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。     

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...     

微震信号自动检测的STA/LTA算法及其改进分析

通过对合成微震数据和实测微震记录的处理实验,对自动检测有效微震信号的STA/LTA(短时窗平均/长时窗平均)算法及其改进的加权系数法、多窗口算法和修正的能量比算法进行了分析和对比,给出了时窗长度、触发阈值和特征函数对算法性能的影响特征及其选取规律.与原STA/LTA算法相比,加权系数法,降低了微震事件的漏判率;多窗口算法和修正的能量比法提高了对低信噪比微震记录检测的正确率及微震到时的拾取精度.     

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.     

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.     

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。     

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.     

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.     

STA/LTA算法在MEMS烈度计中的适用性分析

为解决用于高密度布设的低成本MEMS烈度计集成软、硬件资源有限,且难以嵌入较为复杂算法的这一问题,基于Matlab的仿真计算,通过讨论在不同特征函数、时窗长度和短窗位置下STA/LTA值的变化趋势、拾取效果和运算时间,以选取能提高算法灵敏性、改善地震事件拾取效果和提高算法计算效率的参数,并将改进的STA/LTA算法应用于实际地震数据处理。结果表明:不同的特征函数对事件拾取率、拾取时间偏差和算法运算时间影响不同;长短时窗长度相差越大,STA/LTA值的变化越明显;时窗越长,算法运算时间越长;短窗置后可以增大STA/LTA值的变化幅度、减少算法计算量,改善算法拾取时间。改进的STA/LTA算法拾取效果更好,计算效率更高,占用内存资源更小,更适用于集成资源有限的MEMS烈度计。     

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.     

Automatic onset phase picking for portable seismic array observation

Automatic phase picking is a critical procedure for seismic data processing, especially for a huge amount of seismic data recorded by a large-scale portable seismic array. In this study is presented a new method used for automatic accurate onset phase picking based on the proporty of dense seismic array observations. In our method, the Akaike＇s information criterion （AIC） for the single channel observation and the least-squares cross-correlation for the multi-channel observation are combined together. The tests by the seismic array observation data after triggering with the short-term average/long-term average （STA/LTA） technique show that the phase picking error is less than 0.3 s for local events by using the single channel AIC algorithm. In terms of multi-channel least-squares cross-correlation technique, the clear teleseismic P onset can be detected reliably. Even for the teleseismic records with high noise level, our algorithm is also able to effectually avoid manual misdetections.     

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．      

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%.     

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。      

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.     

Seismic phase picking in China Seismic Array using a deep convolutional neuron network*

Seismic phase picking is the preliminary work of earthquake location and body-wave travel time tomography. Manual picking is considered as the most accurate way to access the arrival times but time consuming. Many automatic picking methods were proposed in the past decades, but their precisions are not as high as human experts especially for events with low ratio of signal to noise and later arrivals. As the increasing deployment of large seismic array, the existing methods can not meet the requirements of quick and accurate phase picking. In this study, we applied a phase picking algorithm developed on the base of deep convolutional neuron network (PickNet) to pick seismic phase arrivals in ChinArray-Phase III. The comparison of picking error of PickNet and the traditional method shows that PickNet is capable of picking more precise phases and can be applied in a large dense array. The raw picked travel-time data shows a large variation deviated from the traveltime curves. The absolute location residual is a key criteria for travel-time data selection. Besides, we proposed a flowchart to determine the accurate location of the single-station earthquake via dense seismic array and phase arrival picked by PickNet. This research expands the phase arrival dataset and improves the location accuracy of single-station earthquake.     

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.     

地震事件自动识别技术及其在南岭流动台阵的应用?

地震事件识别是地震层析成像的重要组成部分。然而,在处理宽频带流动台阵天然地震记录中识别地震事件过程中,利用传统的人工识别方法耗时巨大,效率十分低。本文首先运用STA/LTA 对地震事件进行初步判断,并结合支持向量机信号检测算法和多台联合检验法来提高地震事件判别的准确度及抗干扰能力,达到天然地震事件的自动识别。南岭流动台阵数据的应用结果表明该综合识别算法可自动快速准确地判别地震事件,并可用于地震震相的拾取。