STA/LTA方法拾取天然地震波初至及其改进分析

长短时窗均值比（Short Term Average/Long Term Average,STA/LTA）方法因原理简单、实时性强,在地震波初至拾取中应用最为广泛．传统STA/LTA方法阈值选取依赖于人工经验,且其针对单一信号设定的阈值无法适用于不同类型的地震记录．针对此问题,本文通过建立阈值与背景噪声之间的联系,提出两种基于参考阈值拾取地震波初至新方法,即基于参考阈值的STA/LTA方法与基于参考阈值的STA/LTA改进法．首先,分析不同特征函数拾取地震波初至的灵敏度,引用关于信噪比（Signal-to-Noise Ratio,SNR）的特征函数抑制背景噪声干扰,降低阈值选取的难度;其次,给出不同背景噪声环境下阈值的计算公式,将阈值选取建立在严密的数学推导之上,提出基于参考阈值的STA/LTA方法;最后,针对天然地震背景噪声复杂,地震波初至拾取受短时强噪声干扰大的问题,通过改进时窗位置并加入取消时窗的方法提高算法的抗干扰能力,提出了基于参考阈值的STA/LTA改进法．实际地震数据处理结果表明,本文提出的两种方法能够克服固定阈值不能适用于所有地震记录的缺点,相较于传统STA/LTA方法...     

STA/LTA—AIC算法对地震P波震相拾取稳定性影响

选取区域地震台网记录的地震波形数据,使用STA/LTA算法与STA/LTA—AIC算法,进行地震P波震相初至到时自动拾取,对地方震及震中距较大的震相进行P波震相拾取效果分析,发现:STA/LTA算法对于地方震P波震相识别精度较高,与STA/LTA—AIC算法拾取的P波震相初至到时相差不大;震中距变大后,STA/LTA算法对P波拾取位置相对于最佳位置向后延迟,STA/LTA—AIC算法有效矫正了STA/LTA算法拾取位置的延迟问题,与人工拾取位置差别可忽略不计。     

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%.     

利用标准时频变换方法在强噪声环境下无偏拾取地震P波、S波到时

地震P波、S波到时是精确分析地震水平位置、深度与速度结构等的重要参数,如何准确拾取P波和S波到时是地震学的一项重要的基础工作.大数据量与强噪声环境给地震到时的自动拾取带来了很大挑战.在频率域中可将信号与噪声分离,但会造成震相的偏移.针对上述问题,本文在STA/LTA、AIC方法的基础上,引入了标准时频变换(Normal...     

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．      

STA/LTA算法拾取微地震事件P波到时对比研究

本文将HZ-MS48微地震采集仪监测的实际数据,利用STA/LTA算法来识别微地震事件P波到时.比较了在不同STA(短时窗平均值)情况下对拾取精度和结果的影响.结果表明:此算法确定信噪比比较高的微地震事件是非常有效的,能精确拾取P波到时.利用5ms、10ms、20ms三种不同的短时窗处理数据,发现对P波拾取的敏感程度不同,短时窗的值越大,拾取P波的敏感性越低,拾取精度降低,触发的阈值应随着短时窗的增加而减小.     

岩石超声检测信号初至的AIC自动拾取方法

岩石超声检测中最重要的一个环节是初至的拾取,然而该项工作往往费时费力,拾取精度受人为因素影响较大。为提高声波速度检测、声发射定位、以及超声层析成像的应用效率和精度,本研究将地震学中应用比较广泛的AIC初至自动提取技术引入到岩石超声检测中,并进行了适当改进。利用改进前后的AIC方法,自动拾取仿真信号和实际信号的初至,并利用长短时窗比方法(STA/LTA)和手动方法拾取了初至,同时分别与设定的实际初至进行对比。根据实验结果,对于信噪比较低的信号AIC方法要优于STA/LTA方法;改进前的AIC方法适用于起跳干脆、幅度变化大的信号,而改进后的AIC方法则适用于起跳较平缓的信号,且拾取到的初至与手动拾取的初至更加接近。      

