基于信號整體與局部特征的地震數(shù)據(jù)自動處理方法研究*

靳 平 張誠鎏 沈旭峰 王紅春潘常周 嚴 峰 王電源

(中國西安710024西北核技術(shù)研究所)

基于信號整體與局部特征的地震數(shù)據(jù)自動處理方法研究*

(中國西安710024西北核技術(shù)研究所)

提出一種基于信號整體與局部特征的地震數(shù)據(jù)自動處理新方法,該方法不同于以往僅采用包絡(luò)線互相關(guān)來直接檢測事件. 新方法依然按照檢測、 識別、 關(guān)聯(lián)和定位等4個步驟進行處理,但在進行單個震相信號檢測的同時,也檢測信號波列并利用其包絡(luò)線特征來識別和關(guān)聯(lián)震相． 文中詳細闡述了數(shù)據(jù)處理過程中如何定義一個波列及抽取和應(yīng)用其特征． 相關(guān)的數(shù)據(jù)處理技術(shù)目前已成功應(yīng)用于區(qū)域臺網(wǎng)的日常數(shù)據(jù)處理分析中． 作為例子,給出了對新疆區(qū)域臺網(wǎng)連續(xù)16天數(shù)據(jù)進行測試處理的結(jié)果． 實際應(yīng)用結(jié)果表明,這種新方法可以大幅度降低自動處理結(jié)果的誤檢、 漏檢率,在實際應(yīng)用中具有很好的前景．

地震 自動數(shù)據(jù)處理 地震信號整體特征 地震信號局部特征

引言

可靠的地震數(shù)據(jù)自動處理方法對提高日常地震監(jiān)測分析的效率和時效性具有重要意義． 特別是在過去的一二十年里,隨著數(shù)字化地震儀的普及和通信技術(shù)的發(fā)展,普通地震臺站的建設(shè)和運行維護成本明顯降低,各地震臺網(wǎng)的臺站數(shù)目大量增加． 而增加的臺站數(shù)目在提高相關(guān)臺網(wǎng)的監(jiān)測能力、 改善臺網(wǎng)的區(qū)域覆蓋性能的同時,也使得數(shù)據(jù)的分析處理量增加,其中包括需要檢測分析的地震信號和地震事件的數(shù)目都大量增加． 在缺乏可靠準確的地震數(shù)據(jù)自動處理技術(shù)的情況下,這種急劇增加的數(shù)據(jù)量可能會使地震監(jiān)測部門的日常監(jiān)測分析工作面臨嚴峻挑戰(zhàn)．

常見的地震數(shù)據(jù)自動處理一般采用信號檢測、 識別、 關(guān)聯(lián)和定位的方式(singal detection, phase identification, association, and event localization, 簡寫為DIAL)進行(IDC,1999； 潘科等,2004； 金星等,2007； 侯建民等,2009； Küperkochetal,2010),其基本過程和方法一般可以簡單歸納為： ① 信號檢測與信號特征參數(shù)提?。?在對數(shù)據(jù)進行適當?shù)念A(yù)處理(如濾波等)之后,首先根據(jù)信號的某種特征,通常是信號幅值的瞬時變化,采用短時平均/長時平均比(STA/LTA)或其它一些方法(Allen,1978； Evans,Allen,1983； Baer,Kradolfer,1987； Joswig,1990； Kedrov,Ovtchinnikov,1990； Earle,Shearer,1994； Cansi,1995； Dai,Macbeth,1995； Withersetal,1998； Sleeman,van Eck,1999； Zhao,Takano,1999； 王海軍,劉貴忠,2007； Selby,2008； Arrowsmithetal,2009)來檢測信號,然后采用自回歸-赤池信息準則(Autoregressive-Akaike’s information criterion,簡寫為AR-AIC)等一些更加精細的方法來估算信號的到時(Kamigaichi,1992； Inclán,Tiao,1994； Der,Shumway,1999； Saragiotisetal,2002； Tibuleacetal,2003； Zhangetal,2003； Stefanoetal,2006； Ahmedetal,2007； Hildyardetal,2008； Küperkoch,2010),并提取信號的幅值、 周期、 方位角、 慢度或偏振度等特征參數(shù). ② 信號震相類型識別． 根據(jù)提取到的信號特征參數(shù),采用推理或神經(jīng)網(wǎng)絡(luò)等模糊識別方法來判斷檢測信號的基本類型(Robertsetal,1989； Suteau-Henson,1991； Tong,1995； Wang,Teng,1995,1997； Anant,Dowla,1997； 張范民等,1998； IDC,1999； Bai,Kennett,2000,2001； 劉希強等,2000； Wang,2002； 李山有等,2006)(如噪聲或信號、 P波或S波以及區(qū)域震或遠震信號等). ③ 震相臺站關(guān)聯(lián)． 即在初步震相類型識別基礎(chǔ)上,根據(jù)信號在時間、 方位角、 幅值等特征的相容性,將同一臺站上來自同一事件的信號關(guān)聯(lián)在一起,形成臺站震相組(IDC,1999)． 區(qū)域震時可同時進行二次震相識別及單臺定位. ④ 臺網(wǎng)關(guān)聯(lián)和定位． 在信號到時與幅值等特征相容性分析的基礎(chǔ)上,采用定位測試的方法將不同臺站上的信號關(guān)聯(lián)在一起,并確定事件的發(fā)生時間和位置(IDC,1999)．

目前在維也納國際數(shù)據(jù)中心(IDC)運行的地震數(shù)據(jù)自動處理系統(tǒng)是DIAL方法的典型代表． 其處理過程不但非常復(fù)雜,而且處理效果也很不理想． 例如,在IDC自動處理結(jié)果中,三分向臺站上的震相誤識率高達30%—50%(Research Required to Support Comprehensive Nuclear Test Ban Treaty Monitoring,1997),其標準事件列表(SEL3)中,通常有50%左右的虛假或分裂事件,并且事件目錄(REB)中大約15%的事件是由分析員人工增補的(Pearceetal,2009； Procopioetal,2009； Le Brasetal,2011； Draelosetal,2012)． 虛假事件多數(shù)是因震相的識別和關(guān)聯(lián)有誤產(chǎn)生．

上述問題已在國際地震監(jiān)測特別是全面禁止核試驗條約核查地震監(jiān)測技術(shù)領(lǐng)域引起廣泛關(guān)注,并有多位學者嘗試提出一些新的處理方法來解決這方面的技術(shù)問題(Aroraetal,2012； Draelosetal,2012； Mooreetal,2012)． 但這些新的嘗試基本上還是基于IDC已有信號檢測結(jié)果及其特征參數(shù),其對提高自動處理結(jié)果準確可靠性的作用尚有待驗證．

