SeismicX-Cont — HDF5 连续波形数据产品
面向部署级地震监测的结构化连续波形数据库
1. 概述
SeismicX-Cont 是一个经过处理和结构化组织的 HDF5 连续波形数据产品， 用于支持部署级地震监测研究。
该发布包在统一文件结构中保留连续波形、台站-时间覆盖、标注来源、仪器响应元数据 和验证流程。它是可复用的监测数据产品，不是相对模型评估资源，也不替代权威的 SCEDC、NCEDC 或 CEED 源数据档案。
仓库同时提供 SeismicX DataLoader、SQLite 覆盖查询工具、验证脚本和 quick-start notebook，便于对发布文件进行可复现访问。
1.1 项目目录结构
远程仓库目录组织如下：
data/
hdf5/ # 14 个 daily HDF5 波形文件
index/ # SQLite 波形索引
label/ # annotation、reference 表、可选 consensus 与多输出候选目录
response/ # 仪器响应 JSON，用于 dataloader 去响应/仿真
validation/ # 机器可读审计与可选多输出震相匹配诊断
notebooks/ # 交互式 quickstart notebook
pickers/ # 示例 TorchScript/ONNX picker 模型
scripts/ # 转换、索引、picker、关联和上传脚本
essd_scripts/ # ESSD 统计、诊断和绘图脚本
utils/ # 可复用 HDF5 dataloader 和 waveform-index API
数据准备和 picker 相关命令主要放在 scripts/ 中；ESSD 论文中的关键数字、统计、
诊断和绘图命令放在 essd_scripts/ 中。
可用 essd_scripts/audit_manuscript_numbers.py 独立重新生成论文里的核心 inventory
和精确 NSLC coverage 数值，并用 essd_scripts/audit_waveform_quality.py 检查全量
索引完整性和分层抽样波形质量。稳定的机器可读摘要位于
data/validation/manuscript_number_audit.json 和
data/validation/waveform_quality_audit.json；一键复现脚本会从发布文件刷新它们。
essd_scripts/build_reference_arrivals.py 会按确定性规则生成
data/label/reference_arrivals.sqlite：分量不会跨 location 或 channel family
组合，响应有效期按左闭右开处理；要求响应时，C3 的每个选定分量必须恰好匹配
一个响应历元。可选目录 data/validation/multimodel_phase_matching/ 保存多个现有
自动拾取输出的一对一匹配记录和摘要，可用
./essd_scripts/regenerate_multimodel_phase_matching.sh 重新生成。它用于自动一致性
与文件互操作检查，不是模型比较，也不构成 ground truth。该脚本复用
reference_arrivals.sqlite 中已经由精确 NSLC 区间和有限 HDF5 样点生成的版本化
C0 标志，避免对每个输出重复扫描完整波形归档。
data/label/ 下的可选多输出候选目录保留九个非标准化示例运行的全部源拾取，
并在同一台站、同一 canonical 震相且严格小于 1.5 秒的时间跨度内聚合。
发布格式包括压缩 JSONL 和规范化 SQLite，便于查询输出一致性；
output_eligibility.sqlite 记录各输出实际处理的台站-时间区间，
output_registry.tsv 记录九组源输出的组成和处理范围。发布的分层验证表同时给出
候选侧目录匹配比例和人工参考恢复比例，并提供按 eligible 输出数归一化后的结果；
这些都是目录条件化诊断，不是传统 precision。多输出支持不等同于 ground truth，
也不能用于相对模型评估。字段和查询示例见
data/label/README_all_model_phase_picks.md。
notebooks/seismicx_cont_quickstart.ipynb 提供文件检查、SQLite 查询、HDF5 波形绘图、annotation 检查和评估命令模板。
当前 scripts/ 内容：
| 路径 | 用途 |
|---|---|
scripts/README_download_data.md |
完整数据和 mini 数据的下载、重建说明。 |
scripts/README_event_comparison.md |
事件对比流程说明和指标定义。 |
scripts/README_real_association.md |
REAL 关联的配置、输入输出和参数说明。 |
scripts/build_consensus_picks_json.py |
从多个模型拾取结果构建 consensus pick annotation。 |
scripts/build_all_model_phase_catalog.py |
构建紧凑的多输出候选 JSONL 和 SQLite 数据产品。 |
scripts/build_output_eligibility.py |
构建输出处理区间 eligibility 数据库和 output registry。 |
scripts/build_waveform_index.sh |
从 HDF5 文件构建完整发布的 SQLite 波形索引。 |
scripts/compare_associated_events.py |
将关联事件与目录/参考事件进行对比。 |
scripts/download_instrument_responses.py |
下载台站仪器响应元数据。 |
scripts/evaluate_picks.py |
根据参考 pick 评估 picker JSONL 输出。 |
scripts/example_dataloader.py |
最小 PyTorch HDF5WaveformDataset 使用示例。 |
scripts/example_query_waveform.py |
通过 SQLite 查询波形片段，并可选进行响应处理。 |
scripts/getwaveform_cha_names.py |
查看 HDF5 波形文件中的 channel-family 名称。 |
scripts/makeh5.py |
将 MiniSEED 波形转换为原始 HDF5 结构。 |
scripts/makeh5_flex_seg.py |
将波形转换为 flexible-segment HDF5 文件。 |
scripts/plot_dataset_overview.py |
生成数据集 overview 图。 |
scripts/plot_essd_qc_figures.py |
生成 ESSD 质量控制图。 |
scripts/readh5.py |
查看任意 HDF5 的层级、dataset、link 和 attribute。 |
scripts/run_consensus_picks.sh |
运行完整发布 consensus-pick 流程。 |
scripts/run_all_model_phase_catalog.sh |
运行可恢复的九输出候选目录构建流程。 |
scripts/run_picker_to_jsonl.py |
对 HDF5 样本运行一个 TorchScript picker，并写出 JSONL pick。 |
scripts/run_pickers.sh |
批量运行完整发布 picker 模型。 |
scripts/run_real_association.py |
将 picker JSONL 转为 REAL 输入并执行事件关联。 |
scripts/upload_files_to_hf.py |
上传指定完整发布数据文件到 Hugging Face。 |
scripts/upload_files_to_ms.py |
上传指定完整发布数据文件到 ModelScope。 |
scripts/upload_restfiles_hf.py |
上传非大体量发布文件到 Hugging Face。 |
scripts/upload_restfiles_ms.py |
上传 scripts/ 和 utils/ 更新到 ModelScope。 |
scripts/upload_all_model_phase_catalog.py |
上传压缩的多输出候选目录及其说明。 |
scripts/validate_multi_output_candidates.py |
