First arrival time picking algorithm of micro-seismic based on improved STA/LTA and adaptive VMD
-
摘要: 针对低信噪比条件下微震初至拾取准确度低的问题，基于信号幅度变化引入权重因子，对传统长短时窗比值（STA/LTA）算法进行改进，提高初次拾取精度。为了进一步降低拾取误差，对变分模态分解（VMD）算法进行优化，基于互相关系数和排列熵准则自适应确定VMD分解层数，对初次拾取结果前后2—3 s的记录进行优化VMD，并计算分解后各本征模函数（IMF）的峰度赤池信息准则值，得到各IMF的到时，以各IMF的拾取结果及能量比综合加权得到二次拾取到时。仿真实验表明：改进后的STA/LTA在较低信噪比下可降低初次拾取误差约0.01 s以上；相比经验模态分解（EMD)和小波包分解，自适应VMD分解后能再次降低误差，最终与人工拾取结果平均误差在0.023 s以内。实际微震信号初至拾取结果表明，本算法能快速有效地识别初至P波，与人工拾取结果相比误差小，准确率高。Abstract: Accurate and reliable picking of the first arrival time is one of the critical steps in micro-seismic monitoring. Aiming at the problem of low accuracy of first arrival picking for micro-seisms under low signal-to-noise ratio, the traditional short term averaging/long term averaging algorithm is improved by introducing weight factor according to the change of signal amplitude to improve the accuracy of initial pickup. In order to further reduce the pickup error, variational mode decomposition （VMD） is optimized based on cross-correlation coefficient and permutation entropy criterion, and decomposition layers are determined adaptively. Then, the signals of 2−3 s before and after the initial pickup are decomposed by VMD, and the Kurtosis-Akaike information criterion （AIC） values of the decomposed intrinsic mode functions （IMF） are calculated to get the arrival time of each IMF, and the secondary arrival time is obtained by comprehensively weighting the picking results and energy ratios of each IMF. Simulation results show that the improved STA/LTA can reduce the initial picking error by more than 0.01 s at low SNR; compared with empirical mode decomposition （EMD） and wavelet packet decomposition, the adaptive VMD decomposition can reduce the picking error again, and the finalaverage picking error is less than 0.023 s. The first arrival time picking results of real micro-seismic signals show that the proposed algorithm can identify the first break of P-wave quickly and effectively, and the error is smaller than that of manual picking, which shows that the algorithm is effective and the picking accuracy is high.