實際上,造成傳統(tǒng)DIAL方法處理效果不佳的根本原因在于其自動處理技術(shù)僅利用了信號的局部特征． 局部特征是指利用很短時間窗口(通常是數(shù)秒)內(nèi)信號提取的特征信息,如信號的幅值、 周期、 方位角、 慢度、 偏振度等． 盡管這些特征能較好地表征信號的瞬時特性,但難以反映信號的全貌及相互之間的聯(lián)系． 然而,人工分析員判讀地震圖時卻更多地依據(jù)整個地震圖的包絡(luò)線形狀特征． 通常情況下,分析員首先根據(jù)整個地震圖的包絡(luò)線形狀對其震中距類型(地方震、 區(qū)域震或遠震等)作出判讀,再從中檢測不同的震相. 在地方震或區(qū)域震的情況下,根據(jù)它們在地震圖中的不同位置對震相(如Pn,Pg,Sn和Lg等)進行判斷．

受分析員判讀地震圖過程的啟發(fā),本文提出一種新的結(jié)合地震圖整體特征和信號局部特征的地震信號自動處理技術(shù)． 該方法不同于以往有些學者提出的基于地震圖包絡(luò)線互相關(guān)來直接進行事件檢測的方法(Ryzhikovetal,1996； Mooreetal,2012). 新的處理技術(shù)依然保留了檢測、 識別、 關(guān)聯(lián)和定位的過程,但在進行信號檢測同時,引入了波列檢測的概念,并巧妙地將信號檢測與波列檢測結(jié)合在一起. 在利用傳統(tǒng)的局部信號特征的同時,依據(jù)波列的整體特征來進行震相的識別和關(guān)聯(lián),從而形成一種全新的基于信號整體特征與局部特征的地震數(shù)據(jù)處理方法． 我們利用新疆區(qū)域地震臺網(wǎng)對該方法進行了測試,結(jié)果表明,該方法在降低自動處理事件的誤檢和漏檢率、 提高定位精度等方面具有很好的效果．

1 地震圖整體特征的定義和測量

圖1給出了將地震圖的整體特征與傳統(tǒng)的DIAL處理方法相結(jié)合的原理． 在該方法中,我們采用普通的STA/LTA(STA和LTA分別表示信號的短時和長時平均)方法檢測單個信號,即對時刻t,有

(1)

(2)

式中,x(i)為第i個采樣點,N和L分別為STA和LTA對應(yīng)的時間窗口長度. 實際處理過程中,依據(jù)Trnkoczy (1999)對STA和LTA的取值討論,我們分別取為1 s和30 s． 為引入信號整體特征,在檢測單個信號時,同步檢測和識別各個連續(xù)波列,將屬于同一個波列的信號自動地聯(lián)系在一起． 為此,我們在信號檢測過程中引入一個反映波列持續(xù)狀態(tài)的變量ΘD,在沒有波列持續(xù)時ΘD=0,有波列持續(xù)時ΘD=1,其具體計算方法如圖2所示,即程序開始時將ΘD初始化為0,當有波列到達并觸發(fā)其第一個檢測時ΘD重置為1并使其保持到波列結(jié)束,即其信號幅值近似恢復(fù)到其到達之前的本底噪聲水平時(具體算法見后面關(guān)于波列持續(xù)時間計算方法的說明),再將ΘD重置為0． 除波列開始時觸發(fā)的檢測外,波列持續(xù)過程中通常還有可能觸發(fā)其它檢測． 為在后續(xù)處理過程中判斷各個信號檢測是在一個持續(xù)波列的起始位置還是中間位置,我們在檢測到一個信號時將該信號觸發(fā)前的ΘD值作為其特征之一賦予該信號,用符號Ws來表示,并將其稱作信號觸發(fā)時的波列持續(xù)狀態(tài)． 圖2給出了對一段實際波形記錄的信號檢測結(jié)果,記錄中的4個波列共觸發(fā)了8個檢測． 其中,D1,D3和D5等3個位于相應(yīng)波列開始處檢測的Ws特征值等于0,而其它5個位于有關(guān)波列中間的檢測的Ws特征值等于1．

圖1 地震信號整體特征及其與信號檢測的關(guān)系

圖2 波列持續(xù)狀態(tài)計算方法示意圖

我們進一步引入波列持續(xù)時間、 包絡(luò)線峰值大小、 峰值信噪比及峰值延遲時間等特征參數(shù)來簡單地描述波列特征. 為不增加額外的計算量,包絡(luò)線簡單地由STA構(gòu)成的時間序列來表示． 仍如圖1所示,定義一個波列的持續(xù)時間為從其第一個觸發(fā)檢測的到時t0開始到信號幅值重新衰減到本底噪聲水平時的時間,即

(3)

式中tε為t0后STA/LTA0降低到某一閾值ε以下時所對應(yīng)的時刻,而LTA0為t0時波列的第一個檢測被觸發(fā)時的LTA值．

為進一步說明信號包絡(luò)線峰值大小、 峰值信噪比和峰值延遲時間等參數(shù)的定義,假定一個波列在其持續(xù)過程中共觸發(fā)了D0,D1,…,Dn共n+1個檢測,并記從t0到tε的整個波列的包絡(luò)線峰值為P0,相應(yīng)的到時記作tP0,則P0對應(yīng)的包絡(luò)線峰值大小AP0、 峰值信噪比SNRP0及峰值延遲時間TP0可分別定義為

(4)

類似地,記波列中位于檢測Di-1與Di到時之間的包絡(luò)線峰值為Pi,對應(yīng)的到時為tPi,則相應(yīng)的峰值特征參數(shù)的定義分別為

(5)

式中,ti-1,ti分別為Di-1和Di的到時． 在實際處理過程中,這些特征參數(shù)都可以在不同的頻帶范圍內(nèi)進行測量. 同時,為便于各個特征量的保存和調(diào)用,我們將P0的特征參數(shù)賦予檢測D0,將Pi的特征參數(shù)賦予檢測Di(i=1,2,…,n)．

利用上述包絡(luò)線特征參數(shù)可以大致勾畫出整個波列包絡(luò)線的基本形狀． 例如,對圖1所示信號,根據(jù)4個觸發(fā)檢測的到時及各檢測的信號峰值位置和峰值大小,并假定適當?shù)陌j(luò)線幅值上升和衰減模式,可以推測出相應(yīng)的信號波列應(yīng)具有類似于圖3的包絡(luò)線形狀． 這對于確定信號的震中距類型和波列中除初始檢測以外的其它檢測的震相類型顯然是非常重要的信息． 后面我們將對此作進一步的介紹和分析．

