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.     

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。     

数字化地震记录震相自动识别的方法研究

针对目前震相自动识别方法不能自动给出震相识别区间,以及不能确定识别出震相名称的问题,运用震相的运动学特征,由平均速度模型和J-B走时表数据,自动计算近震、远震和极远震的震相走时及震中距。对多尺度小波分解进行单支重构作为识别不同震相的分析信号。先求出初至震相和最大面波到时,估算出震中距,然后找到S波或PP波到时,求出准确的震中距,即可自动给出各震相的识别区间,采用线性偏振法在给定区间中识别出震相的初至时刻。由于该方法采用的是先明确要找什么震相,再由该震相的走时确定寻找区间,所以找出的初至就是要寻找的震相,自然解决了识别出震相的名称问题,从而实现了对震相的全程自动识别。     

于多道包络能量叠加的微地震事件自动识别方法

地面监测的微地震数据主要包含两个部分:人工形成的射孔数据和压力诱发的微地震数据.从微地震监测理论出发,微地震事件准确识别直接影响微地震信号初至拾取的精度.针对常规微地震信号初至拾取方法存在漏检及误检的弊端,提出了多道包络能量叠加技术的微地震事件自动识别方法.针对存在射孔数据的情况,详细论述了多道包络能量叠加技术的微地震事件自动识别方法的过程,采用模拟数据证明了基于射孔信号的微地震事件自动识别方法的可靠性.其次,采用一系列微地震正演模拟数据进行大量实验,验证基于多道包络能量叠加技术的微地震事件自动识别方法的可靠性.最后,通过实际微震压裂数据验证了新方法的可行性与正确性.     

利用克里金技术标定新疆及附近地区P/S震相幅值比及其在地震事件识别中的应用

针对中国的乌鲁木齐台（WMQ）和哈萨克斯坦的马坎奇台（MAK）,采用贝叶斯克里金技术建立了新疆及附近地区地震事件的震相幅值比的校正曲面,并分析了校正曲面与地震波传播路径的关系,以及校正曲面对于改善震相幅值比判据识别效果的有效性.分析结果表明,建立的校正曲面基本合理,结合传播路径差异和地震波传播规律,能够较好地解释校正曲面的起伏特征. 而且,在传播路径差异较大,使得震相幅值比经震中距校正后离散度仍然较高的情况下,利用校正曲面修正震相幅值比,可以进一步降低其离散度,从而改善判据的识别效果.经校正曲面修正后,对天然地震的误识率由16.3%下降为5.2％.     

单一地震事件与多个地震事件的定位方法及应用

主要介绍各种地震定位方法,概述各种地震定位方法的基本原理,重点介绍Geiger的经典方法以及在此基础上建立的各种线性方法:单一地震事件定位法与多个地震事件定位法以及对每一种地震定位方法的应用情况,尤其是国内的应用情况做了总结;同时指出各种方法的特点,并进行相应的比较.     

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.     

机器学习在地震检测与震相识别的应用综述

在地震学研究中地震检测与震相识别是最基础的环节,其拾取速度和精度直接影响其在地震精确定位以及地震层析成像中的应用效率和精度。近年来,机器学习在地震学领域中引起广泛关注。机器学习可以改进传统地震检测和震相识别方法,使它们能达到更加准确,识别率更高的效果。把机器学习方法按照监督学习和无监督学习分类介绍,并对机器学习方法流程进行总结,并对目前在地震检测与震相识别方面应用较为广泛的机器学习方法(卷积神经网络、指纹和相似性阈值、广义相位检测、PhaseNet、模糊聚类)进行综述。结果表明:机器学习在地震事件检测和震相识别将会是主要的手段。数据驱动的机器学习在地震学中的应用和物理模型的联合运用将是未来的发展趋势。     

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.     

用振幅变化长短时均值比实现地震预警中P波自动拾取

地震P波到时快速、精确的自动拾取是实现地震预警的第一步。目前所有P波到时自动拾取方法都需要进一步考虑准确度问题,据此提出用"振幅变化"长短时均值比方法拾取P波到时。研究表明引进"振幅变化"作为特征函数比Allen的"振幅变化平方"更能突显地震波初至时刻的"突变"特征。对"振幅变化长短时均值比方法"和Allen的"振幅变化平方长短时均值比方法"进行抗噪音分析表明,在较低信噪比条件下,Allen方法不能准确地拾取P波到时,而新方法依然能较准确地拾取P波到时。在较高信噪比条件下,用两种方法拾取的160个M_S4.0地震P波到时,其误差大都在允许范围内,但新方法拾取的准确度略高。新方法可以看做是对长短时均值比方法的拓展。     

攀枝花地震台数字地震分析探讨

结合地震波记录原理,分析并讨论攀枝花台数字仪震相的一些物理特征,并使用MATLAB对攀枝花、长春台的地震资料做简单滤波分析,便于真实地反映地震波震相。参考川滇交界地区地质构造,总结出攀枝花台对多次地震记录震相分析的经验规律,为地震速报快速识别震相提供实用参考。     

天然地震识别与震相自动拾取技术进展

震相拾取是地震数据处理过程中最基本的步骤之一。在传统的人工拾取技术不能满足庞大的地震数据处理需求的情况下,震相自动拾取技术从产生到发展至今经历了漫长的过程。本文回顾并总结了震相自动拾取技术的发展状况,重点介绍了长短时窗法、赤池准则法、模板匹配技术、基于自相关盲搜索的FAST法、S波偏振分析法、人工智能方法等,以及近年发展起来的多频率震相识别、全波形叠加、二次方自回归模型等方法,同时分析了每种方法的优势和局限性。     

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。     

地震事件自动检测新方法

地震事件的自动准确检测是地震速报的基础.本文基于地震信号所具有的非高斯性、非线性以及地震波的线偏振性特征并结合长短时平均比方法,提出了一种新的地震事件自动检测方法(EGLP).基于山东数字化地震台网波形资料的研究结果表明,新方法(EGLP)能有效抑制高斯噪声、突出地震信号,提高了地震事件触发判断的准确性.