-
Keywords:
- STA/LTA /
- variational mode decomposition /
- first arrival picking /
- micro-seismic /
- AIC
-
引言
地震热辐射异常信息是一种被淹没在复杂背景中的弱信息，对此类信息的识别提取是研究地震热辐射的难点。前人的研究主要针对大地震或强烈地震的热辐射异常，认为许多强震前存在热红外前兆信息（Gorny et al，1988 ；强祖基等，1990，1998；Qiang et al，1991a ，b，c，1997；卢振权等，2005；马瑾等，2006），并可利用现有的提取方法有效地被提取识别（Xu et al，1995 ；强祖基等，1998；王涛等，2013）。时频相对功率谱法（time-frequency relative power spectrum，简写为T-F RPS）能够很好地提取和识别地震热辐射异常（郭晓等，2010；Zhang et al，2010；Wei et al，2013 ），通过分析研究大量震例，研究人员得到了比较明显的异常结果（张元生等，2002，2004，2011；魏从信等，2011，2013，2014；郭晓等，2013，2014；张璇等，2013a，b）。
一次特大地震往往会对区域热辐射背景场造成很大影响，本文尝试研究了2011年3月11日日本MW9.1特大地震对震中及附近海域热辐射背景的影响。应用我国自主研制的中国静止气象卫星风云二号系列（FY-2C/2E/2F/2G）的亮温（temperature of black body，简写为TBB）资料，通过小波变换和相对功率谱处理，分析提取2011年3月11日日本MW9.1特大地震的热辐射异常信息，研究该地震的热辐射异常特征。利用时频分析方法研究10年（2007—2016年）间震中及附近区域（30°N—45°N，135°E—150°E）的热辐射背景场，对比研究不同小波变换尺度因子和不同窗长下的相对功率谱处理得到的地震热辐射异常。
北美板块、太平洋板块、菲律宾海板块和欧亚板块的俯冲活动均会对日本、我国台湾及周边地区的构造背景产生影响。各大板块的俯冲挤压作用和板间滑动在此次特大地震震区产生了丰富的地震活动性：1958年Etorofu MW8.4地震、1963年Kuril MW8.6地震、2003年Tokachi-Oki MW8.3地震和2011年Tohoku MW9.0地震是板间地震活动性造成的；而1933年Sanriku-Oki MW8.4地震和1994年Shikotan MW8.3地震是太平洋板块和北美板块的岩石圈内部变形引起的板内地震活动（USGS，2013）。
2011年3月11日日本本州东海岸近海发生的MW9.1地震使本州以东400 km的俯冲带板块边界形成破裂带，其产生的海啸导致2万多人死亡，造成了毁灭性的人员伤亡和惨重的财产损失。2007年1月至2016年12月，在（30°N—45°N，135°E—150°E）区域内共发生8次MW＞7.0强震，其中2011年5次，2009，2012和2013年各1次，具体信息列于表1。从表中可以看出，2011年3月11日MW9.1地震符合前震-主震-余震型特征，2011年3月9日的MW7.3地震为前震，3月11日的MW9.1地震为主震，同一日的MW7.9地震、MW7.7地震和4月7日的MW≥7.1地震为强余震。
表 1 2007年1月至2016年12月研究区MW＞7.0地震参数Table 1. Parameters of MW＞7.0 earthquakes in the studied area from January 2007 to December 2016发震时刻
年-月-日东经/° 北纬/° 震源深度/km MW 2009−08−09 137.94 33.17 292 7.1 2011−03−09 142.84 38.44 32 7.3 2011−03−11 142.37 38.30 29 9.1 2011−03−11 141.11 36.28 43 7.9 2011−03−11 144.59 38.06 19 7.7 2011−04−07 141.59 38.28 42 7.1 2012−12−07 143.95 37.89 31 7.3 2013−10−25 144.66 37.16 35 7.1 注：数据引自USGS地震目录 （USGS，2013）。 1. 数据与方法
1.1 数据资料
