高阶统计量及AIC方法在区域地震事件和直达P波初动识别中的应用

利用高阶统计量（偏斜度和峰度）与赤池信息量准则（简称AIC）相结合,进行区域地震事件实时检测和P波初至精细识别的新方法研究,通过处理山东地震台网记录的地震波资料,结果表明：应用高阶统计量（偏斜度和峰度,尤其是峰度）能够有效识别地震事件,降低地震事件的错误报警率和漏报率;与人工识别震相到时结果相比,根据Ske-AIC、Kur-AIC震相自动识别方法得到的震相到时的平均绝对值误差小.     

基于小波包和峰度赤池信息量准则的P波震相自动识别方法

基于小波包变换和峰度赤池信息量准则(AIC), 提出了一种新的自动识别P波震相的综合方法, 即小波包-峰度AIC方法． 首先对由加权长短时窗平均比(STA/LTA)法粗略确定的P波到时前后3 s的记录进行小波包三尺度的分解与重构, 分别计算每个尺度重构信号的峰度AIC曲线并将其叠加, 叠加曲线的最小值则为P波震相到时; 然后对原始地震记录进行有限冲激响应自适应滤波以提高信噪比和识别精度; 最后将小波包-峰度AIC方法应用到合成理论地震图及实际地震记录的P波初至自动识别中. 结果表明: 初至清晰度对识别精度的影响比信噪比对其影响更大; 与单独使用加权STA/LTA方法和峰度AIC法相比, 小波包-峰度AIC法具有更强的抗噪能力, 识别精度更高; 当初至清晰时, 小波包-峰度AIC法自动识别与人工识别的P波到时平均绝对差值为(0.077±0.075) s．      

区域地震信号自动识别方法及应用(英文)

地震信号的实时、自动、准确识别对于地震自动速报和地震预警十分重要。仿真信号试验分析表明,观测数据的四阶统计量函数(BKCF)对信号与噪声在能量和(或)频率方面的微弱差异变化具有较高的分辨能力。以此为基础,本文提出了一种新的自动探测区域地震事件的方法和测定直达波震相到时的BKCF-AIC方法。为了进一步提高波震相到时测定的精度,本文首先对指定时段的P-波记录进行偏振特性分析,其次对含有P波的S波记录进行偏振滤波处理,再次应用上述方法测定震相到时。与传统算法相比,基于山东测震台网记录的区域地震震例分析结果表明,使用本文提出的方法能够大幅度降低地震事件误检、漏检率,进一步提高了震相识别精度。     

用B-样条双正交小波拾取P波到时

地震波包含有许多震相,这些震相蕴涵着丰富的地球物理信息,反映了震源、传播路径等介质的特征,识别这些震相对于了解震源机制、地层结构以及地震波特性是很重要的.地震事件检测的一个重要目的是在地震发生前后提供地震的相关信息,以减少或避免地震带来的损失.由于P波和S波的特殊性,地震事件检测主要是识别P波和S波以及确定它们的到时,因此准确而高效地确定P波和S波到时方法的研究成为众多地球物理学家的研究热点.     

P波自动识别算法及其在四川地震台网中的应用

采用了三种P波自动识别算法对四川地区单台记录的单个地震事件和连续波形进行了测试,结果表明:(1)STA/LTA算法简单高效,无论单个地震事件还是连续波形都能对P波到时有较好的识别效果,但需要挑选时窗长度及阈值以权衡虚报率和漏报率;(2)MER和AIC算法对单个地震P波到时识别精度高,但无法从连续波形中识别单个地震事件;(3)无论哪种方法都无法做到不经过任何其他处理而直接从单一算法中获得准确的S波到时数据;(4)利用多台P波震相的自动识别数据,完全可以实现地震的自动定位。     

基于支持向量机的地震体波震相自动识别及到时自动拾取

面对海量地震资料,自动准确地拾取震相并确定其到时的需求非常迫切.基于支持向量机技术,本文提出了使用两个分类器SSD和SPS自动识别地震体波震相并自动拾取其到时的方法.相比于传统的自动拾取方法,本文方法能够更准确地识别震相并区分P波和S波.进一步地,我们提出了利用台阵资料辅助识别震相的方案,有效地提高了地震震相拾取的准确率.     