复现按支持层级划分的 C0 人工参考一致性统计。 |
scripts/verify_full_dataset.py |
检查完整发布的必需文件和基本结构。 |
scripts/write_manifest.sh |
重新生成发布 checksum 和 file-size manifest。 |
发布元数据和完整性校验文件：
VERSION记录发布版本（v1.0.0）。CITATION.cff提供机器可读引用元数据。LICENSE_CLARIFICATION.md说明分层许可和数据使用边界。manifest_sha256.txt记录发布文件的 SHA-256 校验值。manifest_filesizes.tsv记录发布文件大小（字节）。- 完整发布 DOI：https://doi.org/10.57967/hf/9579（Revision
15ee400） - 两小时 mini 数据集 DOI（Zenodo）：https://doi.org/10.5281/zenodo.21331024
- 两小时 mini 数据集 DOI（Hugging Face）：https://doi.org/10.57967/hf/9580
- 公开镜像：https://huggingface.co/datasets/cangyeone/SeismicX-Cont 和 https://www.modelscope.cn/datasets/cangyeone/SeismicX-Cont
推荐 quickstart 和复现脚本顺序：
- 先运行
notebooks/seismicx_cont_quickstart.ipynb，检查仓库结构、文件校验、SQLite 查询和 HDF5 波形读取。 - 用
python scripts/verify_full_dataset.py检查完整发布结构。 - 从 HDF5 文件重建索引时，运行
./scripts/build_waveform_index.sh。 - 用
./scripts/write_manifest.sh重新生成 checksum 和 file-size manifest。 - 用
./essd_scripts/reproduce_manuscript_outputs.sh一键复现 ESSD 论文表格和图。 - 如已下载可选的 picker JSONL 源文件，用
./essd_scripts/regenerate_multimodel_phase_matching.sh重建多输出匹配诊断层。 - 解压
data/label/all_model_phase_picks.sqlite.zst后查询可选多输出候选目录； 字段和示例见data/label/README_all_model_phase_picks.md。 - 使用
data/label/output_eligibility.sqlite查询各输出的实际处理域，并用data/validation/multi_output_manual_reference_match.tsv和data/validation/multi_output_eligibility_normalized_match.tsv检查发布的支持分层结果。
2. 数据集说明
2.1 数据来源
本数据集包含来自三个区域地震网络的连续波形记录：
- CI — 南加州地震网络
- NC — 北加州地震网络
- BK — 伯克利数字地震网络
这些网络提供了多样的观测条件，包括仪器响应差异、通道配置差异、噪声特征差异和台站密度差异。
2.2 时间窗口
提供两个代表性的 7 天连续时间窗口：
TIME_WINDOWS = [
{
"id": "day_20190701",
"starttime": "2019-07-01T00:00:00",
"endtime": "2019-07-08T00:00:00",
},
{
"id": "day_20211108",
"starttime": "2021-11-08T00:00:00",
"endtime": "2021-11-15T00:00:00",
},
]
每个时间窗口覆盖 7 个日历日；遥测缺口、部分通道缺测和浮点数组中的 非有限样点均保留并通过覆盖索引与 validity mask 显式表示。
2.3 数据内容
数据集包含 HDF5 格式的异构连续波形数据、台站元数据（经纬度、高程、有效期）、 保留缺口的分段波形记录，以及来源于 CEED 数据集 的事件标注。通道族和分量数 并不统一；垂直分量不会在默认访问接口中复制为伪三分量。
3. 监测时段设计
SeismicX-Cont 将两个一周长的监测时段放在同一套 HDF5、annotation、 response 和 coverage-index 结构中，便于在不同监测条件下复用连续数据流。
3.1 高活动窗口（2019 年 7 月）
该时段地震活动密集，事件频繁且可能重叠。复用时通常关注 coverage-qualified recall、震相残差、台站覆盖，以及密集地震序列中的工作流行为。
3.2 低活动窗口（2021 年 11 月）
该时段相对于 Ridgecrest 周为低活动背景。复用时通常关注 catalog-unmatched automatic-pick burden、噪声条件、台站可用性和长连续时段内的报告稳定性。 未匹配参考目录的自动拾取不应自动解释为确认的错误检测。
4. 数据结构
数据集采用层次化 HDF5 布局存储：
/year
/day
/stations
/network.station.location
/waveform
/channel
/segment
示例：
/2019-01-01T00:00:00.000000Z
/2019-07-01T00:00:00.000000Z
/stations
/BK.BDM.00
/waveform
/BHE/0
/BHN/0
/BHZ/0
每个通道可能包含多个波形片段，加载时自动合并为连续数据。
5. SeismicX DataLoader
文件： utils/hdf5_waveform_dataset.py
基于 PyTorch Dataset 封装 HDF5 文件，输出带有完整台站元数据的波形张量。针对大型多文件数据集的单次推理场景进行了内存占用优化。
5.1 主要特性
多文件输入 — 支持单个文件、目录、通配符模式（data/hdf5/*.h5）或文件路径列表。
通道族分组 — 按通道代码的前两个字符（通道族）将波形分组，例如 BHE/BHN/BHZ 作为一个样本而非三个独立通道。
| 通道 | 通道族 |
|---|---|
| BHE, BHN, BHZ | BH |
| HHE, HHN, HHZ | HH |
| HNE, HNN, HNZ / HN1, HN2, HN3 | HN |
| EHE, EHN, EHZ | EH |
自动三分量构建 — E/1 → 位置 0，N/2 → 位置 1，Z/3 → 位置 2。仅有 Z 分量的台站可复制为 [Z, Z, Z]。
多段合并 — HDF5 中连续的分段自动合并为一条连续迹线，间隙以 fill_value 填充。
可选重采样 — 使用线性插值重采样到目标采样率（不依赖 scipy）。
可选仪器响应处理 — dataloader 可基于 data/response/instrument_responses.json 去除原始仪器响应，并可进一步仿真到用户指定的目标响应。
内存安全的文件句柄缓存 — 同一时刻只保留当前 HDF5 文件的句柄；切换到新文件时立即关闭旧句柄（及其 chunk cache），内存占用维持 O(1)，与文件数量无关。
5.2 构造参数
HDF5WaveformDataset(
h5_file,
mode="three",
fill_value=0.0,
dtype=np.float32,
default_location="--",
allowed_families=("HH", "BH", "EH", "HN"),
allowed_z_only_channels=("EHZ",),
allow_z_only=True,
replicate_z_only=False,
target_sampling_rate=None,
skip_sample_keys=None,
skip_jsonl=None,
skip_record_type="phase_pick",
keep_h5_open=True,
include_segments_metadata=True,
use_overlap_mask=True,
h5_rdcc_nbytes=8 * 1024 * 1024,
max_duration_sec=90000.0,
instrument_response_json=None,
remove_instrument_response=False,
response_output="VEL",