我国自主研制的中国静止气象卫星风云二号系列（FY-2C/2E/2F/2G），其观测记录的TBB具有面结构数据特征，即时间可比性和空间一致性，在大地震热辐射异常识别和研究方面具有时空优势。其系列卫星包括：C星（FY-2C），于2004年10月19日发射，卫星定点于105°E赤道上空，主要有效载荷为红外和可见光自旋扫描辐射器VISSR；E星（FY-2E），于2008年12月23日发射，定位于105°E赤道上空；F星（FY-2F），于2012年1月11日发射；FY-2G为风云二号（03批）卫星中的第二颗卫星，于2014年12月31日发射，自2015年7月1日开始定位于105°E赤道上空，并提供观测服务。
研究数据源于中国静止气象卫星风云系列的TBB遥感数据，资料起止时间范围为2007年1月1日至2016年12月31日，空间范围为（30°N—45°N，135°E—150°E）。为减少太阳辐射的影响，只选取每天午夜的观测数据，数据时段为世界时（GMT）17:00，18:00，19:00，20:00，21:00。采用补窗法对每日这几个时刻的数据进行简单处理，去除部分云影响，并计算其平均值，构成日值（Zhang et al，2010 ）。
1.2 时频分析方法
时频分析即时频联合域分析（joint time-frequency analysis，简写为JTFA），其作为分析时变非平稳信号的有力工具，已成为现代信号处理研究的一个热点（庞锐等，2013；王涛等，2013；张猛刚等，2013；刘海燕等，2015）。时频分析方法提供了时间域和频率域的联合分布信息，清楚地描述了信号频率随时间变化的关系，其基本思想是：设计时间和频率的联合函数，使其可同时描述信号在不同时间和频率的能量密度或强度。时间和频率的这种联合函数简称为时频分布。利用时频分布来分析输入信号，能给出各个时刻的瞬时频率及其幅值，并且能够进行时频滤波和时变信号等的研究。
利用小波变换对卫星热辐射多年日值数据进行处理，以分离出基本温度场（直流部分）、年变温度场和其它因素引起的变化温度场。经过分析认为Daubechies基函数的小波变换6阶尺度较7阶尺度部分更好地反映了背景场信息。分别计算分离6阶和7阶尺度背景场，经2阶尺度和7阶尺度滤波处理后的数据在时间域里是正负相间的波形数据。应用功率谱法可以在时间域获得优势频率和幅值的时频信息，即时频分析方法。通过对近十几年的TBB日值数据的分析，小波变换的7阶尺度和2阶尺度带通滤波可很好地去除短时气候变化和年变部分信息。由于计算量的关系，我们对前文中正负相间的滤波结果作64天窗长的相对功率谱计算。为了对比研究地震前后热辐射变化的功率谱与其它时段的功率谱的差异，我们对每一像元的所有频率的功率谱作相对幅值处理，生成功率谱时频相对时空数据。通过计算得到时频时空数据，并利用时频剖面图法进行全时空、全频段扫描，识别提取地震热辐射异常。
1.3 热辐射背景场
地球与外太空时刻进行着能量交换，同时地球系统保持着能量平衡，表明地表亮温存在一个基本场。研究人员提出了地表亮温及年变基准场的概念，并基于遥感20年的资料，借用分离窗方法和小波分析方法，提取了中国地表亮温的年变基准场，为进一步分析热辐射异常场奠定基础（陈顺云等，2004）。非构造活动或非地震因素对地表热辐射场（地表亮温）的影响，对利用卫星热红外遥感探索地震前兆或断层活动有着重要的意义。地表亮温中，典型非构造活动或非地震因素成分包括由太阳辐射引起的稳定年周期成分，与地形、纬度及能量平衡等要素有关的长期稳定成分以及合成年变基准场（陈顺云等，2009）。
1.4 数据处理过程
数据计算及异常提取分为以下4步：① 数据预处理，截取空间范围（30°N—45°N，135°E—150°E）作为TBB原始小时观测数据区域，数据格式转换为通用数据格式以备后续计算；② 不同尺度小波变换，分别计算每个象元6阶尺度、7阶尺度及2阶和7阶带通滤波数据；③ 相对功率谱计算，对每组小波变换后的数据作不同窗长（64，128，256和512天）的傅里叶功率谱，并对结果作相对处理（Zhang et al，2010 ），这样就获得了相对时频时空数据；④ 异常识别提取，通过异常时空演化图全时空、全频段扫描提取地震热辐射异常。
2. 时频分析热辐射背景场
2.1 日本MW9.1地震热辐射异常演化过程分析
应用时频相对功率谱法小波变换6阶尺度部分并进行512天窗长的傅里叶相对功率谱估计，通过256天特征周期对2007—2016年10年间（30°N—45°N，135°E—150°E）空间范围进行全时空时频扫描，观测到2011年1月10日至2011年4月30日出现了长时间、大范围的热辐射异常（图1），其余时间均无长时间、大范围异常，异常时间段和空间展布形态与2011年3月11日日本本州东海岸近海MW9.1地震对应良好。时空演化过程表现为：异常出现（2011年1月10日左右）；异常相对幅值和面积逐步增大且达最大（2011年2月20日左右至3月10日左右），刚好为地震发生时段；异常逐渐消失（2011年4月30日左右），可以判定为该地震引起的地震热辐射异常（图1）。从不同周期（频率）的角度来讲，应用T-F RPS小波变换两个尺度（6阶尺度部分和7阶尺度部分），并用4个不同窗长（64，128，256和512天）进行傅里叶相对功率谱估计，之后对每个窗长的相对功率谱均作5个频率（周期）的分解，得到40个时间数据集，时频扫描发现，仅当6阶尺度小波变换经512天窗长的傅里叶相对功率谱处理后，256天特征周期的时频数据出现异常，从海量的数据中仅提取到一个与地震时间相吻合的异常，可以判定为地震异常。
