小波变换应用于日长变化的研究进展

随着空间测地技术的发展,日长变化的观测资料已经达到了空前高的程度,迫切需要合适的数学工具和方法从这些高精度的观测资料中提取有价值的信息.近些年,小波变换被应用于天文学和地球科学的资料分析中,它通过伸缩和平移等运算对时间信号进行多尺度的细化分析,从中提取有效的信息.本文主要介绍了小波变换应用于日长变化的研究进展,并初步探讨该领域以后的研究方向.     

小震的综合识别研究ht

采用现代数字信号处理方法，对中国地震局地球物理研究所研制的数字地震仪在山西省大同地区1999年11月记录的三分向数字地震资料进行分析，研究了数字地震记录信号的自动识别．结果表明，通过采用长短时信号平均值比、谱分析和小波分析法提取特征参量进行综合识别的方法，可对地震信号进行人机交互式自动识别，且对多数ML＞2.0地震识别较好．      

用小波包识别地震和矿震

在能检测到天然地震和矿震的区域，这两类地震的快速识别无论对于区域台网和矿区台网都具有现实意义。这两类震动都是非稳态信号，用传统的Fourier变换不能提取出信号的特征信息，小波包分析方法却能很好提取出信号的特征信息。本文提供了一种基于非参数识别算法，即把信号变换到频域，然后再用奇异值分解作为统计工具，提取出信号的特征信息，作为识别天然地震和矿震的识别因子。以辽宁抚顺2001年1月1日到2003年6月30的18个矿震和16个天然地震，以及北京门头沟2001年1月1日到2002年12月31日的15个矿震和14个天然地震为样本，提取出识别因子。最后，用其它的天然地震和矿震资料检验了识别因子的识别率。     

天然地震与人工爆破地震波形的实时分类研究

本文从长短时间窗(LTA-STA)得到启发模拟实时波段类型识别.事件为首都圈及其附近的186个天然地震和174个人工爆破事件,用于抽取特征的波形信号为各观测台站波形3分量中的垂直分量波形,在各个事件的所有观测台站的垂直分量波形中,通过滑动窗口按同一准则去除被噪声淹没的部分台站波形,只选择留下未被噪声淹没的台站波形.对连续波形,使用长窗口沿波形时间轴进行滑动,每滑动一个步长就进行一次滤波处理,以滤除噪声,当滤波后的长窗口波形满足阈值条件,此时停止长窗口滑动.然后在滤波前的长时窗口中选取短时间窗口波形,提取特征,使用支持向量机进行分类训练和识别,最后以事件为单位进行识别,事件划分按以训练集为300个事件,测试集为60个事件进行划分,进行了训练和识别.然后又将训练集按照训练集240个事件,测试集120个事件进行划分.得到较好的识别结果.本文结果说明了波形类型实时识别的可行性,也可为后续实时波形检测和识别提供借鉴.     

汶川、玉树大地震前的地电场异常

"九五"以来,国内布设了地震地电场观测网,目前有100多个台正式投入观测,部分台站至今已积累了近十年的资料.期间发生了2008年5月12日汶川8.0级地震和2010年4月14日玉树7.1级等强烈地震,这对检验大地电场前兆方法的监测效果具有非常重要的意义.本文收集了汶川、玉树地震区附近的39个地电场观测台自投入运行以来的观测资料,并对全部资料的观测质量和映震情况进行了检查和分析,发现观测资料中存在不规则的与地磁场或固体潮汐变化相关的扰动变化,很难从中识别出地震前兆信息.为突出地震前兆信息,作者采用同台地电场观测的同一测向长、短极距测值的比值方法进行了分析处理.结果发现在地震前,多数台站的地电场观测资料存在不同形态的比值异常变化.研究结果表明,汶川、玉树地震前震源区附近的地电场观测资料中有较为丰富的地震前兆信息,只是由于这些信息混杂于正常大地电场变化的背景中,从原始观测数据中或使用常规的分析方法无法识别和提取.而使用本文的数据处理方法能有效地排除资料中来自大地电场的正常变化以及自然电场的远场变化,突出了近场的变化信息,使得地震前源自孕震区一定范围内的地电场异常信号容易识别.由图4可见,2002年的玉门5.9地震和2003年的山丹-民乐6.1地震前震源区的电场观测也出现了比值异常变化,而其他时段的比值曲线近似直线变化,因此表明本文地电场观测资料的分析处理方法是识别和提取观测资料中地震前兆信息的有效方法之一.分析结果还表明地电场前兆的不同形态可能与观测台的台址条件有关.     