圖3 根據(jù)信號檢測的到時及各檢測信號的峰值位置和峰值大小推測信號包絡(luò)線形狀

2 信號整體特征在數(shù)據(jù)自動處理過程中的應(yīng)用

上述地震圖包絡(luò)線特征可以很容易地集成到通常的DIAL自動處理方法中,并在地震信號震相類型識別和關(guān)聯(lián)過程中起到非常重要的作用． 首先,除極少數(shù)有兩個或兩個以上地震事件的信號波列在時間上相互重疊的情況外,對一個連續(xù)波列來說,在其持續(xù)時間范圍內(nèi),被觸發(fā)的各個檢測都應(yīng)該來自同一個地震事件,因而可以自然地將它們關(guān)聯(lián)在一起． 其次,除多個地震的信號波列重疊在一起的情況外,正常情況下,直達P波,這里包括地方震時的Pg、 區(qū)域震時的Pn和遠震時的P等,都應(yīng)該是一個波列的起始檢測,即相應(yīng)的波列持續(xù)狀態(tài)Ws應(yīng)等于0． 同時,除非是信號信噪比非常低的情況,地方震和區(qū)域震的各種后續(xù)震相,包括地方震時的Sg和區(qū)域震時的Pg、 Sn和Lg等,都應(yīng)該包含在以直達P為起始檢測的同一個波列當中,它們的Ws值都應(yīng)該等于1． 最后,對地方震和區(qū)域震來說,多數(shù)情況下整個波列的包絡(luò)線最大峰值出現(xiàn)應(yīng)該略晚于S或Lg波到時(圖4). 特別是對經(jīng)較低頻帶(如0.5—2.0 Hz)帶通濾波后的水平分量記錄尤其如此,即使是對激發(fā)S波能力相對較差的地下爆破來說一般也是這樣．

圖4 一次區(qū)域性地震在不同震中距臺站的三分向信號記錄 發(fā)震時間： 2010-06-01 04:29:29,震中位置： 38.4°N、 74.0°E， 震源深度： 156 km,震級： ML3.1． 為提高在遠距離臺站上的信噪比,波形全部經(jīng)過 4—8 Hz帶通濾波. 圖中的P、 S線分別對應(yīng)于P波和S波的理論到時

圖5給出了實際應(yīng)用的一個區(qū)域臺網(wǎng)地震數(shù)據(jù)處理原型系統(tǒng)的流程原理示意圖． 該流程與傳統(tǒng)的DIAL處理方法從表面上看起來非常相似,也主要由信號檢測、 信號特征參數(shù)提取、 信號震相類型識別、 信號臺站關(guān)聯(lián)、 臺網(wǎng)關(guān)聯(lián)和定位等技術(shù)環(huán)節(jié)組成． 所不同的是在信號檢測和特征參數(shù)提取過程中增加了波列檢測和波列特征參數(shù)提取的內(nèi)容． 這里,波列特征參數(shù)在上一節(jié)已經(jīng)進行了闡述,而信號特征參數(shù)則包括不同頻帶內(nèi)的信號幅值、 信噪比、 信號優(yōu)勢頻率、 信號方位角、 偏振特性或慢度大小等． 由于這些傳統(tǒng)信號特征參數(shù)都是在相對較短的時間窗口內(nèi)測量的,文中將其統(tǒng)稱為信號局部特征．

圖5 一個實際應(yīng)用的同時基于信號和波列檢測及其特征參數(shù) 的區(qū)域臺網(wǎng)數(shù)據(jù)自動處理軟件流程示意圖

對于區(qū)域性地震事件的自動檢測和定位來說,可靠地識別出信號中的P波、 S波震相并將其關(guān)聯(lián)在一起非常關(guān)鍵,而本文引入的信號整體特征恰好在此方面可以發(fā)揮非常大的作用． 張誠鎏(2010)曾綜合利用信號整體和局部特征,應(yīng)用神經(jīng)網(wǎng)絡(luò)方法來對震相類型進行識別,結(jié)果表明對普通三分向臺站,其準確識別率可達90%． 盡管如此,我們目前實際應(yīng)用的系統(tǒng)中還是僅采用了信號局部特征來對觸發(fā)檢測進行分類,而信號整體特征則主要應(yīng)用在信號的臺站關(guān)聯(lián)與區(qū)域震相二次識別過程中． 事實上,從實際應(yīng)用情況來看,在引入了信號整體特征之后,臺站關(guān)聯(lián)前的震相類型識別已經(jīng)不再必要,這也是圖5中我們將震相類型識別用虛框來表示的原因．

圖6是應(yīng)用信號整體特征進行區(qū)域震相臺站關(guān)聯(lián)和識別的原理示意圖． 首先,從觸發(fā)的信號檢測中搜索可能成為區(qū)域或地方性事件初至P波的信號． 正常情況下,這樣的信號應(yīng)該是一個波列的第一個觸發(fā)檢測,所以其觸發(fā)時的波列持續(xù)狀態(tài)Ws應(yīng)等于0． 除此之外,實際處理時還可以利用其它一些信號特征,諸如信號水平分量與垂直分量的比值、 信號信噪比、 波列持續(xù)時間、 不同頻帶的信號幅值比等作進一步的篩選．

