微地震信号到时自动拾取方法

本文讨论了用于微地震信号到时自动拾取的几种方法的原理及特点,包括长短时均值比(STA/LTA)方法、AIC方法、基于高阶统计量偏斜度和峰度的PAI-S/K方法等,提出了移动时窗峰度的快速算法和改进的峰度拾取初至方法.对我国西部某地观测到的13359个微地震记录,采用两种时窗进行了初至到时拾取,并与人工拾取的结果进行了对比.为使所研究的方法达到最佳效果,采用DE全局搜索方法,以人工拾取的初至作为参照,以时差在0.3 s以内的记录所占百分比作为目标函数,自动搜索最佳的拾取参数.结果显示,在拾取时窗选为P波初至前3 s至S波初至位置时,AIC方法的结果最佳,时差在0.3 s以内的记录占比达到93.6%;在拾取时窗选为包含S波到时的时窗时,改进的峰度法效果最佳,时差在0.3 s以内的记录占比83.8%.     

基于自适应阈值约束的无监督聚类智能速度拾取

目前叠加速度的获取主要是通过人工拾取速度谱,存在着效率低、耗时长且易受人为因素影响的缺点.本文提出了一种基于自适应阈值约束的无监督聚类智能速度拾取方法,实现叠加速度的自动拾取,在保证速度拾取精度的同时提高拾取效率.利用时窗方法在速度谱中计算自适应阈值,从而识别出一次反射波速度能量团作为速度拾取的候选区域.然后,根据K均值方法将不同的速度能量团聚类,并将最终的聚类中心作为拾取的叠加速度.最后,依据人工拾取速度的经验,加入了离群速度点的后处理工作,以获得更光滑的速度场.模型和实际地震数据测试结果表明,本文提出的方法总体上与人工拾取叠加速度的精度相当,但明显提升了速度拾取效率,极大缓解了人工拾取负担.     

基于波形相似性的远震初至拾取方法进展与对比研究

远震初至拾取是地震学研究中的关键环节,它在地震定位、核爆炸检测以及远震层析成像中起着重要的作用.基于波形相似性的远震初至拾取方法利用互相关估计各地震道的相对时差,具有抗噪和拾取精度高的特点.目前流行的各种基于波形相似性的远震初至拾取方法的原理各不相同,在时窗参数设定、稳定性和计算效率等方面存在差异,有必要对不同方法进行总结,并对其精度和效率进行评价.本文针对多道互相关方法、迭代互相关叠加方法、自适应叠加方法、台网远震体波处理方法、改进多道互相关方法等五种基于波形相似性的初至拾取典型方法的特点,对比分析了各方法的精度、稳定性及其与时窗参数的关系.实际数据的应用结果显示:在相同数据条件下,改进多道互相关方法精度最高,台网远震体波处理方法次之,再次是多道互相关方法和迭代互相关叠加方法,自适应叠加方法最低.不同方法的稳定性对互相关时窗长度变化的敏感度不同,时窗过短或者过长均会造成拾取精度和稳定性的降低.当初至震相信号的时窗长度取主周期的1~2倍时,互相关时窗恰好覆盖初至震相起跳部分的波形,各种方法拾取初至的精度接近.在实际应用中,建议根据不同的震源子波类型、频率成分、噪声水平等采用不同的初至拾取策略以提高拾取的精度和稳定性.     

初至波能量比迭代拾取方法

本文提出了一种创新的初至波自动拾取方法,免人工干扰,抗干扰能力强,自动剔除低信噪比道,利用二次拾取保证初至拾取结果的可靠性和提高拾取道数.该方法首先利用空间多时窗内插方法,确定每道时窗位置,基于数字图像处理技术,计算初至时窗内地震数据每个采样点的能量比值,结合初至波波形和能量的特点确定初至时间的位置;然后利用相邻初至波相互约束对拾取的初至波进行评价,确定可信度低的初至波;最后利用可信度高的初至波作为约束条件对可信度低和未拾取的初至波二次拾取,二次拾取过程中利用能量、频率、波形等对初至波进行判断,剔除掉异常干扰道.本方法利用新的能量比值法在一定程度上能消除初至波到达前的随机干扰,初至评价和二次拾取有效地识别和剔除干扰道,提高二次拾取质量,减少手工交互的工作量,满足了地震勘探中对初至波拾取的要求.经过实际数据的应用表明,此算法对于初至波形变化较大、背景噪声干扰严重等的低信噪比资料,自动拾取初至的效率和精度都得到了预期的效果.     

