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。     

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（10 dB）和一般噪声环境（6 dB）,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（3 dB）,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.

     

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．      

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.     

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.      

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.     

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.     

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.     

自动捡拾P波到时综合方法的选取与探讨

快速、准确以及可靠的震相自动识别,不仅可为政府震后决策提供快速可靠的地震信息,还对减轻地震灾害损失和提高公众对政府可信度具有较大价值。以云南强震动台网实际观测记录为基础,选取了2008年至2017年期间震级在M5.0至M7.0间共计20余次地震事件,借鉴国内外P波震相自动拾取的相关研究,用最常用的长短时平均STA/LTA结合AIC准则综合捡拾法和长短时平均STA/LTA结合BIC准则综合捡拾法这两种不同的综合分析方法,将涵盖了云南盈江、腾冲、彝良、洱源和景谷等地震多发区域的记录P波到时捡拾,并对捡拾准确度、可靠度以及相应速率进行对比探讨。统计分析结果表明:在精确捡拾部分中,相比AIC准则,BIC准则的构架与算法更加灵活简单,且其抗干扰信号能力强,能有效避免干扰信号引起的误触发,可在漏捡拾与误捡拾之间寻求最佳平衡,对地震数据实现快速有效的实时处理,更利于云南省内地震预警发展。     

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.     

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。     

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.     

区域震相初至估计

本在地震数据自动化处理中，给出一种基于自回归模型的Akaike information criteria(AIC)算法和信号平均幅值比的混合方法来估计地震信号的初至．用信号的AIC曲线和平均幅值比曲线构造一种叠加曲线，再进行类似于坐标旋转的校正，可以准确估计低信噪比记录中信号的初至，尤其对于震相类型比较复杂的后续震相(如S波、Lg波)的初至估计结果很好．通过对中国数字地震台网乌鲁木齐台记录到的23次天然地震中P波、S波和Lg波的初至估计，与人工分析结果相比，P波初至估计的均方误差为0．71s，后续震相(S波、Lg波)的均方误差为1．64s，优于传统AIC算法的估计结果．     

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.