response_pre_filt=None,
response_water_level=60,
response_error_behavior="raise",
simulate_instrument_response=False,
simulation_response_json=None,
simulation_response_id=None,
simulation_response_selector=None,
simulation_paz=None,
simulation_output=None,
)
| 参数 | 类型 | 默认值 | 说明 |
|---|---|---|---|
h5_file |
str / Path / list | 必填 | 单个文件、目录、通配符（data/hdf5/*.h5）或路径列表 |
mode |
str | "three" |
输出模式："single"、"three" 或 "multi" |
allowed_families |
tuple[str] | ("HH","BH","EH","HN") |
参与建索引的通道族 |
allowed_z_only_channels |
tuple[str] | ("EHZ",) |
允许作为仅 Z 通道的完整通道代码 |
allow_z_only |
bool | True |
是否收录仅含 Z 分量的台站 |
replicate_z_only |
bool | False |
是否显式启用 Z-only 到 [Z,Z,Z] 的合成复制 |
target_sampling_rate |
float 或 None | None |
目标采样率（Hz）；None 保持原始采样率 |
fill_value |
float | 0.0 |
多段合并间隙的填充值 |
dtype |
np.dtype | np.float32 |
波形数组的 NumPy 数据类型 |
keep_h5_open |
bool | True |
缓存当前文件句柄；切换文件时关闭旧句柄 |
include_segments_metadata |
bool | True |
在输出 dict 中包含原始分段元数据（设为 False 可节省内存） |
use_overlap_mask |
bool | True |
防止重叠分段互相覆盖 |
h5_rdcc_nbytes |
int | 8 MB | 每个文件句柄的 HDF5 chunk 缓存大小 |
max_duration_sec |
float | 90000.0 |
单通道合并后迹线长度的安全上限 |
instrument_response_json |
str 或 None | None |
仪器响应 JSON 路径，通常为 data/response/instrument_responses.json |
remove_instrument_response |
bool | False |
使用 ObsPy 去除原始仪器响应，返回物理量 |
response_output |
str | "VEL" |
去响应后的物理量，常用 "DISP"、"VEL" 或 "ACC" |
response_pre_filt |
tuple 或 None | None |
传给 ObsPy remove_response 的四角频率预滤波 |
response_water_level |
float 或 None | 60 |
ObsPy water level；若用 response_pre_filt 控制稳定性，可设为 None |
response_error_behavior |
str | "raise" |
响应处理失败时的行为："raise"、"warn" 或 "skip" |
simulate_instrument_response |
bool | False |
在可选去响应之后仿真目标仪器响应 |
simulation_response_json |
str 或 None | None |
包含目标响应的 JSON；默认复用 instrument_response_json |
simulation_response_id |
str 或 None | None |
需要仿真的精确 response_id |
simulation_response_selector |
dict 或 None | None |
用 network、station、location、channel 和可选 time 选择目标响应 |
simulation_paz |
dict 或 None | None |
另一种简单仿真方式：ObsPy 风格 PAZ 字典 |
simulation_output |
str 或 None | None |
计算目标响应时使用的物理量；默认等于 response_output |
skip_sample_keys |
set 或 None | None |
预构建的排除集合（样本 key 集合） |
skip_jsonl |
str 或 None | None |
已有输出 JSONL 的路径；启动时扫描并从索引中移除已完成的样本 |
skip_record_type |
str | "phase_pick" |
扫描 JSONL 时匹配的 record_type 字段值 |
5.3 输出模式
mode="single"
每个通道一个样本，输出 waveform 形状：[T]。
mode="three"（推荐）
每个通道族一个样本，观测分量顺序为 E/N/Z（1/2/3 映射到相同位置）。默认情况下，Z-only 记录输出 [T, 1]；只有显式设置 replicate_z_only=True 才构造 [Z,Z,Z]。
mode="multi"
同一通道族中所有可用通道叠放，输出 waveform 形状：[T, C]。
所有模式都返回 validity_mask（gap 填充值对应 False）和
component_mask（标记实际输出分量）。three 模式还返回
observed_component_mask；即使显式复制 Z，合成的水平分量也不会被标记为真实观测。
安装 SciPy 时，重采样使用带抗混叠的 polyphase 方法，mask 采用保守规则同步重采样。
5.4 使用示例
单文件：
from utils.hdf5_waveform_dataset import HDF5WaveformDataset, waveform_collate_fn
dataset = HDF5WaveformDataset(
h5_file="data/hdf5/continuous_waveform_usa_20190701.h5",
mode="three",
target_sampling_rate=100.0,
)
通配符（多文件）：
dataset = HDF5WaveformDataset(
h5_file="data/hdf5/continuous_waveform_usa_*.h5",
mode="three",
allowed_families=("HH", "BH", "EH", "HN"),
allow_z_only=True,
replicate_z_only=True,
target_sampling_rate=100.0,
)
print(f"文件数: {len(dataset.h5_files)} | 样本数: {len(dataset)}")
目录：
dataset = HDF5WaveformDataset(h5_file="data/hdf5/", mode="three")
去除原始仪器响应：
dataset = HDF5WaveformDataset(
h5_file="data/hdf5/continuous_waveform_usa_20190701.h5",
mode="three",
instrument_response_json="data/response/instrument_responses.json",
remove_instrument_response=True,
response_output="VEL",
response_pre_filt=(0.2, 0.5, 20.0, 45.0),
response_water_level=None,
)
去除原始响应后再仿真目标响应：
dataset = HDF5WaveformDataset(
h5_file="data/hdf5/continuous_waveform_usa_20190701.h5",
mode="single",
instrument_response_json="data/response/instrument_responses.json",
remove_instrument_response=True,