地震道瞬时强度比法拾取初至波

本文结合地震记录时窗属性和瞬时属性特征,提出了一种改进算法一基于时窗的瞬时强度比法,该方法的基本原理是通过复数道分析来提取地震记录的瞬时属性,采用强度比来判断初至时间,研究表明,滑动时窗能量比法的处理效果较差,在拾取过程中对某些特殊点的处理上存在误差较大;而采用瞬时强度比法后,初至曲线的同向轴变得更加光滑,拾取异常点的情况大为减少,从而有效的提高拾取的精度.     

空变时窗约束地震波初至的拾取方法

地震资料初至波拾取是静校正处理中基础且繁重的工作,初至波自动拾取的方法研究具有重要的意义.本文介绍一种空变时窗约束地震波初至拾取的方法.该方法对共炮集记录排序,使排序后炮集中前后炮位置最近,根据坐标位置相近的记录初至波形态相似的认识,认为后一炮的初至基本就在以前一炮初至时间为中心的较小时窗内,以此为约束拾取每一炮初至....     

基于波形相似特征的微地震事件初至拾取及全局校正

微地震事件初至拾取是井下微地震监测数据处理的关键步骤之一.初至误差的存在会使微地震震源定位结果产生较大偏差,进而影响后续的压裂裂缝解释.通常初至拾取过程对所有的微地震事件选择相同的特征函数并采用一致的拾取参数进行统一处理,然而当事件的能量、震源机制、传播路径以及背景噪声等存在明显差异时,所得初至拾取结果差别显著.为了提高微地震事件初至拾取标准一致性,本文提出基于波形相似特征的初至拾取及全局校正方法.该方法首先利用互相关函数对每个事件内的各道记录进行时差校正,得到初始初至信息并形成叠加道,再对所有事件的叠加道进行全局互相关得到事件间初至相对校正量,最终初至结果可以通过各个事件的初始初至信息与其相对校正量相加得到.方法将所有微地震事件初至结果作为一个整体处理,从而能够克服常规方法初至拾取标准一致性差的缺陷.实际资料处理结果表明,相比于常规方法,该方法可以有效提高事件初至拾取和定位结果的一致性.     

一种地震P波和S波初至时间自动拾取的新方法

地震P波、S波初至时间的拾取是地震波分析的一项基础性工作.本文提出了一种新的地震波初至时间自动拾取的方法:首先,把地震波的三分量时程曲线变换为一组空间向的能量变化率时程曲线;然后对能量变化率时程曲线进行STA/LTA(Short Time Average/Long Time Average,短时间的均值/长时间的均值)处理,拾取地震P波和S波的大致初至时间;最后提出采用一种二次方自回归模型对初至附近的能量变化率曲线进行二次方自回归处理,精确拾取出P波和S波的初至时间.本文采用了10组芦山地震的记录数据和150组汶川地震的记录数据对此方法的可靠性进行了检验.以人工拾取结果为参考,此方法具有很高的准确率和稳定性,同时,相比于常用的STA/LTA方法和AIC(Akaike Information Criterion,Akaike信息准则)方法,此方法在计算时间效率方面稍微逊色,但是对S波初至时间的拾取精度和可靠性更高.此方法丰富了地震P波、S波初至时间的自动拾取方法.     

用振幅变化长短时均值比实现地震预警中P波自动拾取

地震P波到时快速、精确的自动拾取是实现地震预警的第一步。目前所有P波到时自动拾取方法都需要进一步考虑准确度问题,据此提出用"振幅变化"长短时均值比方法拾取P波到时。研究表明引进"振幅变化"作为特征函数比Allen的"振幅变化平方"更能突显地震波初至时刻的"突变"特征。对"振幅变化长短时均值比方法"和Allen的"振幅变化平方长短时均值比方法"进行抗噪音分析表明,在较低信噪比条件下,Allen方法不能准确地拾取P波到时,而新方法依然能较准确地拾取P波到时。在较高信噪比条件下,用两种方法拾取的160个M_S4.0地震P波到时,其误差大都在允许范围内,但新方法拾取的准确度略高。新方法可以看做是对长短时均值比方法的拓展。     