通过无监督机器学习自动拾取微震事件

高效的波至拾取在微震和地震数据处理及成像过程中起到重要作用。广泛使用的基于波至拾取算法的短期平均和长期平均比(STA/LTA),对中强度随机环境噪声的敏感程度较低。为了使最先进的波至拾取方法奏效,首先需要对微震数据进行预处理,例如,消除足量的噪声,再由波至拾取法进行分析。为了解决微震或地震事件波至拾取的噪声问题,利用机器学习技术帮助识别微震或地震数据中的地震波形。由于受监督机器学习算法对大量设计好的训练数据具有依赖性,本文利用无监督机器学习算法将时间样本分为两组,即波形点和非波形点。已证明模糊聚类算法可以运用于微震拾取。一组复杂程度不同的合成、真实微震和地震数据集表明,即使在中强背景噪声情况下,该方法在拾取微震事件方面比最先进的STA/LTA方法表现得更稳健。     

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．     

用于地震预警的P波震相到时自动拾取

P波震相的自动拾取可用于地震预警中地震事件判别和地震定位,是实现基于地震台网地震预警的首要条件.针对地震预警中P波震相拾取的特点,本文发展了一套基于长短时平均(STA/LTA)和池赤准则(AIC)算法的多步骤P波自动拾取技术,应用Delaunay三角剖分提出了一种非几何相关的干扰信号剔除方法,并应用福建省数字地震台网记录对方法进行了验证,目前方法已经用到了福建省地震预警试验系统中.     

Active Source Seismic Identification and Automatic Picking of the P-wave First Arrival Using a Convolutional Neural Network

In seismic data processing, picking of the P-wave first arrivals takes up plenty of time and labor, and its accuracy plays a key role in imaging seismic structures. Based on the convolution neural network (CNN), we propose a new method to pick up the P-wave first arrivals automatically. Emitted from MINI28 vibroseis in the Jingdezhen seismic experiment, the vertical component of seismic waveforms recorded by EPS 32-bit portable seismometers are used for manually picking up the first arrivals (a total of 7242). Based on these arrivals, we establish the training and testing sets, including 25,290 event samples and 710,616 noise samples (length of each sample:2s). After 3,000 steps of training, we obtain a convergent CNN model, which can automatically classify seismic events and noise samples with high accuracy (> 99%). With the trained CNN model, we scan continuous seismic records and take the maximum output (probability of a seismic event) as the P-wave first arrival time. Compared with STA/LTA (short time average/long time average), our method shows higher precision and stronger anti-noise ability, especially with the low SNR seismic data. This CNN method is of great significance for promoting the intellectualization of seismic data processing, improving the resolution of seismic imaging, and promoting the joint inversion of active and passive sources.     

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.     

强噪声环境下基于信噪比的地震P波到时自动提取方法

大数据量、强噪声环境给地震P波到时的自动提取带来很大挑战.针对此问题,本文通过构建特殊的特征函数,建立SNR与STA/LTA的内在联系,提出两种基于SNR的地震P波到时自动提取方法,即基于SNR的STA/LTA方法与基于SNR的综合方法.这两种方法分别是运用SNR概念对传统STA/LTA方法和STA/LTA与AIC综合方法的改进.仿真分析结果表明:对于弱噪声环境(10dB)和一般噪声环境(6dB),本文方法较传统STA/LTA方法对地震P波到时提取的准确度更高;而对于强噪声环境(3dB),本文方法仍能准确提取地震P波到时,而传统STA/LTA方法则出现了较大的误判率(10%)与漏判率(65%).本文方法为STA/LTA赋予了明确的物理意义,使其阈值的选取建立在严密的数学推导之上.另外,本文方法在进行地震P波到时自动提取的同时,兼具数据预处理功能,无需额外的基线校正或高通滤波,因而具有较好的实时性.     

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.      