response_output="VEL",
response_pre_filt=(0.2, 0.5, 20.0, 45.0),
response_water_level=None,
simulate_instrument_response=True,
simulation_response_selector={
"network": "BK",
"station": "BDM",
"location": "00",
"channel": "BHZ",
"time": "2019-07-06T04:00:00Z",
},
simulation_output="VEL",
)
返回的样本中会包含 instrument_processing 字段，记录匹配到的原始
response_id、响应有效期、仿真目标响应 id 以及可能的处理错误。去响应和响应仿真使用 ObsPy 的响应计算能力；dataloader 负责提供 SeismicX-Cont JSON 响应查找和逐样本匹配。
5.5 DataLoader 配置
单进程（最安全 — MPS 必须用此模式）：
from torch.utils.data import DataLoader
loader = DataLoader(
dataset,
batch_size=1,
shuffle=False,
num_workers=0,
collate_fn=waveform_collate_fn,
)
多进程（推荐用于 CUDA）：
h5py 不支持 fork。Linux 上 DataLoader 默认使用 fork，会导致 HDF5 读取出错甚至数据损坏。必须显式指定 spawn：
from utils.hdf5_waveform_dataset import hdf5_worker_init_fn
loader = DataLoader(
dataset,
batch_size=4,
shuffle=False,
num_workers=4,
collate_fn=waveform_collate_fn,
multiprocessing_context="spawn", # Linux 必须，避免 h5py + fork 死锁
worker_init_fn=hdf5_worker_init_fn,
prefetch_factor=2,
persistent_workers=True,
pin_memory=True, # 加速 CPU → GPU 数据传输
)
macOS 下 Python ≥ 3.8 默认已经是 spawn，无需额外设置。
5.6 续跑：跳过已处理样本
传入 skip_jsonl 参数，在读取任何波形数据之前从索引中移除已完成的样本：
dataset = HDF5WaveformDataset(
h5_file="data/hdf5/continuous_waveform_usa_*.h5",
mode="three",
skip_jsonl="data/picks/output.jsonl",
skip_record_type="phase_pick",
)
print(f"原始样本数 : {dataset.original_index_size}")
print(f"已完成 : {dataset.filtered_index_size}")
print(f"待处理 : {len(dataset)}")
启动时 JSONL 被分割为多个字节范围块，通过 ThreadPoolExecutor 并行扫描。每条完成记录的样本 key 直接由其字段（h5_file、year_id、day_id、station_id、channel_family、channels）重建，匹配的索引项在 __getitem__ 调用之前被移除。
5.7 样本输出字典
__getitem__（或经由 DataLoader 交付）的每个样本为 Python dict：
{
# 标识信息
"mode": "three",
"h5_file": "data/hdf5/continuous_waveform_usa_20190701.h5",
"year_id": "2019-01-01T00:00:00.000000Z",
"day_id": "2019-07-01T00:00:00.000000Z",
"station_id": "BK.BDM.00",
# 通道信息
"channel_family": "BH",
"channels": ["BHE", "BHN", "BHZ"], # 每个分量槽对应一个通道
"component_order": "E/N/Z or 1/2/3",
"is_z_only": False,
"z_only_replicated": False,
# 波形
"waveform": torch.Tensor, # 形状 [T, 3]，float32
"sampling_rate": 100.0, # 重采样后的采样率（Hz）
"original_sampling_rate": 40.0,
"target_sampling_rate": 100.0,
"resampled": True,
"npts": 8640001,
# 时间
"starttime": "2019-07-01T00:00:00.000000Z",
"endtime": "2019-07-01T23:59:59.990000Z",
# 台站元数据
"station_info": {
"station_id": "BK.BDM.00",
"network": "BK",
"station": "BDM",
"location": "00",
"longitude": -122.2486,
"latitude": 37.8762,
"elevation": 276.0,
"location_available": True,
"position_match_mode": "strict_time_matched_network_station_only",
"position_is_fallback": False,
"position_history": [...],
...
},
# 各通道元数据（以通道代码为 key）
"channel_info": {
"BHE": {"channel": "BHE", "segment_count": 3, "starttime": "...", ...},
"BHN": {...},
"BHZ": {...},
},
# 原始分段元数据（include_segments_metadata=False 时为空列表）
"segments": [],
}
5.8 极简示例脚本
scripts/example_dataloader.py 在不到 90 行内演示了完整流程：
python scripts/example_dataloader.py \
--h5_input data/hdf5/continuous_waveform_usa_20190701.h5 \
--n_samples 3
示例输出：
── Sample 1 ──────────────────────────────────────────
station_id : BK.BDM.00
network : BK.BDM
channels : ['BHE', 'BHN', 'BHZ']
starttime : 2019-07-01T00:00:00.000000Z
sampling_rate : 100.0 Hz
waveform shape: (8640001, 3) (86400.0 s × 3 分量)
waveform dtype: torch.float32
Z-only : False
location : lon=-122.2486 lat=37.8762
ch[E/1] min=-1.234e-05 max=+2.345e-05 std=3.210e-06
ch[N/2] min=-1.100e-05 max=+1.987e-05 std=2.890e-06
ch[Z/3] min=-9.870e-06 max=+1.543e-05 std=2.654e-06
6. 推荐报告量
推荐在连续监测复用研究中至少报告以下量：
- 声明的 C0--C3 覆盖层级，以及 NSLC、时间窗、分量、采样率、响应和缺口条件
- coverage-aware recall — 在一对一匹配容限内命中的 coverage-qualified 参考震相比例
- pick-centred matched fraction — 满足相型和阈值条件的自动拾取中被一对一匹配使用的比例
- 自动拾取总量和单位时间 catalog-unmatched pick 数量；未匹配拾取不等同于确认的错误检测
- 阈值、预处理、通道选择和 P/Pg/Pn、S/Sg/Sn 归一化规则