![]()
图 1 2011年3月11日日本MW9.1地震热辐射异常的时空演化（小波因子：6阶尺度；傅里叶变换窗长：512天；特征周期：256天）Figure 1. Spatio-temporal evolution of thermal radiation anomaly caused by the Japan MW9.1 earthquake（Wavelet factor：6th order scale；Fourier transform window length：512 days；characteristic period：256 days）2.2 地震引起的热辐射背景场影响分析
应用T-F RPS小波变换2阶尺度和7阶尺度滤波并进行64天窗长的傅里叶相对功率谱估计，去除年变背景场和短周期背景场，得到由强震引起的背景场，之后对2007—2016年空间范围（30°N—45°N，135°E—150°E）进行64天特征周期的全时空时频扫描，分析地震引起的热辐射背景场变化。2011年3月11日日本本州东海岸近海MW9.1地震对区域热辐射背景场的影响分为3个阶段：① 影响不明显阶段，震前2—4年，即2007—2009年，通过全时空时频扫描，未发现该时段出现过长时间、大范围的热辐射异常；② 主要影响阶段，震前1年和发震年份，即2010—2011年，通过全时空时频扫描，得到该时段共出现4次长时间、大范围的热辐射异常，分别为2010年5月17日至2010年7月21日（图2a），2011年1月2日至2011年3月8日（图2b），2011年5月12日至2011年8月5日（图2c）和2011年10月4日至2011年11月13日（图2d）；③ 影响逐渐减弱阶段，震后1年及以后，即2012—2016年，通过全时空时频扫描，得到该时段只在2013年8月14日至2013年10月28日出现过一次长时间、大范围的热辐射异常（图2e），该次异常与2013年10月25日MW7.1地震过程相对应（表2），说明此次异常可能是由该MW7.1地震所引起，其余年份均未出现长时间、大范围的热辐射异常，MW9.1地震在该时间段对该区域的热辐射背景场造成的影响逐渐减弱直至消失。
![]()
图 2 2011年3月11日日本MW9.1地震热辐射背景场的时空演化（小波因子：2−7阶带通滤波；傅里叶变换窗长：64天；特征周期：64天）Figure 2. Spatio-temporal evolution of thermal radiation background field caused by the Japan MW9.1 earthquake（Wavelet factor：2nd−7th order scale bandpass filtering；Fourier transform window length：64 days；characteristic period：64 days）![]()
图 3 不同尺度地震热辐射异常特征图（a）—（f） 的小波因子均为6阶尺度，傅里叶变换窗长分别为512，128，256，256，512和256天，特征周期分别为170，128，128，256，170和128天Figure 3. Characteristics of thermal radiation anomalies in different scalesIn Figs. （a）−（f）， wavelet factors forare all 6th order scale，Fourier transform window lengths are 512，128，256，256，512 and 256 days，respectively，and characteristic periods are 170，128，128，256，170 and 128 days，respectively2.3 不同尺度地震异常热辐射分析