上述搜索初至P波的過程相當于搜索可能的地方或區(qū)域性事件波列． 對于這樣的一個波列,正常情況下波列持續(xù)范圍內(nèi)的各個檢測已經(jīng)可以自然地關(guān)聯(lián)在一起,而需要進一步完成的是找出其中的S波或Lg波,并與初至P波一起構(gòu)成P-S(Lg)震相組,以便在此基礎(chǔ)上進行單臺定位并形成單臺事件． 實際處理時,我們綜合利用信號局部和整體特征并通過一系列的測試來檢驗識別波列中的主要S震相,同時也測試當前波列是否真的是一個區(qū)域或地方性事件所產(chǎn)生的信號． 測試對波列持續(xù)時間范圍內(nèi)的各個觸發(fā)檢測逐個進行,直到找出其中的主要S震相,其中包括地方震的Sg、 區(qū)域震的Sn或Lg． 測試的主要內(nèi)容包括： ① 假設(shè)的S波檢測與初至P波的幅值相容性,即要求假設(shè)的S波檢測與初至P波檢測的幅值比不大于特定閾值K,否則,則認為假設(shè)的兩者并非來自同一個事件,而當前波列是由不只一個事件的信號混疊在一起而形成的．K的大小與頻帶和被測試的信號與初至P波信號的到時差有關(guān),參考IDC數(shù)據(jù)處理方法(IDC,1999),多數(shù)情況下我們?nèi)=40. ② 偏振特性相容性,即假設(shè)S波檢測的偏振特性參數(shù)與其作為S類型震相是否相容. 統(tǒng)計表明S波的水平分量幅值明顯比垂直分量幅值大(張誠鎏,2010),根據(jù)經(jīng)驗,處理時要求假設(shè)的S波水平分量幅值與垂直分量幅值比要大于1.5. ③ 距離相容性,即初至P波及假設(shè)S波信號頻率成分應(yīng)當與到時差tS-tP相一致． 由于tS-tP可以等效于震中距,而信號中不同頻率成分的信號幅值隨距離的衰減速度不同,使得震中距較小亦即tS-tP較小的信號中高頻成分較豐富,而震中距或tS-tP較大的低頻信號則更為顯著． 實際處理時我們用不同頻帶內(nèi)的信號幅值比來衡量高、 低頻信號的相對強弱． 例如,在tS-tP<15 s的情況下,要求信號高頻(8—16 Hz)與低頻(0.75—1.5 Hz)頻帶內(nèi)的信號幅值比不小于某一閾值η, 而閾值η則由經(jīng)驗確定． 另外,由于S波衰減通常會大于P波的衰減,所以,相容性測試時也要求前者的高、 低頻信號幅值比不得超過后者的幅值比． ④ 包絡(luò)線相容性,即要求至少存在若干分量及頻帶,在其上面測量的信號包絡(luò)線峰值位置應(yīng)該略晚出現(xiàn)于假設(shè)的S波到時的地方,即要求

圖6 同時基于信號整體與局部特征的區(qū)域性P、 S震相對搜索方法示意圖

(6)

式中：TP0為前面定義的整個波列包絡(luò)線的峰值延遲時間；tS-tP為假設(shè)的S波與初至P波的到時差；τ為指定的適當閾值,可以與tS-tP的大小有關(guān)． 通過這一方法,可以可靠地區(qū)分主要S波震相與非初至P波震相(如區(qū)域震情況下的Pg),從而避免臺站對P-S震相組的誤識別,而這種誤識別有可能在最后的處理結(jié)果中造成分裂事件或大的定位誤差．

以上是綜合應(yīng)用信號整體與局部特征進行區(qū)域性地震事件臺站關(guān)聯(lián)與震相識別的基本思路． 實際應(yīng)用過程中,還有幾種特殊情況需要謹慎處理． 第一種特殊情況是兩個事件的波列疊加在一起的情況． 在這種情況下,第二個事件的初至P在觸發(fā)時的波列持續(xù)狀態(tài)就不等于0而是等于1. 由于相互干擾,兩個事件的波列特征參數(shù)測量結(jié)果都可能出現(xiàn)錯誤． 對于這類情況,多數(shù)情況下可以根據(jù)信號在幅值、 頻率、 偏振和方位角(如果是臺陣型臺站)等方面的相容性對信號是否為多事件波列進行識別. 在此基礎(chǔ)上將新事件的初至P波的觸發(fā)狀態(tài)修正為0,并對相應(yīng)的包絡(luò)線特征參數(shù)測量結(jié)果進行修正． 第二種特殊情況是關(guān)于一些震級較小的地震在震中距相對較大的區(qū)域臺站上的記錄． 由于其信號信噪比較低,P波波尾信號的幅值可能在主要S波震相(Sn或Lg)到達之前就已經(jīng)衰減到本底噪聲水平,使得P波與主要S波震相不能連在一起形成一個連續(xù)的波列(即主要S波震相的Ws等于0而不是1)． 對于這樣的情況,如果是臺陣型臺站,只要P波與S波之間的方位角一致,且各自的慢度大小與相應(yīng)的震相類型相符,則也可以將它們關(guān)聯(lián)在一起,以提高對低震級事件的檢測能力． 而對于普通三分向臺站,由于其信號方位角、 慢度無法準確可靠地進行估算,這樣的信號我們目前不允許在臺站關(guān)聯(lián)時進行關(guān)聯(lián),而是等到后面的臺網(wǎng)關(guān)聯(lián)時再來測試它們能否關(guān)聯(lián)給已經(jīng)形成的地震事件． 事實上,在各種區(qū)域性臺網(wǎng)的正式地震目錄中,基本上每一個能夠可靠定位的區(qū)域性地震事件都會在不止一個臺站上呈現(xiàn)出連續(xù)的、 包括主要P波和S波震相在內(nèi)的波列． 因此,在臺站關(guān)聯(lián)時要求普通三分向臺站上的區(qū)域性地震的P波和S波必須形成一個連續(xù)波列,在大幅度降低事件誤檢率的同時,并不會明顯影響事件的檢測率．

需要說明的是,在區(qū)域地震圖的情況下,主要的S波震相既有可能是Sn,也有可能是Lg,其具體震相名稱通常在臺網(wǎng)關(guān)聯(lián)時才能最后解決． 但是,如果波列中同時有Sn和Lg發(fā)育并都已經(jīng)被檢測到,在這種情況下,可以根據(jù)tSn-tP和tLg-tP的理論關(guān)系比較準確地對二者進行區(qū)分． 具體方法為,對波列持續(xù)時間范圍內(nèi)可能的S波檢測,兩兩之間形成一個S-S震相對． 假定到時較早的S波為Sn,到時較晚的為Lg,計算它們與初至P波(此時即Pn)之間的到時差tSn-tP和tLg-tP． 假定這里的兩個S檢測的確分別為tSn-tP和tLg-tP，則二維空間中由坐標(tSn-tP,tLg-tP)所定義的觀測點應(yīng)該落在tSn-tP相對于tLg-tP理論關(guān)系曲線附近(圖7)． 因此,找出離理論關(guān)系曲線距離最近的點,如果該距離小于規(guī)定閾值,則對應(yīng)的兩個信號可以分別判斷為Sn和Lg. 而利用由最先到達臺站的Pn、 Sn和Lg組成的臺站三震相組合,則可以更加準確地進行單臺地震定位．

圖7 自動區(qū)分Sn和Lg原理示意圖Fig.7 Illustration of the method for automatic identification of phases Sn and Lg