- 需要进行时序诊断时使用的残差稳健统计
7. 数据产品设计理念
SeismicX-Cont 作为一个可复用的连续监测数据产品，提供不同条件下的报告视角：
- 高频事件密度条件下，需要谨慎记录波形覆盖和参考标注分母；
- 低事件率背景条件下，catalog-unmatched 自动拾取、台站覆盖和元数据完整性更加突出。
这种结构支持可复现报告和工作流诊断，但不意味着对独立训练的拾取系统进行 标准化或公平的模型比较。
8. 总结
SeismicX-Cont 提供处理后的连续波形数据库、覆盖元数据、CEED 衍生标注、 仪器响应元数据、验证脚本和可复用访问工具。它适合用于连续地震检测研究、 监测工作流诊断、震相关联实验和需要保留 provenance、coverage 与源数据引用边界的 大规模波形分析。
9. 波形索引 API 与数据查询（含 macOS 外接硬盘问题说明）
9.1 核心接口
from utils.waveform_index_api import query_and_merge
merged, rows = query_and_merge(
db_file="data/index/waveform_index.sqlite",
network="BK",
station="BDM",
location="*",
channel="BH*",
starttime="2019-07-01T00:00:00",
endtime="2019-07-01T01:00:00",
fill_value=0.0,
)
merged 是以 "network.station.location.channel" 为 key 的字典，每个值包含 data（ndarray）、sampling_rate、starttime、endtime、filled_ratio 和 segments。
同一个 API 也可以在返回数组前使用发布包中的仪器响应 JSON 做去响应：
merged, rows = query_and_merge(
db_file="data/index/waveform_index.sqlite",
network="BK",
station="BDM",
channel="BHZ",
starttime="2019-07-01T00:00:00",
endtime="2019-07-01T00:01:00",
instrument_response_json="data/response/instrument_responses.json",
remove_instrument_response=True,
response_output="VEL",
response_pre_filt=(0.2, 0.5, 20.0, 45.0),
response_water_level=None,
)
启用响应处理后，每个返回的波形条目会包含 instrument_processing 元数据，
记录匹配到的原始 response_id、响应有效期、可选的目标仿真响应 id、
处理开关以及可能的错误信息。
9.2 通配符查询机制
* 在内部转换为 SQL LIKE (%)。支持：*（全匹配）、BK（精确匹配）、B*（前缀）、*Z（后缀）、BH*（通道族）。
9.3 构建 SQLite 索引
python utils/hdf5_waveform_index.py build \
--h5 "data/hdf5/continuous_waveform_usa_*.h5" \
--db data/index/waveform_index.sqlite
在外接硬盘上，推荐使用下面的封装脚本。它会先在本地临时目录构建 SQLite，
再把完成的数据库复制到 data/index/：
./scripts/build_waveform_index.sh
9.4 示例脚本
python scripts/example_query_waveform.py \
--db data/index/waveform_index.sqlite \
--network BK --station BDM \
--starttime 2019-07-01T00:00:00 \
--endtime 2019-07-01T01:00:00
需要幅值相关读取时，可以在 SQLite 查询脚本中加入去响应或目标响应仿真：
python scripts/example_query_waveform.py \
--db data/index/waveform_index.sqlite \
--network BK --station BDM --channel BHZ \
--starttime 2019-07-01T00:00:00 \
--endtime 2019-07-01T00:01:00 \
--remove_response \
--response_pre_filt 0.2 0.5 20 45 \
--response_water_level none
9.5 ⚠️ macOS 外接硬盘 SQLite 问题
SQLite 写操作需要文件锁和 journal/WAL 文件。外接硬盘（exFAT、NTFS、网络盘）往往缺乏可靠的锁机制，导致 sqlite3.OperationalError: attempt to write a readonly database，即使 HDF5 写入完全正常。
推荐方案： SQLite 索引放本地磁盘，HDF5 数据留在外接盘：
--h5 /Volumes/T5/publish/data/hdf5/*.h5 # HDF5 在 T5 项目盘
--db ~/waveform_index.sqlite # SQLite 在本地
用以下命令验证 SQLite 可写性：
python -c "import sqlite3; sqlite3.connect('/tmp/seismicx_sqlite_test.db').execute('CREATE TABLE t(a)')"
10. 震相拾取：scripts/run_picker_to_jsonl.py
对 DataLoader 输出的每个样本运行 TorchScript 震相拾取模型，并将结果写入 JSONL 文件。支持 Mac/MPS、CUDA 和 CPU，自动选择设备，并内置续跑功能。
10.1 快速开始
Mac / Apple Silicon（MPS）：
python scripts/run_picker_to_jsonl.py \
--h5_input 'data/hdf5/continuous_waveform_usa_*.h5' \
--output_jsonl data/picks/output.jsonl \
--picker_model pickers/pnsn.v1.jit \
--polar_model pickers/polar.onnx \
--device mps
CUDA（多进程预取）：
python scripts/run_picker_to_jsonl.py \
--h5_input 'data/hdf5/continuous_waveform_usa_*.h5' \
--output_jsonl data/picks/output.jsonl \
--picker_model pickers/pnsn.v1.jit \
--polar_model pickers/polar.onnx \
--device cuda \
--batch_size 4 \
--num_workers 4 \
--prefetch_factor 2
续跑中断任务（默认开启）：
直接重新运行相同命令即可。脚本在启动时扫描已有 JSONL，重建已完成样本的 key 集合，并在读取任何波形数据之前将其从 DataLoader 索引中移除。
10.2 命令行参数
| 参数 | 默认值 | 说明 |
|---|---|---|
--h5_input |
data/hdf5/continuous_waveform_usa_*.h5 |
HDF5 文件、目录或通配符 |
--output_jsonl |
data/picks/output.jsonl |
输出 JSONL 文件（续跑模式下追加） |
--picker_model |
pickers/pnsn.v1.jit |
TorchScript 震相拾取器（.jit） |
--polar_model |
pickers/polar.onnx |
可选 ONNX 极性模型；传 "" 关闭 |
--device |
auto |
推理设备：auto、cpu、cuda 或 mps |
--batch_size |
1 |
DataLoader batch 大小；样本仍逐个处理 |
--num_workers |
0 |
DataLoader 工作进程数；0 = 单进程（MPS 必须） |
--prefetch_factor |