应用T-F RPS小波变换不同阶数（6阶尺度或7阶尺度）并进行不同窗长（64，128，256和512天）的傅里叶相对功率谱估计，通过全部特征周期对2007—2016年10年间（30°N—45°N，135°E—150°E）空间范围进行全时空时频扫描，对比分析不同尺度下的地震热辐射异常。扫描发现7阶小波尺度无任何异常，而6次小波变换6阶尺度部分不同窗长的相对傅里叶功率谱出现多次异常，分别为：① 2009年6月20日至2009年12月10日期间出现了256天窗长的相对傅里叶变换和128天特征周期的热辐射异常（图3a），该异常与2009年8月9日MW7.1地震相对应（表2）；② 2009年8月31日至2009年12月10日，在此期间出现了128天窗长的相对傅里叶变换和128天特征周期的热辐射异常（图3b），该异常与2009年8月9日MW7.1地震相对应（表2）；③ 2010年9月30日至2010年12月20日期间出现了256天窗长的相对傅里叶变换和128天特征周期的热辐射异常，无地震对应（图3c）；④ 2011年4月30日至2011年10月31日期间出现了256天窗长的相对傅里叶变换和256天特征周期的热辐射异常（图3d），该异常反映了MW9.1强震及其2011年3次MW＞7.0强余震（表2）；⑤ 2011年8月10日至2011年12月10日期间出现了512天窗长的相对傅里叶变换和170天特征周期的热辐射异常（图3e），该异常反映了MW9.1强震及其2011年3次MW＞7.0强余震（表2）；⑥ 2012年8月10日至2012年12月10日期间出现了256天窗长的相对傅里叶变换和256天特征周期的热辐射异常（图3f），该异常与2012年12月7日MW7.3地震相对应（表2）。
表 2 地震热辐射异常对应表Table 2. Corresponding table of earthquake thermal radiation anomalies发震时刻
年-月-日东经/° 北纬/° 震源深度/km MW 异常对应图 2009−08−09 137.94 33.17 292 7.1 图3a，b 2011−03−09 142.84 38.44 32 7.3 2011−03−11 142.37 38.30 29 9.1 图3d，e 2011−03−11 141.11 36.28 43 7.9 图3d，e 2011−03−11 144.59 38.06 19 7.7 图3d，e 2011−04−07 141.59 38.28 42 7.1 图3d，e 2012−12−07 143.95 37.89 31 7.3 图3f 2013−10−25 144.66 37.16 35 7.1 图2e 3. 讨论与结论
一次特大地震会对区域热辐射背景场造成较大影响，本文首次探讨了海域特大地震对区域热辐射背景场的影响，以便更有效地减少非震因素引起的热辐射背景场异常，提高地震热辐射异常识别的准度和精度，夯实异常识别由定性到半定量甚至定量的转变。此外，应用多尺度的时频功率谱法识别提取地震热辐射异常信息，也能够更好地提高异常识别的准确性，并通过归纳总结更多震例建立更合适的分析处理模型。
本文初次研究了2007—2016年10年间的TBB日值数据，得出地震热辐射异常与地震年份背景场异常区域存在互补性关系。例如，2011年8月10日至2011年12月10日期间出现了512天窗长的相对傅里叶变换和170天特征周期的热辐射异常，2011年4月30日至2011年10月31日期间出现了256天窗长的相对傅里叶变换和256天特征周期的热辐射异常，这两次异常均反映了MW9.1强震及其2011年3次MW＞7.0强余震。随着卫星观测时间的积累和分辨率及数据质量的提高，我们可以归纳出地震热辐射异常特征参数（例如特征周期，异常幅度，持续时间，异常面积和极值出现的时间等）与地域（经纬度）、季节、地质环境和气候因素等方面的相关性，从而深入地研究地震热辐射异常的各个特征参数的频次和概率分布等，获得地震信息变化的特征要素，建立地震热辐射异常的时空特征模型，提高地震热辐射研究的深度和广度，为卫星红外遥感地震热异常提供判据，更好地解决实际问题。
通常区域背景场是相对稳定的，其表征地球与外太空时刻进行着能量交换，也体现了地球系统保持着能量平衡。本文所探讨的是一次特大地震（MW9.1）对区域稳定背景场的影响，从某种程度上来说，其造成的区域热辐射背景场异常幅度甚至超过了2007—2016年这10年间几次地震热辐射的异常幅度。本文初次分析了背景场的影响范围和影响时间，单次震例不足以定论强震对区域热辐射背景场的影响，总结研究区内MW≥7.0地震对区域热辐射背景场影响的异同，建立定性或定量的影响分析模型，以便更有效地去除背景异常和非震异常。
根据上述结果及分析，本文得出如下结论：
1） 应用时频相对功率谱法（T-F RPS）处理中国静止气象卫星TBB数据，易于分析2011年3月11日日本本州东海岸近海MW9.1地震的热辐射异常。异常特征表现为：① 特征参数分别为小波变换6阶尺度部分、512天窗长相对功率谱估计和256天特征周期；② 热辐射异常最大幅值约为背景值的10倍，异常幅值与震级无明显的对应关系；③ 异常时段和形态与MW9.1地震的发震构造对应较好。
2） 通过全时空全频段时频扫描2007—2016年（30°N—45°N，135°E—150°E）空间范围，得到2011年3月11日日本MW9.1地震对区域热辐射背景场的影响可分为3个阶段：影响不明显阶段，震前2—4年（2007—2009年）未出现任何长时间、大范围异常；主要影响阶段，震前1年和发震年份（2010—2011年）；影响逐渐减弱阶段，震后1年及以后（2012—2016年）。