盡管本節(jié)介紹的實際數(shù)據(jù)自動處理系統(tǒng)的應(yīng)用對象為區(qū)域性地震臺網(wǎng),但該系統(tǒng)并不局限于檢測區(qū)域和地方性地震事件,同時也能比較準確可靠地檢測和定位遠震事件． 對于遠震事件,通常情況下P和S等震相并不呈現(xiàn)為連續(xù)波列,甚至對占絕大多數(shù)的中小震級事件來說基本上只有直達P波信號才能被檢測到． 盡管如此,本文引入的波列特征在遠震信號的臺網(wǎng)關(guān)聯(lián)過程中依然可以起到很好的作用． 限于篇幅,這里不對利用區(qū)域性臺網(wǎng)進行遠震信號關(guān)聯(lián)定位詳細討論,僅指出在正常情況下,要求被關(guān)聯(lián)的各次遠震P波的Ws值應(yīng)等于0,僅這一點就可以大幅度提高關(guān)聯(lián)搜索的效率． 此外,實際處理時除了可以根據(jù)信號的頻率和偏振特征來測試待關(guān)聯(lián)信號是否符合遠震信號的特征外,信噪比與波列持續(xù)時間之間的關(guān)系也可發(fā)揮重要作用． 例如,如果一個波列的信噪比很低而持續(xù)時間很大,則一般不會是遠震信號．

3 應(yīng)用實例

為說明相關(guān)的數(shù)據(jù)自動處理技術(shù)在應(yīng)用于較大規(guī)模的區(qū)域地震臺網(wǎng)時也有效,我們用新疆區(qū)域地震臺網(wǎng)連續(xù)半個月的數(shù)據(jù)來進行測試作為實例,介紹其測試處理結(jié)果．

圖8為測試臺網(wǎng)的臺站分布圖． 測試所用的數(shù)據(jù)從2010年6月1—16日共16天． 測試對臺網(wǎng)可能記錄到的所有事件,包括區(qū)域事件、 地方性事件和遠震事件,自動進行檢測的情況. 在此基礎(chǔ)上,對檢測到的事件人工逐個進行審核,以確認是否為虛假地震事件并統(tǒng)計其所占的比例． 為分析自動處理結(jié)果的漏檢率和定位誤差,我們對地方震和區(qū)域震事件與同樣臺網(wǎng)條件下完全由人工分析產(chǎn)生的由新疆地震局提供的地震目錄(以下簡稱新疆局地震目錄)進行了對比． 根據(jù)我們的分析,雖然新疆局地震目錄實際上并不完整,許多可以檢測和定位的事件并沒有在目錄中反映出來(其中包括一些采礦爆破被故意剔除)． 盡管如此,由于新疆局地震目錄的產(chǎn)生過程與本文自動處理的產(chǎn)生過程完全獨立,相當于是對所有事件的一個獨立抽樣,因此統(tǒng)計分析其中被自動處理程序檢測到的事件的比例,足以客觀地反映本自動處理系統(tǒng)對地方和區(qū)域性事件的檢測能力．

圖8 測試臺網(wǎng)(新疆)臺站分布

對上述16天內(nèi)新疆區(qū)域地震臺網(wǎng)記錄到的波形數(shù)據(jù),利用本文所介紹的地震數(shù)據(jù)自動處理原型系統(tǒng)共檢測出3654個地震事件,其中包括地方震、 區(qū)域震、 遠震和極遠震． 根據(jù)人工分析結(jié)果,其中285個事件為虛假事件,約占全部事件的7.8%．

在這一時間段內(nèi),新疆局地震目錄中共有1025個地震事件,其中ML≥2.0地震事件136個,ML1.0—2.0的事件325個,ML<1.0的事件48個,另有516個未給出定位結(jié)果的微破裂事件． 所謂未給出定位結(jié)果的事件是指只有一個臺站記錄到信號、 信號的tS-tP在數(shù)秒以內(nèi)的事件． 對于這樣的事件,新疆局地震目錄的處理方法是,如果tS-tP<3 s，直接將記錄臺站的坐標作為事件的震中位置,而對于tS-tP>3 s的情況,則僅給出其發(fā)震時間而不給出具體的震中位置．

圖9 本文方法對新疆局地震目錄中2010年6月1—16日不同震級范圍內(nèi)地震事件檢測結(jié)果的統(tǒng)計分析Fig.9 Statistic result of automatically detected rate for events listed in the Xinjiang seismic events satalog in 1—6 June, 2010

圖9給出了對新疆局地震目錄中不同震級范圍內(nèi)關(guān)于事件實際檢測結(jié)果的統(tǒng)計分析. 圖10給出了實際檢測到的兩個區(qū)域性事件的例子,其中第二個事件因為發(fā)生在臺網(wǎng)以外,新疆局地震目錄未給出其相關(guān)的發(fā)震參數(shù)． 圖中給出了距離相應(yīng)事件最近的15個臺站記錄到的波形,標出了對不同震相的檢測、 識別和關(guān)聯(lián)結(jié)果. 需要說明的是,按我們的實際處理程序,圖10中給出的未關(guān)聯(lián)或未定義檢測的震相名稱的確定并未用到信號整體特征,而僅僅是基于各種局部信號特征用神經(jīng)網(wǎng)絡(luò)方法來初步確定的． 對于ML≥2.0的事件,自動處理系統(tǒng)的檢測率為100%； 對于ML1.0—2.0的事件,檢測率為98.5%； 對于ML<1.0的事件,檢測率為95.8%； 而對新疆局地震目錄中未定位事件的檢測率為52.1%． 對未定位事件的檢測率較低的主要原因除了這些事件僅在一個臺站上有信號以外,還因為實際測試的自動處理系統(tǒng)本身并不是針對這樣的事件設(shè)計的． 例如,系統(tǒng)的信號檢測模塊在檢測信號時要求在觸發(fā)一個檢測時其到時應(yīng)距上一個檢測3 s以上,而在新疆局地震目錄中的516個未定位事件中,有174個事件的tS-tP小于這一數(shù)值．

需要指出的是,我們的自動處理系統(tǒng)還另外檢測到許多新疆局地震目錄中沒有的區(qū)域和地方性事件,其中主要包括位置在新疆區(qū)域地震臺網(wǎng)外的地震事件(圖10b)、 工業(yè)爆破以及僅有一個或兩個臺站記錄到的信號事件和一些信噪比很低、 單純依靠人工分析難以檢測的事件．

自動處理系統(tǒng)除具有良好的檢測能力外,新的地震數(shù)據(jù)自動處理方法在自動定位結(jié)果的準確性方面也有比較好的表現(xiàn)． 圖11給出了區(qū)域、 地方性事件的自動定位結(jié)果相對于新疆局地震目錄中震中位置的誤差分布． 對ML≥2.0的136個地震事件,系統(tǒng)的平均定位誤差為15.6 km. 其中72個事件(占53%)的相對定位誤差小于10 km,110個事件(占81%)的定位誤差小于20 km,較大定位誤差的地震基本都發(fā)生在網(wǎng)緣或網(wǎng)外． 考慮到新疆臺網(wǎng)臺站相對比較稀疏,上述136個ML≥2.0地震事件到最近新疆臺站的距離平均約為70 km,部分事件震中位置到最近臺站的距離達200 km左右,自動處理時能達到這一自動定位能力是可以接受的．