2 |
每个 worker 预加载的 batch 数（num_workers=0 时忽略） |
--multiprocessing_context |
auto |
auto 在 Linux 上自动选择 spawn；可手动指定 spawn、fork、forkserver |
--allowed_families |
HH,BH,EH,HN |
逗号分隔的通道族列表 |
--allowed_z_only_channels |
EHZ |
逗号分隔的 Z-only 通道代码 |
--allow_z_only / --no_z_only |
True |
是否包含 / 排除 Z-only 台站 |
--replicate_z_only / --no_replicate_z_only |
False |
是否显式启用 Z-only 到 [Z,Z,Z] 的复制 |
--target_sampling_rate |
100.0 |
目标采样率（Hz）；-1 关闭重采样 |
--min_confidence |
0.0 |
写入的最低拾取概率 |
--snr_window_sec |
2.0 |
拾取前后 SNR 计算窗口长度（秒） |
--progress_interval |
100 |
每 N 个样本打印一次进度 |
--flush_interval |
1000 |
每 N 个样本 flush JSONL；0 仅在结束时 flush |
--gc_interval |
200 |
每 N 个样本执行 gc.collect + 清空设备缓存 |
--resume / --no_resume |
True |
开启 / 关闭续跑模式 |
--mps_empty_cache_interval |
1 |
每 N 个样本调用 torch.mps.empty_cache() |
--cuda_empty_cache_interval |
200 |
每 N 个样本调用 torch.cuda.empty_cache() |
--reload_model_interval |
-1 |
每 N 个样本重新加载模型；-1 = 自动（MPS 为 50，CUDA/CPU 为 0） |
--include_segments_metadata |
False |
在 loader 输出中包含原始 HDF5 分段字典 |
--no_keep_h5_open |
— | 禁用每个文件的 HDF5 句柄缓存 |
--no_overlap_mask |
— | 禁用分段合并中的重叠掩码 |
--h5_rdcc_nbytes |
8388608（8 MB） |
每个文件句柄的 HDF5 chunk 缓存大小（字节） |
--max_samples |
0 |
处理 N 个新样本后以退出码 75 退出；加 --resume 重启可继续。0 = 不限制。详见下方 MPS 重启循环。 |
10.3 各设备注意事项
MPS（Mac / Apple Silicon）
必须使用 --num_workers 0（单进程）。MPS TorchScript allocator 的 Metal buffer 状态随每次 sess(xt) 调用累积，torch.mps.empty_cache() 无法完全回收。脚本默认每 50 个样本重新加载一次模型（--reload_model_interval -1）以重置 allocator 状态。对于很短的波形，可适当增大该间隔以减少重载开销；设为 --reload_model_interval 0 可完全关闭。
对于长时间运行（数千个样本），即使反复重载模型也无法完全回收 Metal allocator 的进程级状态。推荐使用 --max_samples + 重启循环，借助进程退出让 OS 彻底回收内存：
while true; do
python scripts/run_picker_to_jsonl.py \
--h5_input 'data/hdf5/continuous_waveform_usa_*.h5' \
--output_jsonl data/picks/output.jsonl \
--picker_model pickers/pnsn.v1.jit \
--polar_model pickers/polar.onnx \
--device mps --max_samples 200
[ $? -ne 75 ] && break
done
脚本在达到 --max_samples 限制时以退出码 75 退出，全部完成时以退出码 0 退出。--resume 默认启用，每次重启均在数据集层面跳过已写入样本（不会重复从 HDF5 读取波形数据）。
CUDA
推荐使用 --num_workers 4 或更多，以并行化 HDF5 I/O 和 GPU 推理。Linux 上自动选择 spawn 上下文。CUDA allocator 不存在 TorchScript 状态积累问题，默认关闭模型重载。
CPU
单进程运行，无需特殊内存管理。
10.4 续跑机制
启动时脚本向 HDF5WaveformDataset 传入 skip_jsonl=output_jsonl。JSONL 被分割为多个字节范围块，通过 ThreadPoolExecutor 并行扫描。每条完成记录的样本 key 直接由其字段（h5_file、year_id、day_id、station_id、channel_family、channels）重建，匹配的索引项在 DataLoader 的任何 __getitem__ 调用之前被移除，对应的波形数据永远不会从 HDF5 读取。
对于超大 JSONL 文件（>10 GB），启动扫描可能需要 30–120 秒，但远少于重新推理的代价。
10.5 输出 JSONL 格式
每行输出一条独立的 JSON 记录，有两种 record_type：
"phase_pick" — 每个检测到的震相一条记录：
{
"record_type": "phase_pick",
"phase_id": 0,
"phase_name": "Pg",
"phase_prob": 0.987,
"phase_sample": 15234.0,
"phase_relative_time": 152.34,
"phase_time": "2019-07-01T00:02:32.340000Z",
"polarity": "U",
"polarity_prob": 0.912,
"polarity_available": true,
"snr": 12.4,
"amplitude": 3.14e-05,
"pre_std": 2.10e-06,
"post_std": 2.60e-05,
"pre_abs_p95": 4.11e-06,
"post_abs_p95": 5.87e-05,
"channels": ["BHE", "BHN", "BHZ"],
"channel_family": "BH",
"component_order": "E/N/Z or 1/2/3",
"is_z_only": false,
"z_only_replicated": false,
"waveform_shape": [8640001, 3],
"sampling_rate": 100.0,
"original_sampling_rate": 40.0,
"target_sampling_rate": 100.0,
"resampled": true,
"h5_file": "data/hdf5/continuous_waveform_usa_20190701.h5",
"year_id": "2019-01-01T00:00:00.000000Z",
"day_id": "2019-07-01T00:00:00.000000Z",
"station_info": {
"station_id": "BK.BDM.00",
"network": "BK",
"station": "BDM",
"location": "00",
"longitude": -122.2486,
"latitude": 37.8762,
"elevation": 276.0,
"location_available": true,
"position_in_time_range": true,
"position_is_fallback": false
}
}
"error" — 推理失败的样本记录一条错误：
{
"record_type": "error",
"station_id": "BK.BDM.00",
"h5_file": "...",
"year_id": "...",
"day_id": "...",
"sample_key": "...|...|...|...|BH|BHE,BHN,BHZ",
"error": "RuntimeError: ..."