3） 通过多尺度多时频经过全部特征周期进行全时间全空间时频扫描2007—2016年10年间（30°—45°N，135°—150°E）空间范围，对比分析研究热辐射背景场影响，7阶小波尺度部分没有任何异常信息，因此不能反映该区域地震热辐射异常，6阶小波变换尺度部分经过不同窗长的相对傅里叶功率谱处理共出现6次异常。
部分静止卫星数据资料由中国气象局国家卫星气象中心提供，4位审稿专家对本文的撰写提出了宝贵的建设性意见，作者在此一并表示衷心的感谢。
-
![]()
图 1 基于改进STA/LTA及优化VMD的微震初至拾取算法流程图
Figure 1. The flow chart of the first break picking of micro-seismic based on imp-roved STA/LTA and adaptive VMD
![]()
图 2 基于雷克子波和卷积模型的理论和模拟地震记录
Figure 2. Theoretical and simulated seismogram based on Ricker wavelet and convolution model
![]()
图 4 不同SNR下三种STA/LTA算法拾取误差曲线
Figure 4. Picking up error curves of three STA/LTA algorithms under different SNRs
![]()
图 5 优化VMD峰度AIC为3.07 s时的初至拾取结果
Figure 5. First arrival picking based on improved VMD when Kurtosis-AIC is 3.07 s
![]()
图 7 基于小波包峰度AIC的初至拾取
Figure 7. First arrival picking based on wavelet packet Kurtosis-AIC
![]()
图 10 广西平果2013年7月4日ML1.3爆破的一条实际微震记录
Figure 10. Real micro-seismic record of some coal mine with ML1.3 at Pingguo，Guangxi on July 4th 2013
![]()
图 11 本文改进STA/LTA初次拾取结果
Figure 11. First picking results of improved STA/LTA in this paper
![]()
图 12 本文改进STA/LTA及优化VMD峰度AIC拾取结果
Figure 12. First arrival picking by improved STA/LTA and adaptive VMD Kurtosis-AIC
表 1 实际微震记录初至拾取结果
Table 1 First arrival picking of real micro-seismics
拾取方法 误差 30 ms 误差 20 ms 误差 10 ms 记录条数 占比 记录条数 占比 记录条数 占比 本文 1 117 98.2% 1 090 95.9% 1 031 90.7% EMD-AIC 1 090 95.9% 1 052 92.5% 980 86.2% 小波包峰度AIC 1 075 94.5% 1 037 91.2% 968 85.1% 
下载: 导出CSV
-
贾瑞生,谭云亮,孙红梅,洪永发. 2015. 低信噪比微震P波震相初至自动拾取方法[J]. 煤炭学报,40(8):1845–1852. Jia R S,Tan Y L,Sun H M,Hong Y F. 2015. Method of automatic detection on micro-seismic P-arrival time under low signal-to-noise ratio[J]. Journal of China Coal Society,40(8):1845–1852 (in Chinese).
李伟,江晓林,陈海波,金珠鹏,刘志军,李兴伟,林井祥. 2018. 基于EEMD_Hankel_SVD的矿山微震信号降噪方法[J]. 煤炭学报,43(7):1910–1917. Li W,Jiang X L,Chen H B,Jin Z P,Liu Z J,Li X W,Lin J X. 2018. Denosing method of mine microseismic signal based on EEMD_Hankel_SVD[J]. Journal of China Coal Society,43(7):1910–1917 (in Chinese).
