秒級 · Seconds
關鍵設施的自動防護
把這數秒接進關鍵基礎設施的自動防護或停機決策—— 讓警報直接觸發行動，而不只是一則通知。
關於藍震
從一行波形，
到一則地震速報。
藍震以深度學習與地震學為核心能力， 專注把連續波形轉化成可信賴的地震資訊。
做的始終是同一件事： 把難以捉摸的地動訊號，變成可即時行動的判斷。
從訊號到應用 · From signal to application
同一條訊號，
讀成三種能用上的成果。
一條連續波形進來，沿兩條路徑展開——一條搶時間、一條看全局—— 落成三個不同時間尺度的成果，各自服務真實的現場。
連續波形
測站 7×24 不間斷送進來的原始地動訊號。
秒級
相位拾取
深度學習在雜訊中找出 P、S 波到時——所有判斷的起點。
秒級
地震早期預警
累積數站的到時後即可估算，不必等完整目錄，在強震波抵達前搶下數秒反應時間。
近即時
地震目錄
彙整多站到時，定出每次地震的位置、規模與時間。
長期
背景與異常
從累積目錄建立背景地震活動，辨識偏離，指向值得調查的地下變化。
這些成果，用在哪 · In the field
近即時 · Near-real-time
監測與防災的資訊基礎
為監測網與防災單位提供穩定、可重現的近即時地震資訊， 成為後續研判與發布的共同依據。
長期 · Long-term
與你共同開發
背景與異常偵測這塊，藍震有深度學習的底子—— 期待從你的資料與場景出發，一起把它做出來。
系統實況 · In operation
看它跑起來。
全台 472 個測站的連續波形即時進站，模型同步偵測、標出 P 波到時—— 這是 2025 年大埔地震餘震序列期間，監測畫面的真實樣貌。此監測系統與中央氣象署合作開發。
我們做什麼 · 地震 AI
把研究方法，
變成上得了線的系統。
藍震結合多年地震 AI 的研究經驗與工程能力， 搭建訓練管線、整合即時資料流，把研究方法落地成能在生產環境穩定運行的系統。 下方是這份能力的具體展現。
方法研究
從 loss、訓練策略到資料工程，以紮實的研究經驗，從模型層級提升效能上限。
訓練管線與環境
搭建可重現、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
把模型整合進即時資料流（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遇到的 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，在標準測試集上把有效 S 相位偵測數提升 64%。 程式碼公開於 github.com/SeisBlue/BlueDisc。 想用白話了解，可讀這篇科普：AI 為什麼老是漏看 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。平台把連續波形進入、相位拾取、 到輸出地震目錄的整段流程，封裝成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 落地的工程核心—— 訓練環境搭建、訓練管線設計，到產品級部署。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
文章 · Articles
地震 AI 的
研究與科普筆記。
把模型、損失函數與真實資料背後的故事，寫成讀得懂的文字。
聯絡我們
與藍震合作，
從一封信開始。
- 模型導入與客製 把地震 AI 模型接進你既有的監測網或資料流。
- 系統整合與部署 從訓練管線到 7×24 生產環境，協助穩定上線。
- 研究與資料委託 相位拾取、地震序列重建與方法驗證。
藍震有限公司 SeisBlue Co., Ltd.
- 主要聯絡jimmy [at] seisblue.com
- 地址臺北市松山區南京東路 4 段 186 號 6 樓之 3
- GitHubgithub.com/SeisBlue