}
phase_id → phase_name 对应关系：
phase_id |
phase_name |
|---|---|
| 0 | Pg |
| 1 | Sg |
| 2 | Pn |
| 3 | Sn |
| 4 | P |
| 5 | S |
11. 拾取评估：essd_scripts/evaluate_picks.py
将自动生成的震相拾取结果与保留来源信息的参考标注进行匹配；参考标注明确区分
人工与业务自动子集。SQLite 索引用于处理 40 GB 以上的 JSONL 文件。可选目录
data/validation/multimodel_phase_matching/ 中的匹配记录用于数据产品可用性和
格式互操作检查，不是相对模型评估证据；其大体量源自动拾取 JSONL 不属于该
版本化扩展。
11.1 工作流程
第一步 — 构建 SQLite 索引（首次运行）：
python essd_scripts/evaluate_picks.py \
--auto-jsonl data/picks/output.jsonl \
--index-db ~/output.index.sqlite \
--build-index \
--drop-existing
流式读取 JSONL，批量插入 SQLite（每批 50,000 条），并为 (station_id, phase_name, sec_key) 和 time_epoch 建立索引。索引文件通常比原始 JSONL 小 3–5 倍。
如果更新了源 JSONL 后重新构建索引，请使用 --drop-existing，避免旧拾取记录被保留。
第二步 — 评估召回率和残差：
python essd_scripts/evaluate_picks.py \
--auto-jsonl data/picks/output.jsonl \
--label-json data/label/annotations_for_continuous_hdf5.json \
--reference-db data/label/reference_arrivals.sqlite \
--index-db ~/output.index.sqlite \
--outdir eval_picks/eval_phasenet \
--tp-tol 1.5 \
--err-window 5.0
第三步 — 增加可选的目录条件化参考窗输出诊断：
python essd_scripts/evaluate_picks.py \
--auto-jsonl data/picks/output.jsonl \
--label-json data/label/annotations_for_continuous_hdf5.json \
--reference-db data/label/reference_arrivals.sqlite \
--index-db ~/output.index.sqlite \
--outdir eval_picks/eval_phasenet \
--tp-tol 1.5 \
--coverage-level C0 \
--output-eligibility-db data/label/output_eligibility.sqlite \
--output-name phasenet \
--reference-window-s 5 \
--reference-window-s 30
每个 --reference-window-s 值都是窗口半宽 T，且不得小于一对一匹配容限
epsilon = --tp-tol。程序采用与召回率相同的 C0--C3 覆盖配置，只保留位于指定
输出处理域内的人工参考震相，按精确台站位置和归一化震相合并 +/-T 窗口，再与
该输出的处理域取交集。输出包括目录条件化匹配比例、原始参考窗时长、有效处理窗
时长、eligible 参考数、匹配数和目录未匹配数。该量是 precision-oriented 的输出
诊断，不是传统完整连续流 precision 的估计。报告时必须同时声明覆盖等级、输出
处理域、T 和 epsilon。
第四步 — 生成图表（可选，需要 matplotlib + scipy）：
python essd_scripts/evaluate_picks.py \
--auto-jsonl data/picks/output.jsonl \
--label-json data/label/annotations_for_continuous_hdf5.json \
--reference-db data/label/reference_arrivals.sqlite \
--index-db ~/output.index.sqlite \
--outdir eval_picks/eval_phasenet \
--plot
查看索引统计：
python essd_scripts/evaluate_picks.py \
--index-db ~/output.index.sqlite \
--db-info
11.2 命令行参数
| 参数 | 默认值 | 说明 |
|---|---|---|
--auto-jsonl |
data/picks/skynet.phase.jsonl |
scripts/run_picker_to_jsonl.py 的输出 JSONL |
--label-json |
data/label/annotations_for_continuous_hdf5.json |
保留人工/业务自动来源的 CEED 格式标注 JSON |
--reference-db |
None |
reference_arrivals.sqlite 中的版本化 C0--C3 标志；与 --waveform-db 互斥 |
--index-db |
~/skynet.pick.index.sqlite |
SQLite 索引路径（建议放本地磁盘，见第 9.5 节） |
--outdir |
eval_picks/eval_skynet |
输出文件目录 |
--build-index |
开关 | 流式读取 JSONL 并构建 / 更新 SQLite 索引 |
--drop-existing |
开关 | 重建前删除现有索引表 |
--keep-raw-json |
开关 | 在 SQLite 中存储完整原始 JSON（大文件不推荐） |
--batch-size |
50000 |
索引构建时的 SQLite 批量插入大小 |
--tp-tol |
1.5 |
真正例（TP）判定容限（秒） |
--err-window |
5.0 |
残差分布统计的更宽搜索窗口（秒） |
--coverage-level |
C0 |
召回率与参考窗诊断共同采用的覆盖配置（C0--C3） |
--output-eligibility-db |
无 | 参考窗诊断所需的输出台站-时间处理域 SQLite |
--output-id、--output-name |
无 | 被评估输出的精确选择器；参考窗诊断必须二选一 |
--reference-window-s |
无 | 可选目录条件化参考窗匹配比例的半宽 T；可重复指定以报告敏感性 |
--min-prob |
None |
自动拾取的最低 phase_prob 阈值 |
--phase-map |
None |
标注震相到自动震相的映射（见下文） |
--plot |
开关 | 生成残差分布直方图和召回率柱状图 |
--db-info |
开关 | 打印索引中的拾取数量后退出 |
11.3 目录条件化参考窗匹配比例
对于精确台站位置 s 和归一化震相 phi，程序先选择满足声明的 C0--C3 覆盖
条件且位于被评估输出 eligibility 区间内的人工参考震相。合并
[t_r-T, t_r+T] 后，再将窗口并集与相同 eligibility 区间取交集。分子是
epsilon 内确定性一对一匹配数，分母是有效处理窗内的全部自动拾取；其余分母
拾取属于目录未匹配项，不能直接判定为错误检测。
当 T 较小时，该比例强烈依赖已知参考震相；随着 T 增大，会纳入更多连续输出，
但目录不完备性的影响也会增强。因此它是输出审计诊断，而不是传统 precision。
复用时必须保持覆盖、波形、参考与工作流处理域、预处理、阈值、震相映射、T、
epsilon 和一对一匹配规则一致，并同时报告原始参考窗时长和有效处理窗时长。
11.4 震相映射（Phase Map）
--phase-map 参数控制标注震相名称与自动拾取震相名称的匹配方式。默认归一化为：
P → P, Pg, Pn
S → S, Sg, Sn
Pg → Pg
Sg → Sg
Pn → Pn
Sn → Sn
在同一台站、归一化震相和标注子集中使用一对一匹配；同一条自动拾取不能同时匹配两条参考标注。确定性的时间有序分配先最大化真阳性容限内的匹配数，再考虑较宽诊断窗内的匹配数和总绝对残差。
用分号分隔的列表自定义：
# 标注 P 可匹配 Pg 或 Pn；标注 S 可匹配 Sg 或 Sn
--phase-map "P:Pg,Pn;S:Sg,Sn"
# 严格匹配：标注 P 只匹配 Pg
--phase-map "P:Pg;S:Sg"
11.5 标注 JSON 格式
标注文件采用嵌套结构：
years → days → events → stations → picks[]
每条拾取记录最少需要包含：
{
"phase": "P",