刘晗,张建中. 2014. 微震信号自动检测的STA/LTA算法及其改进分析[J]. 地球物理学进展,29(4):1708–1714. doi: 10.6038/pg20140429 Liu H,Zhang J Z. 2014. STA/LTA algorithm analysis and improvement of microseismic signal automatic detection[J]. Progress in Geophysics,29(4):1708–1714 (in Chinese).
刘晓明,赵君杰,王运敏,彭平安. 2017. 基于改进的STA/LTA方法的微地震P波自动拾取技术[J]. 东北大学学报(自然科学版),38(5):740–745. Liu X M,Zhao J J,Wang Y M,Peng P A. 2017. Automatic picking of microseismic events P-wave arrivals based on improved method of STA/LTA[J]. Journal of Northeastern University (Natural Science)
,38(5):740–745 (in Chinese). 唐贵基,王晓龙. 2015. 参数优化变分模态分解方法在滚动轴承早期故障诊断中的应用[J]. 西安交通大学学报,49(5):73–81. doi: 10.7652/xjtuxb201505012 Tang G J,Wang X L. 2015. Parameter optimized variational mode decomposition method with application to incipient fault diagnosis of rolling bearing[J]. Journal of Xi’an Jiaotong University,49(5):73–81 (in Chinese).
田优平,赵爱华. 2016. 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[J]. 地震学报,38(1):71–85. doi: 10.11939/jass.2016.01.007 Tian Y P,Zhao A H. 2016. Automatic identification of P-phase based on wavelet packet and kurtosis-AIC method[J]. Acta Seismologica Sinica,38(1):71–85 (in Chinese).
王志坚,常雪,王俊元,杜文华,段能全,党长营. 2018. 排列熵优化改进变模态分解算法诊断齿轮箱故障[J]. 农业工程学报,34(23):59–66. doi: 10.11975/j.issn.1002-6819.2018.23.007 Wang Z J,Chang X,Wang J Y,Du W H,Duan N Q,Dang C Y. 2018. Gearbox fault diagnosis based on permutation entropy optimized variational mode decomposition[J]. Transactions of the Chinese Society of Agricultural Engineering,34(23):59–66 (in Chinese).
赵大鹏,刘希强,刘尧兴,王志铄,赵晖,张亚琳. 2013. 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[J]. 地震地磁观测与研究,34(5/6):61–69. Zhao D P,Liu X Q,Liu Y X,Wang Z S,Zhao H,Zhang Y L. 2013. Detection of regional seismic events by high order statistics method and automatic identification of direct P-wave first motion by AIC method[J]. Seismological and Geomagnetic Observation and Research,34(5/6):61–69 (in Chinese).
郑近德,程军圣,杨宇. 2013. 改进的EEMD算法及其应用研究[J]. 振动与冲击,32(21):21–26. doi: 10.3969/j.issn.1000-3835.2013.21.004 Zheng J D,Cheng J S,Yang Y. 2013. Modified EEMD algorithm and its applications[J]. Journal of Vibration and Shock,32(21):21–26 (in Chinese).
郑小霞,周国旺,任浩翰,符杨. 2017. 基于变分模态分解和排列熵的滚动轴承故障诊断[J]. 振动与冲击,36(22):22–28. Zheng X X,Zhou G W,Ren H H,Fu Y. 2017. A rolling bearing fault diagnosis method based on variational mode decomposition and permutation entropy[J]. Journal of Vibration and Shock,36(22):22–28 (in Chinese).
朱权洁,姜福兴,魏全德,王博,刘金海,刘晓辉. 2018. 煤层水力压裂微震信号P波初至的自动拾取方法[J]. 岩石力学与工程学报,37(10):2319–2333. Zhu Q J,Jiang F X,Wei Q D,Wang B,Liu J H,Liu X H. 2018. An automatic method determining arrival times of microseismic P-phase in Hydraulic fracturing of coal seam[J]. Chinese Journal of Rock Mechanics and Engineering,37(10):2319–2333 (in Chinese).