基于加权K均值聚类的多属性初至拾取方法

为提高初至拾取方法的准确性和自适应能力,将变异系数加权K均值聚类算法引入初至拾取中。首先提取均方根振幅、相邻道相关性、线积分、振幅谱主频等多种地震属性;然后针对地震属性进行加权K均值聚类,自动识别初至所在时窗;最后结合相位校正法,实现时窗内初至波起跳时间的拾取。在此基础上通过实际数据测试,并与长短时窗能量比法、反向传播神经网络方法对比,验证了本文方法的有效性与可行性。结果表明,基于加权K均值聚类的多属性初至拾取方法能较快速、准确地拾取低信噪比数据的初至,并且无需人为判断时窗,从而提高了拾取的自适应能力。      

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.     

深度神经网络拾取地震P和S波到时

从地震波形数据中快速准确地提取各个震相的到时是地震学中的基础问题.本文针对上述问题提出了利用深度神经网络拾取到时的新方法,建立了用于地震到时提取的17层Inception深度网络模型,在对原始三分量数据进行高通滤波和归一化处理后输入网络直接输出到时信息.整个过程基于神经网络自适应提取波形特征,自动输出结果.通过对100组加了不同强度的噪声数据进行了可靠性检验,相比于其他方法神经网络方法对于噪声具有较高的容忍度以及稳定性,并且与地震目录数据有较高的相似性.相比于AR-AIC+STA/LTA,深度神经网络虽然运算速度稍慢,但整个过程不需设定时窗与阈值,同时具有更高的可用性,并且可以迭代升级以提高精度.此方法作为人工智能方法,为波形到时拾取提供了新思路.     

基于深度学习卷积神经网络的地震波形自动分类与识别

发展高效、高精度、普适性强的自动波形拾取算法在地震大数据时代背景下显得越来越重要.波形自动拾取算法的主要挑战来自如何适应不同区域的不同类型地震事件的分类与筛选.本文针对地震事件-噪音分类这一问题,使用13839个汶川地震余震事件建立数据集,应用深度学习卷积神经网络(CNN)方法进行训练,并用8900个新的汶川余震事件作为检测数据集,其训练和检测准确率均达到95%以上.在对连续波形的检测中,CNN方法在精度和召回率上优于STA/LTA和Fbpicker传统方法,并能找出大量人工挑选极易遗漏的微震事件.最后,我们应用训练好的最优模型对选自全国台网的441个台站8天的连续波形数据进行了识别、到时挑取及与参考地震目录关联,CNN检出7016段波形,用自动挑选算法拾取到1380对P,S到时,并与540个地震目录事件成功关联,对1级以上事件总体识别准确率为54%,二级以上为80%,证明了CNN模型具有泛化能力,初步展示了CNN在发展兼具效率、精度、普适性算法,实时地震监测等应用上具有巨大潜力.     

Application of Machine Learning Methods in Arrival Time Picking of P Waves from Reservoir Earthquakes

Reservoir earthquake characteristics such as small magnitude and large quantity may result in low monitoring efficiency when using traditional methods. However, methods based on deep learning can discriminate the seismic phases of small earthquakes in a reservoir and ensure rapid processing of arrival time picking. The present study establishes a deep learning network model combining a convolutional neural network (CNN) and recurrent neural network (RNN). The neural network training uses the waveforms of 60 000 small earthquakes within a magnitude range of 0.8-1.2 recorded by 73 stations near the Dagangshan Reservoir in Sichuan Province as well as the data of the manually picked P-wave arrival time. The neural network automatically picks the P-wave arrival time, providing a strong constraint for small earthquake positioning. The model is shown to achieve an accuracy rate of 90.7% in picking P waves of microseisms in the reservoir area, with a recall rate reaching 92.6% and an error rate lower than 2%. The results indicate that the relevant network structure has high accuracy for picking the P-wave arrival times of small earthquakes, thus providing new technical measures for subsequent microseismic monitoring in the reservoir area.