应用单台垂向记录进行区域地震事件实时检测和直达犘波初动自动识别

提出一种基于直达P波信号和其它背景噪声在能量、非高斯性、非线性和偏振特性的不同而进行区域地震事件实时检测的新方法信噪综合差异特征量方法（简写为EFGLP方法）,同时对比分析了应用信号的不同统计特性来精细识别震相初至的３种有效方法,其中的TOC AIC方法是新提出的．应用山东数字地震波资料处理的结果表明:①与常规的STA/LTA地震事件触发算法相比,EFGLP方法能够有效降低地震事件的错误报警率和漏报率;②与人机交互震相识别结果相比,当信噪比比较低、震相初至比较模糊时,3种震相精细识别方法中的TOC-AIC方法识别精度最高;当信噪比比较高、震相初至比较清晰时,基于VAR-AIC 和TOC-AIC方法所测量得到的震相初至识别基本一致．      

基于S变换的高频全球导航卫星系统同震数据的震相识别研究

为研究高频全球导航卫星系统（GNSS）信号的P波和S波到时,本文利用2008年汶川M_S8.0地震震时部分站点记录到的1 Hz高频GNSS数据,采用广义S变换将同震信号进行二维时频域平面分解,以此对P波和S波到时进行识别。本文通过调整广义S变换中的调节因子λ_a和p得出,当λ_a＝1.05,p＝1.05时,变换所得图像中的P波和S波到时均较为明显。结果表明,S变换在高频GNSS震相识别中效果明显,可作为GNSS地震学应用中一项有效的技术手段。      

一种基于模板匹配的震相关联和提取技术及其初步应用

本文提出一套有别于常规模板匹配算法的流程,不仅能够提供被识别地震的时间、空间、强度信息,还可根据震相关联提取每个地震对应的震相到时资料供后续研究使用。该流程基本原理为:地震事件发生会使得震相记录在时间上趋于丛集,因此可利用密度聚类方法对震相信息进行提取。具体实现步骤为:(1)对采用相同降采样和滤波处理的模板事件和连续波形进行互相关系数计算,挑选相关性超过阈值的到时信息形成离散时间序列;(2)对整个序列进行DBSCAN聚类分析并对每个聚类簇开展自洽性检验,获取单个地震的震相关联,进而提取震相到时;(3)通过去重复事件、震级测算与定位获得最终的结果。将该方法应用到龙门山断裂带南段地震空区,结果显示,2013年5月至2016年12月,35个模板共获得了93个确切的地震信息,是所使用模板的2.65倍,包含390条P波震相以及791条S波震相。绝大部分模板并没有识别出自身的重复/相似地震,而被识别出的地震是由少量模板匹配成功的,主要分布于双河和安顺附近。精定位结果显示,双石-大川断裂倾向NW,同时在安顺以西可能存在某条不知名的、浅部直立、深部倾向NW的"铲状"断裂,震源深度与芦山地震序列类似,存在自SW至NE变深的现象,可能反映了龙门山断裂带南段不同段落具有类似的构造特征。测试结果表明,本文设计的流程可提供包括震源参数和每个地震震相到时信息在内的完整震相报告,在模板识别领域可作为一套计算机自主处理的可行方案。     

剪切波分裂中的快、慢波识别方法

本文改进了两种震相识别方法。用最大特征值法可识别快、慢剪切波到时,用波形识别算子法可确定快剪切波的到时及其序列。将两种方法结合起来,可比较和鉴别地震波的到时及其类型,从而可以避免将转换P波误认为快剪切波,达到最终确定剪切波到时及其序列的目的。以1985年禄劝Ms6.1地震为例,用上述方法进行了剪切波分裂的研究,结果与张性扩容各向异性假说是一致的。     

地震记录的P波自动捡拾

震相到时的精确捡拾是地震定位的关键所在,是进行地震预警的前提.对云南测震台网的观测数据进行P波自动捡拾试验.用基于幅值和频率的P波识别方法和STA/LTA方法捡拾到的P波到时,与人工捡拾的结果比较接近,取得较好的结果;用该方法对云南强震台网的部分强震记录的竖向资料进行P波到时自动识别,也获得了较好的结果.     

