., Chan, C.-H., Chang, C.-C., & Ma, K.-F. (2026). A Deep Learning Framework for Peak Ground Velocity Prediction Using Multi-Station Velocity Waveforms: The Taiwan Transformer Shaking Alert Model (TT-SAM). Journal of Geophysical Research: Machine Learning and Computation. doi.org/10.1029/2025JH001005