Hausdorff分数维识别地震道初至走时

地震波初至走时的识别在地震勘探、人工地震层析成像以及全球地震层析成像方法研究中起重要作用．初至走时拾取的精度在很大的程度上影响地震层析成像及演的精度．本研究以提高地震波初至走时拾取的精度及定量化程度为目标,利用计算地震道时间序列分数维的方法,实现了地震波初至走时的自动拾取．本文以分形理论为基础,进行了地震道时间序列Hausdorff分数维的计算．计算结果表明地震道时间序列的分数维在初至到达前后具有不同的数值,其变化点能够定量指示出初至走时的位置．本文还给出了利用该方法对实测数据进行初至走时拾取的实例．     

A first arrival picking method of microseismic data based on single time window with window length independent

First arrival picking is a key factor which affects the precision of microseismic data analysis. Here, we propose a new method, which employs the maximum eigenvalue to constraint the Maeda-Akaike Information Criterion (Maeda-AIC) algorithm. First, aims at addressing the pick result affected by signal-to-noise ratio (SNR) of microseismic data, maximum eigenvalue method based on polarization analysis is applied, and the maximum eigenvalue is calculated firstly, as for three component (3C) microseismic data, the maximum eigenvalue is calculated with corresponding covariance matrix, a time window need to be set in the process of building the covariance matrix, and it is the only time window set in the method proposed in this paper, so the method is called single window Maeda-AIC (SWM-AIC), to the single component (1C) microseismic data, the variance of the data is taken as the maximum eigenvalue. Then, to reduce the effect of time window and increase the automation of the algorithm, Maeda-AIC method which is a non-window-based first arrival picking method is applied. Maeda-AIC values in preliminary window are calculated, and the preliminary window is the sequence before the largest eigenvalue of the 3C or 1C data. We validate the developed method with both synthetic and field microseismic data, using a range of signal-to-noise ratios. The developed method is compared with some basic methods, specifically STA/LTA, Maeda-AIC, and the maximum eigenvalue method. The results demonstrate that the new method is much better at identifying first arrival times than basic methods when the data have a low signal-to-noise ratio, and is even faster than the STA/LTA method with 1C data. In contrast to other improved methods, threshold value is not required for this method, and the only time window used in this method is just for maximum eigenvalue calculation, through test in the paper, its length has almost no effect on the first arrival picking.     

时窗能量特征法拾取微地震波初始到时的可行性研究

微地震（MS）波初始到时的自动拾取是MS监测数据处理的关键技术之一,也是实现MS震源自动定位的技术难点.本文在MS震源定位结果反演与推断的研究基础上,对不同类型MS波的到时点特征进行了分析与描述,并对不同时窗长度下能量特征值的变化规律进行了研究,提出了控制时窗移动范围和确定时窗长度自适应参数的具体方法,利用建立的MS波初始到时点特征的模式识别库,对拾取的到时进行模式归类、定量评价和匹配,提高了自动拾取结果的可靠性.研究结果表明,对典型的信噪比高的MS波,到时自动拾取的结果与手工拾取的结果基本一致;对无量纲大振幅的MS波,到时自动拾取结果的可靠性要高于手工拾取,对信噪比低和到时点不清晰的MS波自动拾取的可靠性较低.     

A high accurate automated first-break picking method for seismic records from high-density acquisition in areas with a complex surface