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U形卷积神经网络的震相识别与到时拾取方法研究

精确获取震相到时是地震定位和地震走时成像等研究的重要基础.近年来,随着地震台站的不断加密,地震台网监测到的地震数量成倍增长,发展快速、准确、适用性强的震相到时自动拾取算法是地震行业的迫切需求.本文在前人工作基础上,发展了Pg、Sg震相自动识别与到时拾取的U网络算法（Unet_cea）,使用汶川余震和首都圈地震台网记录的89344个不同震级、不同信噪比的样本进行训练和测试.研究表明,U网络能够较好地识别Pg、Sg震相类型和拾取到时,Pg、Sg震相的正确识别率分别为81%和79.1%,与人工标注到时的均方根误差分别为0.41 s和0.54 s.U网络在命中率、均方根误差等性能指标上均明显优于STA/LTA和峰度分析自动拾取方法.研究获得的最优模型可以为区域地震台网的自动处理提供辅助.     

初至震相自动识别方法研究与发展趋势

地震波中震相检测、识别是地震学研究的一个基础性和关键性工作环节。初至震相的自动检测可大大提高地震速报的速度,为震后应急赢得宝贵时间。本文对国内外初至震相的自动检测方法的研究现状进行了阐述,对初至震相自动识别的发展趋势进行了展望。     

Automatic detection of P- and S-wave arrival times: new strategies based on the modified fractal method and basic matching pursuit

In this work, new strategies for automatic identification of P- and S-wave arrival times from digital recorded local seismograms are proposed and analyzed. The database of arrival times previously identified by a human reader was compared with automatic identification techniques based on the Fourier transformation in reduced time (spectrograms), fractal analysis, and the basic matching pursuit algorithm. The first two techniques were used to identify the P-wave arrival times, while the third was used for the identification of the S-wave. For validation, the results were compared with the short-time average over long-time average (STA/LTA) of Rietbrock et al., Geophys Res Lett 39(8), (2012) for the database of aftershocks of the 2010 Maule M _w = 8.8 earthquake. The identifiers proposed in this work exhibit good results that outperform the STA/LTA identifier in many scenarios. The average difference from the reference picks (times obtained by the human reader) in P- and S-wave arrival times is ～ 1 s.     

Deep learning for P-wave arrival picking in earthquake early warning

Fast and accurate P-wave arrival picking significantly affects the performance of earthquake early warning(EEW)systems.Automated P-wave picking algorithms used in EEW have encountered problems of falsely picking up noise,missing P-waves and inaccurate P-wave arrival estimation.To address these issues,an automatic algorithm based on the convolution neural network(DPick)was developed,and trained with a moderate number of data sets of 17,717 accelerograms.Compared to the widely used approach of the short-term average/long-term average of signal characteristic function(STA/LTA),DPick is 1.6 times less likely to detect noise as a P-wave,and 76 times less likely to miss P-waves.In terms of estimating P-wave arrival time,when the detection task is completed within 1 s,DPick′s detection occurrence is 7.4 times that of STA/LTA in the 0.05 s error band,and 1.6 times when the error band is 0.10 s.This verified that the proposed method has the potential for wide applications in EEW.     

河南平顶山平煤矿区天然地震和人工爆破的波形特征及识别判据

基于河南测震台网记录的平顶山平煤矿区及周边发生的天然地震和人工爆破资料,按照直观、可快速识别的要求,选用发震时刻、P波初动方向、振幅比、振幅与尾波持续时间比等方法,对该地区天然地震和人工爆破进行对比分析。结果表明,P波与S波最大振幅之比（Pm/Sm）是识别该地区地震类型的最有效判据;P波初动振幅与S波最大振幅之比（Pc/Sm）和S波最大振幅与尾波持续时间之比（Sm/T）2种方法可以作为辅助判据,以提高识别地震类型的准确性。     

近震S波震相实时自动识别方法研究

提出了一种用于地震早期预警的S波震相实时自动识别方法. 该方法不对原始信号进行任何滤波处理, 直接对三分向记录进行计算分析. 首先根据P波前0.5 s数据的卓越频率计算适用于该三分向记录的窗长, 采用由偏斜角和水平能量与总能量比值的平方积作为确定S波识别区间的特征函数, 将特征函数已有数据的5倍均值和5倍方差之和作为识别区间的触发阈值; 然后采用VAR-AIC方法对两个水平分向识别区间的数据分别计算分析, 对两个识别结果进行判断, 最终确定S波初动时刻. 经过对118个三分向记录的实际应用验证, 通过自动识别结果与人机交互震相识别结果相比, 本文方法对于S波相对P波尾波信噪比大于5 dB的地震记录, 其识别误差小于0.1 s的概率高达89.39%.