基于经验模态分解的潮汐观测长趋势分析

运用经验模态分解方法,提取定点倾斜和应变固体潮观测数据的长趋势变化.通过对在震中周边600km范围内的地震台站的倾斜潮汐长趋势变化进行倾斜矢量分析,发现在2010年4月14日青海玉树Ms7.1地震前,距震中31km的玉树台倾斜矢量曲线出现“打结”现象.同时,对该区域内的应变潮汐长趋势变化进行面应变分析,发现处于玉树—甘...     

基于EMD的IMF时域统计特征提取及其应用于震动事件源类型识别研究

文章对地震波形进行经验模态分解(EMD),对分解后的内模函数(IMF)进行时域特征提取,由所提取的特征对天然地震和人工爆炸2类事件源类型进行分类识别,结果表明,由IMF所提取的时域特征具有良好的区分识别能力.采用经验模态分解将原波形信号分解为7个内模函数和残差函数,对原波形、每个内模函数和残差函数分别提取26个时域统计...     

地球物理信号特征识别与解释的机器学习方法及应用综述

地球物理信号是地下介质对物理场的响应,其特征是解释地下结构和性质的主要依据.但受限于地下介质构造及物性分布特征的复杂性,地球物理信号特征的识别和解释具有不确定性.机器学习基于数据与特征的映射关系为判别地球物理信号特征和解释提供了新的思路和方法.本文围绕机器学习方法在地球物理信号特征识别及解释应用主题,梳理得到机器学习用于地球物理信号特征识别与解释的一般逻辑思路和工作流程,在提炼机器学习所涉及的处理技术和评价体系的基础上,进一步总结了机器学习在解决岩石图像识别与分类、地层岩性预测与成图、地震事件检测和到时提取、微小地震信号解释等问题时的技术要点;并对深度学习模型和简单的机器学习模型针对不同地球物理信号进行特征识别与解释的适用性和应用实效进行了分析.针对目前的发展趋势和已有研究,对机器学习在地球物理信号特征识别应用方面进行了讨论和展望.     

1965～2005年西北太平洋边缘海区海面变化记录的ENSO信号及其时空分异特征

海面变化记录中隐含着全球和区域变化的重要信息,对这些信号的分离、提取并揭示其变化特征,是深入理解海面变化机制的前提和基础.基于西北太平洋边缘海区10个验潮站1965～2005年月均验潮序列,利用二阶统计量盲源识别（SOBI）方法进行信号分离,结合EMD方法提取海面变化记录中ENSO信号,进而应用小波分析方法探讨了ENSO信号的时空分异特征.结果表明：各站位验潮序列记录了不同类型、不同强度ENSO事件,并表现出显著的时空分异特征,低纬海面对ENSO的响应明显较中高纬强烈;受洋流、地形等要素影响,海面变化对ENSO事件的记录存在型变;海面变化同样揭示了ENSO事件的尺度变化特征,自20世纪80年代以来,坎门以南各站位对ENSO的响应显著增强,其尺度从4年左右逐渐扩展到2～8年,反映了ENSO强度及频率的变化;海面变化记录的强ENSO事件发生前后,在特定尺度上出现相位的反向变化,支持了强ENSO事件的发生可能与尺度间相互耦合与叠加有关的研究结论.     

基于经验模态分解的地震波特征提取的研究

本文原始数据为35个天然地震和27个人工爆破事件的离震中最近的5个台站的垂直分量波形数据.从原始波形数据分别提取最大振幅对应的周期、倒谱的方差、自相关函数的最大值3个特征.依据希尔伯特黄变换原理,用经验模态分解方法把原始波形信号分解为10个左右的本征模态函数分量后,再从每个分量中分别提取这3个特征.接着对所获取的特征样本集合采用随机划分法分为学习样本集与检验样本集,然后再通过支持向量机进行分类识别,如此反复进行多次样本划分和分类识别.结果表明经验模态分解后的分量信号提取的这3个特征具有更高的识别率,说明了经验模态分解有利于识别天然地震和人工爆破事件,值得进一步深入研究.