As the application of high-density high-efficiency acquisition technology becomes more and more wide, the areas with complex surface conditions gradually become target exploration areas, and the first-break picking work of massive low signal-to-noise ratio data is a big challenge. The traditional method spends a lot of manpower and time to interactively pick first breaks, a large amount of interactive work affects the accuracy and efficiency of picking. In order to overcome the shortcoming that traditional methods have weak anti-noise to low signal-to-noise ratio primary wave, this paper proposes a high accurate automated first-break picking method for low signal-to-noise ratio primary wave from high-density acquisition in areas with a complex surface. Firstly, this method determines first-break time window using multi-azimuth spatial interpolation technology; then it uses the improved clustering algorithm to initially pick first breaks and then perform multi-angle comprehensive quality evaluation to first breaks according to the following sequence: ‘single trace → spread → single shot → multiple shots’ to identify the abnormal first breaks; finally it determines the optimal path through the constructed evaluation function and using the ant colony algorithm to correct abnormal first breaks. Multi-azimuth time window spatial interpolation technology provides the base for accurately picking first-break time; the clustering algorithm can effectively improve the picking accuracy rate of low signal-to-noise ratio primary waves; the multi-angle comprehensive quality evaluation can accurately and effectively eliminate abnormal first breaks; the ant colony algorithm can effectively improve the correction quality of low signal-to-noise ratio abnormal first breaks. By example analysis and comparing with the commonly used Akaike Information Criterion method, the automated first-break picking theory and technology studied in this paper has high picking accuracy and the ability to stably process low signal-to-noise ratio seismic data, has a significant effect on seismic records from high-density acquisition in areas with a complex surface and can meet the requirements of accuracy and efficiency for massive data near-surface modelling and statics calculation.     

相空间地震波初至时刻拾取

提出了一种新的地震波初至时刻拾取的方法,即将原始时间序列信号映射到相空间当中,通过其相空间图的特征进行初至时刻的拾取。相对于非常耗时的传统方法,本方法使得运算速度提高,结果更加精确稳定。     

地震检测与震相自动拾取研究

针对微震事件易受噪声干扰等特点,本文将STA/LTA方法和基于方差的AIC方法（var-AIC）相结合,在震相到时初步拾取的基础上,使用台站的德洛内（Delaunay）三角剖分及台站间最大走时差约束来减少噪声干扰的影响. 利用到时进行地震定位之后,根据台站预测到时,在设定的时间窗内对地震震相进行更精细的分析. 特别是针对微震事件信噪比低的特点,设计了基于偏振分析的拾取函数,根据窗内STA/LTA方法和var-AIC方法的拾取结果自动选择合适的值作为震相到时. 最后,对西昌流动地震台阵2013年304个单事件波形数据的分析处理和检验结果表明,本文方法较传统方法具有更高的地震事件检测能力和更高的震相拾取精度.      

三分向数据震相的自动识别

利用三分向地震数据,提出了一种自动检测Ｐ波和Ｓ波初至的算法。此算法组合使用了短时窗检测器ＤＳｐ和长时窗ＤＢｐ检测器,具有短时窗的较高精度和长时窗较低的误触发率。应用广东、福建和云南省的地震数据进行测试,结果表明：自动检测具有可靠的精度,地方震和近震Ｐ波到时误差小于０．２ｓ的超过８４％;Ｓ波到时误差小于０．５ｓ的超过７４％。     

基于深度卷积神经网络的地震震相拾取方法研究

地震震相拾取是地震数据自动处理的首要环节,包括了信号检测、到时估计和震相识别等过程,震相拾取的准确性直接影响到后续事件关联处理的性能,影响观测报告的质量.为了提高震相拾取的准确性,进而提高观测报告质量,本文采用深度卷积神经网络方法来解决震相拾取问题,构建了多任务卷积神经网络模型,设计了分类和回归的联合损失函数,定义了基于加权的分类损失函数,以三分量地震台站的波形数据作为输入,同时实现对震相的检测识别和到时的精确估计.利用美国南加州地震台网的200万条震相和噪声数据对模型进行训练、验证和测试,对于测试集中直达波P、S震相识别的查全率达到98%以上,到时估计的标准偏差分别为0.067s,0.082s.利用迁移学习和数据增强,将模型用于对我国东北地区台网的6个台站13000条数据的训练、验证和测试中,对该数据集P、S震相查全率分别达到91.21%、85.65%.基于迁移训练后的模型,设计了用于连续数据的震相拾取方法,利用连续的地震数据对该算法进行了实际应用测试,并与国家数据中心和中国地震局的观测报告进行比对,该方法的震相检测识别率平均可达84.5%,验证了该方法在实际应用中的有效性.本文所提出的方法展示了深度神经网络在地震震相拾取中的优异性能,为地震震相和事件的检测识别提供了新的思路.