Bandt C,Pompe B. 2002. Permutation entropy:A natural complexity measure for time series[J]. Phys Rev Lett,88(17):174102. doi: 10.1103/PhysRevLett.88.174102
Charles M,Ge M C. 2018. Enhancing manual P-phase arrival detection and automatic onset time picking in a noisy microseismic data in underground mines[J]. Int J Min Sci Technol,28(4):691–699. doi: 10.1016/j.ijmst.2017.05.024
Dragomiretskiy K,Zosso D. 2014. Variational mode decomposition[J]. IEEE Trans Signal Proc,62(3):531–544. doi: 10.1109/TSP.2013.2288675
Gaci S. 2014. The use of wavelet-based denoising techniques to enhance the first-arrival picking on seismic traces[J]. IEEE Trans Geosci Remote Sens,52(8):4558–4563. doi: 10.1109/TGRS.2013.2282422
Kirbas I,Peker M. 2017. Signal detection based on empirical mode decomposition and Teager-Kaiser energy operator and its application to P and S wave arrival time detection in seismic signal analysis[J]. Neural Comput Appl,28(10):3035–3045. doi: 10.1007/s00521-016-2333-5
Li F Y,Zhang B,Verma S,Marfurt K J. 2018. Seismic signal denoising using thresholded variational mode decomposition[J]. Explora Geophys,49(4):450–461. doi: 10.1071/EG17004
Li X B,Shang X Y,Wang Z W,Dong L J,Weng L. 2016. Identifying P-phase arrivals with noise:An improved Kurtosis method based on DWT and STA/LTA[J]. J Appl Geophys,133:50–61. doi: 10.1016/j.jappgeo.2016.07.022
Li X B, Shang X Y, Morales-Esteban A, Wang Z W. 2017. Identifying P phase arrival of weak events: The Akaike information criterion picking application based on the empirical mode decomposition[J] Comput Geosci, 100: 57–66.
Liu M Z,Yang J X,Cao Y P,Fu W N,Cao Y L. 2017. A new method for arrival time determination of impact signal based on HHT and AIC[J]. Mech Syst Signal Proc,86:177–187. doi: 10.1016/j.ymssp.2016.10.003
Shang X Y,Li X B,Morales-Esteban A,Dong L J. 2018. Enhancing micro-seismic P-phase arrival picking:EMD-cosine function-based denoising with an application to the AIC picker[J]. J Appl Geophys,150:325–337. doi: 10.1016/j.jappgeo.2017.09.012
Xue Y J,Cao J X,Wang D X,Du H K,Yao Y. 2016. Application of the variational-mode decomposition for seismic time-frequency analysis[J]. IEEE J Select Top Appl Earth Observ Remote Sens,9(8):3821–3831. doi: 10.1109/JSTARS.2016.2529702
-
期刊类型引用(4)
1. 张丽峰，孙玺皓，马茹莹，赵玉红，胡维云. 2018年青海称多M_S5.3地震前热红外亮温异常分析及预测回顾. 地震工程学报. 2023(01): 153-160 . 
百度学术
2. 刘善军，纪美仪，宋丽美，魏恋欢. 基于改进两步差法的玛多M_S7.4地震微波异常研究. 地震学报. 2023(02): 328-340 . 本站查看
3. 孟亚飞，孟庆岩，张颖，周世健，刘文宝. 基于夜间多时相遥感数据的热异常与地震的相关性. 地震学报. 2021(01): 124-135 . 本站查看
4. 孟亚飞，孟庆岩，周世健，张颖. 基于卫星数据稳健分析技术统计分析新疆地区热异常与地震的关系. 地震学报. 2020(02): 205-215+245 . 本站查看
其他类型引用(4)
计量
- 文章访问数: 730
- HTML全文浏览量: 326
- PDF下载量: 125
- 被引次数: 8