除有效檢測區(qū)域、 地方性事件以外,以新疆臺網(wǎng)這樣的區(qū)域性地震臺網(wǎng)的數(shù)據(jù)為輸入,自動處理系統(tǒng)對遠震和遠區(qū)域震事件也表現(xiàn)出了比較好的檢測定位能力． 由于對遠震和遠區(qū)域震的關(guān)聯(lián)定位方法不同于對地方和區(qū)域震的關(guān)聯(lián)定位方法,相關(guān)的方法和處理結(jié)果我們將另文闡述．

圖10 典型區(qū)域性事件自動處理結(jié)果實例

(a) 2010-06-09 10:58:59新疆和靜ML2.6地震,新疆局地震目錄給出震中位置為42.33°N、 84.82°E,自動處理結(jié)果誤差約11 km； (b) 2010-06-09 16:01:08阿富汗興都庫什山區(qū)mb3.4地震,IDC REB中給出的震中位置為35.89°N、 69.57°E,自動處理相對定位誤差約31 km. 對每個事件,圖中顯示的是最近的15個臺站經(jīng)0.5—5 Hz帶通濾波后的垂直分量波形,上面標出了對應(yīng)臺站的代碼名稱、 震中距及自動處理過程中實際觸發(fā)的各個信號檢測的到時位置及震相名稱,其中正體字母表示最終關(guān)聯(lián)給相應(yīng)事件的定義震相,斜體字母代表未關(guān)聯(lián)或未定義檢測的震相,其中N表示被識別為噪聲的檢測．

Fig.10 Examples of automatically processing results for two regional events

(a) Seismograms of the southern XinjiangML2.6 earthquake occurred at 10:58:59 on 9 June 2010. The epicenter is (42.33°N, 84.82°E) in Xinjiang seismic events catalog (XJEC), our automatically determined epicenter is 11 km away from it. (b) Seismograms of anmb3.4 earthquake occurred in the Hindu Kush region, Afghanistan, at 16:01:08 on 9 June 2010. For the epicenter of this earthquake is outside of Xinjiang seismic network, no information is given in the XJEC. However, the IDC REB epicenter of this earthquake is (35.89°N, 69.57°E),and our automatically determined result is 31 km away from it. For each event, 0.5—5 Hz band-pass filtered vertical component seismograms from the 15 closest stations are displayed. For each seismogram, respective recording station and epicentral distance are given at its left side, and all detections triggered within the displayed waveform time window are added, where the labels marked by upright letters are automatically associated defining phases for corresponding event and the labels marked by italics are unassociated ones.Nstands for detections identified as noise by the software

圖11 新疆局地震目錄中ML≥2.0地震自動定位結(jié)果與人工編目結(jié)果 的比較(a)及震中相對誤差分布(b) 空心圓為新疆局地震目錄給出的震中位置,實心圓為本文自動定位結(jié)果,實線相連表示是同一個事件

4 結(jié)論

本文提出一種基于信號整體和局部特征的地震數(shù)據(jù)自動處理新方法. 以波列包絡(luò)線特征為代表的地震信號整體特征對提高地震事件自動處理結(jié)果的準確可靠性具有非常重要的意義和作用． 結(jié)果表明,利用少數(shù)幾個定量特征參數(shù)可以較準確地反映整個地震圖的大致形狀. 在此基礎(chǔ)上通過引入波列檢測的概念,將各個觸發(fā)檢測與相應(yīng)的波列檢測相關(guān)聯(lián),可以很好地解決地震信號整體特征與局部特征相結(jié)合的技術(shù)問題． 新的地震信號整體特征可以較好地反映不同地震信號之間的相互聯(lián)系及它們各自在地震圖中的相對位置,再將這些特征與傳統(tǒng)的反映地震信號幅值大小、 頻率高低、 偏振特性及傳播方向的局部特征相結(jié)合,可以很好地解決地震信號關(guān)聯(lián)和震相類型識別等方面的問題．

新的處理技術(shù)可以很方便地集成到傳統(tǒng)的信號檢測、 震相識別、 關(guān)聯(lián)、 定位處理模式當中,并明顯地降低地震事件的誤檢、 漏檢率和平均定位誤差． 實際的運行經(jīng)驗及利用新疆區(qū)域地震臺網(wǎng)連續(xù)16天的數(shù)據(jù)進行測試的結(jié)果表明,基于該方法的自動處理結(jié)果能夠在保持較高檢測率的情況下將事件誤檢率控制在比較低的水平．

需要說明的是,我們對地震信號整體特征的應(yīng)用還不夠充分,許多判斷條件的參數(shù)設(shè)置都是經(jīng)驗性的． 隨著對信號整個特征參數(shù)分布特性研究的進一步深入和判斷條件的進一步優(yōu)化,預(yù)期可以取得更加令人滿意的處理結(jié)果．

本研究得到新疆地震局的數(shù)據(jù)支持,在此表示感謝．

侯建民,黃志斌,余書明,黃靜,代光輝,趙永. 2009. 中國國家地震臺網(wǎng)中心技術(shù)系統(tǒng)[J]. 地震學報,31(6): 684--690.

Hou J M,Huang Z B,Yu S M,Huang J,Dai G H,Zhao Y. 2009. Technical system in National Earthquake Network Center of China[J].ActaSeismologicaSinica,31(6): 684--690 (in Chinese).

金星,廖詩榮,陳緋雯. 2007. 區(qū)域數(shù)字地震臺網(wǎng)實時速報系統(tǒng)研究[J]. 地震地磁觀測與研究,28(1): 64--72.

Jin X,Liao S R,Chen F W. 2007. The test running of Real-time Earthquake Information System for province-level seismic network[J].SeismologicalandGeomagneticObservationandResearch,28(1): 64--72 (in Chinese).

李山有,朱海燕,武東坡,宋晉東. 2006. 基于振幅和瞬時頻率的震相自動識別方法[J]. 世界地震工程,22(4): 1--4.

Li S Y,Zhu H Y,Wu D P,Song J D. 2006. Automatic recognition of seismic phase based on amplitude and instantaneous frequency[J].WorldEarthquakeEngineering,22(4): 1--4 (in Chinese).

劉希強,周蕙蘭,曹文海,李紅,李永紅,季愛東. 2000. 用于三分向記錄震相識別的小波變換方法[J]. 地震學報,22(2): 125--131.