"time": "2019-07-01T00:02:32.340000Z",
"status": "manual",
"station_id": "BK.BDM.00"
}
可选字段：network、station、location、event_id、distance_km。
11.6 输出文件
所有输出写入 --outdir：
| 文件 | 说明 |
|---|---|
summary.json |
各震相和子集的召回率、残差和自动拾取统计，以及声明覆盖与工作流处理域的可选目录条件化参考窗匹配比例 |
summary.tsv |
与 summary.json 相同的内容，以制表符分隔，每行对应一个（子集，震相）组合 |
matches.jsonl |
每个标注拾取对应一行：是否匹配、残差（秒）、自动拾取概率、信噪比 |
figures/residual_fit_{subset}_{phase}.png |
残差直方图，叠加高斯和 Student-t 拟合 PDF |
figures/recall_bar.png |
各震相和子集的召回率柱状图 |
figures/auto_pick_count_bar.png |
按震相名称分组的自动拾取数量柱状图 |
报告子集： all（全部标注拾取）、manual（手动审核）、automatic（自动标注）。
summary.json 结构（摘录）：
{
"tp_tolerance_s": 1.5,
"residual_window_s": 5.0,
"label_phase_count_all_status": {"P": 1240, "S": 1198},
"subsets": {
"all": {
"P": {
"n_label": 1240,
"n_matched_within_tp_tol": 1102,
"recall": 0.889,
"residual_mean_s": 0.031,
"residual_std_s": 0.214,
"residual_median_s": 0.018,
"residual_abs_p90_s": 0.45,
"gaussian_fit_all_within_err_window": {"mean": 0.031, "std_mle": 0.213, "std_unbiased": 0.213},
"student_t_fit_all_within_err_window": {"df": 4.2, "loc": 0.029, "scale": 0.18}
}
}
},
"auto_pick_count": {
"total": 458320,
"by_auto_phase": {"Pg": 231044, "Sg": 198210, "Pn": 18700, "Sn": 10366},
"mapped_to_label_phase": {"P": 231044, "S": 198210}
}
}
12. REAL 关联：scripts/run_real_association.py
scripts/run_real_association.py 用来连接 SeismicX-Cont 的 picker JSONL
格式和 REAL 关联算法。脚本会编译 scripts/real/real.c，将自动拾取震相
归一化为 P/S，生成 REAL 输入文件，运行基于关联的事件检测，并将结果导出为
同时包含时间窗震相候选和关联事件的 workflow JSONL。该输出可直接用于事件
检测评估，也可以通过关联震相列表交给使用者自己的地震定位程序。
python scripts/run_real_association.py \
--picks-jsonl data/picks/pnsn_v3_diff.phase.jsonl \
--output-jsonl data/associated/real_events.jsonl \
--starttime 2019-07-01T00:00:00Z \
--endtime 2019-07-08T00:00:00Z
输出文件 data/associated/real_events.jsonl 包含一条
real_association_run 元信息记录、每个进入 REAL 的时间窗震相候选
real_input_pick 记录，以及每个关联事件 real_event 记录。事件中的每条
关联震相都包含 source_pick.real_input_pick_id，可回指到对应的时间窗震相，
再追溯到原始 picker JSONL 行号、台站信息、拾取概率、通道族和源 HDF5 文件。
旁边的 real_events.summary.json 记录筛选数量和 REAL 运行命令。
默认参数是用于跑通端到端流程的保守设置，不是最终编目生产参数。针对具体
picker、时间段和速度模型，可调整 --min-prob、--real-s、--real-r
和 --real-g。更详细的说明见 scripts/README_real_association.md。
关联 JSONL 有意保持简单。下游定位程序可以忽略 REAL 特有的诊断字段，只读取
real_event.picks[]：其中每条关联震相都包含台站、震相名、拾取时间，以及
回指到原始自动拾取记录的链接。如果关联器提供了初步的 latitude、
longitude 和 depth_km 字段，脚本会保留；但这些字段不是对接下游定位
流程的必需条件。
12.1 地震事件级目录对比
使用 essd_scripts/compare_associated_events.py 可以将关联得到的地震事件与
SeismicX-Cont 目录或任意符合格式约定的 event JSONL 进行对比：
python essd_scripts/compare_associated_events.py \
--pred-jsonl data/associated/real_events.jsonl \
--catalog data/label/annotations_for_continuous_hdf5.json \
--outdir eval_events/real_vs_catalog
当关联事件与参考目录事件满足震中距误差 < 20 km 且发震时刻误差 < 3 s
时，计为一个 TP 地震样本。脚本输出事件级 precision、recall、F1、相对于参考目录的
apparent false positives 和 false negatives，以及时间、位置、深度和震级误差统计。通用 event JSONL 格式见
essd_scripts/README_event_comparison.md。
13. 许可、引用与校验清单
许可按发布层分开说明。完整条款见 LICENSE 和 LICENSE_CLARIFICATION.md。
- HDF5 波形数据库产品是由源波形记录处理和结构化得到的衍生产品。该处理后 HDF5 波形层的发表和再分发已与相关美国地震数据提供方澄清，使用范围限于 非商业科学研究，并遵循与上游兼容的数据使用条款。
- SeismicX-Cont 作者生成的元数据 schema、文档、manifest、验证摘要、图件和 复用说明采用 CC BY 4.0。
scripts/、essd_scripts/、utils/和 notebooks 中的代码采用 MIT License。
HDF5 产品中的波形数组不由 SeismicX-Cont 重新授权为 CC BY 4.0。用户必须遵守 源数据提供方条款，并在适当情况下同时引用 SeismicX-Cont、SCEDC、NCEDC、 CEED 和贡献台网来源。
发布版本记录在 VERSION 中；正式发布时也应使用相同版本号作为 tag，例如
v1.0.0。机器可读引用元数据见 CITATION.cff。
主数据集的 SHA256 校验清单和文件大小清单可用下面的命令重新生成：
./scripts/write_manifest.sh
该脚本会写出 manifest_sha256.txt 和 manifest_filesizes.tsv，并排除本地构建产物、
论文文件、生成图件、mini 发布文件、临时文件、picker 输出和小时级中间子集。
HuggingFace 和 ModelScope 仓库使用同一组 manifest 对齐，因此任一平台的
下载都可以用相同的路径、SHA-256 校验值和文件大小进行核验。
ESSD 论文表格和图可用下面的一键命令从发布数据和评估输出中复现：
./essd_scripts/reproduce_manuscript_outputs.sh
该命令会把审计结果写入 essd_scripts/outputs/，并重建 figures/ 下的论文图件。
联系方式
SeismicX 由以下人员开发：
- Ziye Yu - yuziye@cea-igp.ac.cn
- Yuqi Cai - caiyuqiming@foxmail.com
- Xin Liu - xinliu_geo@outlook.com
- Fajun Miu -
- Tengchao Dong -
- Tingting Li - 972516012@qq.com
- Xinghui Huang - huangxinhui@seis.ac.cn
- Lu Li -
- Ming Ma - 925100762@qq.com
Built with ❤️ for the seismology community