地震監測對于檢測地震活動至關重要，從而減少潛在的地震相關自然災害（Hutton等人，2010年；Earle等人，2011年）。實時地震監測使得地震預警系統能夠在遠距離發生破壞性地震后立即發出警報，并在幾秒鐘內提供關鍵的信息（震源、震中位置、震級）。總體而言，地震監測有助于科學家更好地理解地震成核機制和板塊構造的趨勢。此外，地震監測還支持地震活躍地區的準備、減緩和應對破壞性震動危害，例如加利福尼亞沿海、日本、阿拉斯加和地中海地區。然而，精確的地震監測依賴于準確檢測關鍵地震相位（例如P波和S波），以便進行可靠的后續處理，包括關聯、定位、重新定位和地震活動的因果分析（Zhang等人，2019年）。

短期平均值/長期平均值比率（STA/LTA）方法（Allen，1978年）長期以來一直是從三分量地震圖中檢測P波和S波到達時間的行業標準。為了應對噪聲問題和選擇權衡參數（例如檢測閾值）的不確定性，已經出現了多種STA/LTA的變體，包括優化的STA/LTA方法（Lomax等人，2012年；Zhang等人，2018年）。利用機器學習技術來輔助到達時間檢測也已經被研究了一段時間。Murat和Rudman（1992年）開發了最早的神經網絡相位選擇器之一，設計了一些基于物理的特征輸入神經網絡。這些特征包括：（1）半個周期的峰值幅度；（2）半個周期前后較長窗口（例如0.3秒）內的RMS幅度比；（3）附近跡線中較短窗口（例如0.06秒）內的RMS幅度；以及兩個連續半個周期的峰值幅度比。Zhao和Takano（1999年）針對寬帶地震數據提出了類似的方法，結合了較低的誤報率和較高的短期準確性。許多深度學習方法致力于提高地震監測性能。其中，PhasNet（Zhu和Beroza，2019年）是一種基于卷積神經網絡（CNN）的方法，SCALODEEP（Saad等人，2021年）是一種以P波為導向的CNN方法，EQTransformer（Mousavi等人，2020年）是一種基于變換器架構的方法，而EQCCT（Saad等人，2023年）是最新的基于緊湊卷積變換器（CCT）的方法。最近，Cui等人（2025年）提出了一種基于多尺度通道注意力機制的地震檢測和選擇多任務框架。所有這些方法在寬帶三分量地震波形數據上都取得了成功且高度泛化的性能。

由于德克薩斯州西部的石油和天然氣生產，自21世紀初以來，該地區的地震活動就一直受到研究（Frohlich等人，2016年；Frohlich等人，2020年）。近年來，地震活動顯著增加，促使通過德克薩斯地震網絡（TexNet）（Savvaidis等人，2019年；Chen等人，2024a）進行了綜合的數據分析和管理工作。雖然先進的深度學習相位選擇器EQCCT已在德克薩斯州西部特拉華盆地部署用于近實時監測（Chen等人，2024b），但其在德克薩斯州其他地區以及世界各地的應用仍然有限，尤其是在站點分布稀疏和速度模型不太準確的地區。在這些情況下，當站點覆蓋范圍稀疏且EQCCT性能不高時，我們仍然主要依賴優化的STA/LTA方法（Lomax等人，2012年）來部署地震監測系統。然而，當震級閾值較低時（例如$<$$<$ 1.5 Ml），STA/LTA方法會產生大量誤報。在這里，我們提出了一種高度可靠的方法，通過開發混合淺層和深度學習（HSDL）方法來減少誤報，該方法結合了深度學習的EQCCT和淺層學習的XGBoost方法（Chen和Guestrin，2016年）。我們首先提取一些與物理相關的特征和基于EQCCT的特征，然后應用XGBoost方法進行二分類。結果表明，在中等規模的數據集上，準確率可以接近100%。XGBoost和隨機森林方法的比較顯示，在此類分類問題中，XGBoost的表現略好。本文的主要貢獻是HSDL框架的開發。結合淺層和深度學習可以更有效地解決復雜的實際問題。淺層學習方法，如決策樹、XGBoost或線性模型，在結構化或小型數據集上提供了可解釋性、效率和強大的性能。另一方面，深度學習擅長捕捉復雜的非線性關系，并從大型和非結構化數據中自動提取層次化特征。將兩者結合起來，可以創建既強大又可解釋的模型——提高泛化能力，增強訓練穩定性，并彌合數據驅動的洞察力和領域知識之間的差距。