Liu X Q,Zhou H L,Cao W H,Li H,Li Y H,Ji A D. 2000. Identification method of seismic phase in three-component seismograms on the basis of wavelet transform[J].ActaSeismologicaSinica,22(2): 125--131 (in Chinese).

潘科,劉援朝,肖立萍. 2004. 遼寧數(shù)字地震臺網(wǎng)地震參數(shù)自動處理系統(tǒng)的研制[J]. 東北地震研究,20(4): 51--56.

Pan K,Liu Y C,Xiao L P. 2004. Development on the automatic process system of earthquake parameter in Liaoning Digital Seismic Network[J].SeismologicalResearchofNortheastChina,20(4): 51--56 (in Chinese).

王海軍,劉貴忠. 2007. 基于支持向量機的信號自動檢測算法[J]. 地震學報,29(1): 85--94.

Wang H J,Liu G Z. 2007. Automatic signal detection based on Support Vector Machine[J].ActaSeismologicaSinica,29(1): 85--94 (in Chinese).

2016年冬2017年春，溫室辣椒市場銷售價格較往年降低不少，且長期在低價位徘徊。農(nóng)戶積極調(diào)整種植結(jié)構(gòu)，改種莢豆、茄子、番茄、黃瓜等其他蔬菜，較為有利的避免了因市場價格過低造成的經(jīng)濟損失。順市而變，變被動為主動，積極開展種植結(jié)構(gòu)調(diào)整，努力確保設(shè)施蔬菜生產(chǎn)經(jīng)濟效益不滑坡。

張誠鎏. 2010. 地震信號識別和關(guān)聯(lián)技術(shù)研究[D]. 西安: 西北核技術(shù)研究所: 1--71.

Zhang C L. 2010.StudyonSeismicPhasesIdentificationandAssociation[D]. Xi’an: Northwest Institute of Nuclear Technology: 1--71 (in Chinese).

張范民,李清河,張元生,盛國英,范兵. 1998. 利用人工神經(jīng)網(wǎng)絡(luò)理論對地震信號及地震震相進行識別[J]. 西北地震學報,20(4): 43--49.

Zhang F M,Li Q H,Zhang Y S,Sheng G Y,Fan B. 1998. The seismic signal and phase recognition by using artificial neural network theory[J].NorthwesternSeismologicalJournal,20(4): 43--49 (in Chinese).

Ahmed A,Sharma M L,Sharma A. 2007. Wavelet based automatic phase picking algorithm for 3-component broadband seismological data[J].JSEE:SpringandSummer,9(1): 15--24.

Allen R V. 1978. Automatic earthquake recognition and timing from single traces[J].BullSeismolSocAm,68(5): 1521--1532.

Anant K S, Dowla F U. 1997. Waveform transform methods for phase identification in three-component seismograms[J].BullSeismolSocAm,87(6): 1598--1612.

Arora N S,Given J,Tomuta E,Russell S,Spiliopoulos S. 2012. Analyst evaluation of model-based Bayesian seismic monitoring at the CTBTO[C]∥Proceedingsofthe2012MonitoringResearchReview:Ground-BasedNuclearExplosionMonitoringTechnologies. New Mexico: National Nuclear Security Administration, I(LA-UR-12-24325): 91--199.

Arrowsmith S J,Whitaker R,Katz C,Hayward C. 2009. TheF-detector revisited: An improved strategy for signal detection at seismic and infrasound arrays[J].BullSeismolSocAm,99(1): 449--453.

Baer M,Kradolfer U. 1987. An automatic phase picker for local and teleseismic events[J].BullSeismolSocAm,77(4): 1437--1455.

Bai C Y,Kennett B L N. 2000. Automatic phase-detection and identification by full use of a single three-component broadband seismogram[J].BullSeismolSocAm,90(1): 187--198.

Bai C Y,Kennett B L N. 2001. Phase identification and attribute analysis of broadband seismograms at far-regional distances[J].JSeism,5(2): 217--231.

Cansi Y. 1995. An automatic seismic event processing for detection and location: The PMCC method[J].GeophysResLett,22(9): 1021--1024.Dai H,Macbeth C. 1995. Automatic picking of seismic arrivals in local earthquake data using an artificial neural network[J].GeophysJInt,120(3): 758--774.

Der Z A,Shumway R H. 1999. Phase onset time estimation at regional distances using the CUSUM-SA algorithm[J].PhysEarthPlanetInt,113(1): 227--246.

Draelos T J,Ballard S,Young C J,Brogan R A. 2012. Refinement and testing of the probabilistic event detection,association,and location algorithm[C]∥Proceedingsofthe2012MonitoringResearchReview:Ground-BasedNuclearExplosionMonitoringTechnologies. New Mexico: National Nuclear Security Administration, I(LA-UR-12-24325): 221--231.

Earle P,Shearer P. 1994. Characterization of global seismograms using an automatic-picking algorithm[J].BullSeismolSocAm,84(2): 366--376.

Evans J,Allen S. 1983. A teleseismic-specific detection algorithm for single short-period traces[J].BullSeismolSocAm,73(4): 1173--1186.

Hildyard M W,Nippress S E J,Rietbrock A. 2008. Event detection and phase picking using a time-domain estimate of predominante periodTpd[J].BullSeismolSocAm,98(6): 3025--3032.

IDC. 1999. IDCProcessingofSeismic,Hydroacoustic,andInfrasonicData.IDCDocument[M/OL]. [1999-03-12]. http:∥www.rdss.info/librarybox/idcdocs/downloads/521.pdf.

Inclán C,Tiao G C. 1994. Use of cumulative sums of squares for retrospective detection in the changes of variance[J].JAmerStatistAssoc,89(427): 913--923.

Joswig M. 1990. Pattern recognition for earthquake detection[J].BullSeismolSocAm,80(1): 170--186.

Kamigaichi O. 1992. A fully automated method for determining the arrival times of seismic waves and its application to an on-line processing system, GSE/Japan/40[C]∥34thGSESession. July, 1992, Geneva.

Kedrov O K,Ovtchinnikov V M. 1990. An online analysis system for three-component seismic data: Method and preliminary results[J].BullSeismolSocAm,80(1): 2053--2071.

Küperkoch L. 2010.AutomatedRecognition,PhaseArrivalTimeEstimation,andLocationofLocalandRegionalEarthquakes[D]. Bochum: Fakult?t für Geowissenschaften, Ruhr-Universit?t Bochum: 1--133.

Küperkoch L,Meier T,Lee J,Friederich W,EGELADOS Working Group. 2010. Automated determination of P-phase arrival times at regional and local distances using higher order statistics[J].GeophysJInt,181(2): 1159--1170.

Le Bras R,Russell S,Arora N,Miljanovic V. 2011. Testing and evaluation of the false events identification (FEI) and vertically integrated seismic association (VISA) projects[C]∥Proceedingsofthe2011MonitoringResearchReview:Ground-BasedNuclearExplosionMonitoringTechnologies. Arizona: National Nuclear Security Administration, I(LA-UR-11-04823): 313--321.

Moore D A,Mayeda K M,Myers S M,Seo M J,Russell S J. 2012. Progress in singal-based bayesian monitoring[C]∥Proceedingsofthe2012MonitoringResearchReview:Ground-BasedNuclearExplosionMonitoringTechnologies. Arizona: National Nuclear Security Administration, I(LA-UR-11-04823): 263--273.

Pearce R G,staff,Monitoring Data Analysis Section,IDC. 2009. Exploiting the skills of waveform data and analysts in the quest for improved automatic processing[C/OL]∥ISS09Conference. 10--12 June,2009,Vienna. [2009-06-20]. http:∥www.ctbto.org/fileadmin/user_upload/ISS_2009/Poster/DM-12A%20(PTS)%20--%20Robert_Pearce%20etal.pdf.

Procopio M J,Young C J,Lewis J E. 2009. Using machine learning to improve the efficiency and effectiveness of automatic nuclear explosion monitoring system[C]∥Proceedingsofthe2009MonitoringResearchReview:Ground-BasedNuclearExplosionMonitoringTechnologies. Arizona: National Nuclear Security Administration, Ⅰ(LA-UR-09-05276): 788--797.

Research Required to Support Comprehensive Nuclear Test Ban Treaty Monitoring. 1997.PanelonBasicRequirementsinSupportofComprehensiveTestBanMonitoring[M]. Washington DC: National Academy Press: 49--82.

Roberts R G,Christoffersson A, Cassidy F. 1989. Real-time event detection,phase identification and source location estimation using single-station three-component seismic data[J].GeophysJ,97(3): 471--480.

Ryzhikov G A,Biryulina M S,Husebye E S. 1996. A novel approach to automatic monitoring of regional seismic events[J].IRISNewsletter,XV: 12--14.

Saragiotis C D,Hadjileontiadis L J,Panas S M. 2002. PAI-S/K: A robust automatic seismic P phase arrival identification scheme[J].IEEETransGeosciRemoteSens,40(6): 1395--1404.Selby N D. 2008. Application of a generalizedFdetector at a seismometer array[J].BullSeismolSocAm,98(5): 2469--2481.

Sleeman R, van Eck T. 1999. Robust automatic P-phase picking: An online implementation in the analysis of broadband seismogram recordings[J].PhysEarthPlanetInt,113(1): 265--275.

Stefano R D,Aldersons F,Kissling E,Baccheschi P,Chiarabba C, Giardini D. 2006. Automatic seismic phase picking and consistent observation error assessment: Application to the Italian seismicity[J].GeophysJInt,165(1): 121--134.

Suteau-Henson A. 1991. Three-component analysis of regional phases at NORESS and ARCESS: Polarization and phase identification[J].BullSeismolSocAm,81(6): 2419--2440.

Tibuleac I,Herrin E,Britton J,Shumway R,Rosca C. 2003. Automatic determination of secondary seismic phase arrival times using wavelet transforms[J].SeismResLett, 74(6): 884--892.

Tong C. 1995. Characterization of seismic phases: An automatic analyzer for seismograms[J].GeophysJInt,123(3): 937--947.

Trnkoczy A. 1999. Understanding and parameter setting of STA/LTA trigger algorithm[G]∥IASPEI:NewManualofSeismologicalObservatoryPractice. Postsdam: GeoForschungsZentrum: 1003--1020.

Wang J. 2002. Adaptive training of neural networks for automatic seismic phase identification[J].PureApplGeophys,159(5): 1021--1041.

Wang J, Teng T-L. 1995. Artificial neural network-based seismic detector[J].BullSeismolSocAm,85(1): 308--319.

Wang J, Teng T-L. 1997. Identification and picking of S phase using an artificial neural network[J].BullSeismolSocAm,87(5): 1140--1149.

Withers M,Aster R,Young C,Beirger J,Harris M,Moore S,Trujillo J. 1998. A comparison of select trigger algorithms for automated global seismic phase and event detection[J].BullSeismolSocAm,88(1): 95--106.

Zhang H,Thurber C,Rowe C. 2003. Automatic P-wave arrival detection and picking with multiscale wavelet analysis for single-component recordings[J].BullSeismolSocAm,93(5): 1904--1912.

Zhao Y,Takano K. 1999. An artificial neural network approach for broadband seismic phase picking[J].BullSeismolSocAm,89(3): 670--680.

A novel technique for automatic seismic data processing using both integral and local features of seismograms

(NorthwestInstituteofNuclearTechnology,Xi’an710024,China)

Reliable automation of data processing is of great significance for modern seismic monitoring. A novel technique for automatic seismic data processing which utilizes both integral and local features of seismograms was presented in this paper. However,unlike some previous efforts which seek to use envelope cross-correlation to detect seismic events directly,our technique keeps to follow the DIAL approach,i.e.,by steps of signal detection,phase identification,association and event localization. However,in addition to detect signals corresponding to individual seismic phases,the new technique also detects continuous wave-trains and explores their envelope features for phase type identification and signal association. More concrete ideas about how to define wave-trains and combine them with various detections as well as how to measure and utilize their features in the seismic data processing were expatiated in the paper. This approach has been applied to the routine data processing of regional seismic networks for several years,and as an application example,here were presented test results for a 16 days’ period using data from the Xinjiang regional seismic network. Practical application results show that the new technique can reduce both false alarm and missed event rate significantly and has good application prospects.

seismic; automatic data processing; integral features of seismic signals; local features of seismic signal

10.3969/j.issn.0253-3782.2014.03.012.

國家自然科學基金(41174033)資助.

2013-05-27收到初稿,2013-10-08決定采用修改稿.

e-mail: jinping668@sohu.com

10.3969/j.issn.0253-3782.2014.03.012

P315.61

A

靳平, 張誠鎏, 沈旭峰, 王紅春, 潘常周, 嚴峰, 王電源. 2014. 基于信號整體與局部特征的地震數(shù)據(jù)自動處理方法研究. 地震學報, 36(3): 464--479.

Jin P, Zhang C L, Shen X F, Wang H C, Pan C Z, Yan F, Wang D Y. 2014. A novel technique for automatic seismic data processing using both integral and local features of seismograms.ActaSeismologicaSinica, 36(3): 464--479. doi:10.3969/j.issn.0253-3782.2014.03.012.