Расширенный поиск
Двоичные отпечатки сейсмической записи как средство для автоматической фильтрации низкочастотного шума
Федеральный исследовательский центр “Единая геофизическая служба РАН”
Журнал: Сейсмические приборы
Том: 59
Номер: 2
Год: 2023
Страницы: 26–45
УДК: 550.(34.(012:062):344.2)
DOI: 10.21455/si2023.2-3
Показать библиографическую ссылку
Силкин К.Ю. Двоичные отпечатки сейсмической записи как средство для автоматической фильтрации низкочастотного шума
// Сейсмические приборы. 2023. Т. 59. № 2. С. 26–45. DOI: 10.21455/si2023.2-3
@article{СилкинДвоичные2023,
author = "Силкин, К. Ю.",
title = "Двоичные отпечатки сейсмической записи как средство для автоматической фильтрации низкочастотного шума
",
journal = "Сейсмические приборы",
year = 2023,
volume = "59",
number = "2",
pages = "26–45",
doi = "10.21455/si2023.2-3",
language = "Russian"
}
Скопировать ссылку в формате ГОСТ
Скопировать ссылку BibTex
Ключевые слова: двоичные отпечатки, землетрясение, взрыв, вейвлет-преобразование, непрерывное вейвлет-преобразование, двумерное дискретное вейвлет-преобразование, линеамент, фрактал, машинное обучение, распознавание
Аннотация: Произведён обзор публикаций по методам подавления низкочастотного шума и очистки от него сигнала землетрясений, взрывов и прочих сейсмических событий. Показано, что в настоящее время активно развивается направление в теории и практике обработки сейсмо-грамм, в рамках которого анализ переводится в двумерную частотно-временну́ю плоскость. К имеющимся методам появляются дополнительные надстройки второго и даже третьего этажа, что не может не затруднять понимание как их сути, так и интерпретации получаемых результатов. Мы постарались разобраться в них и в качестве альтернативы многочисленным дополнениям к частотно-временно́му анализу предложить свой подход, который, как мы полагаем, не только сделает анализ яснее, но и повысит его точность. Наш подход основан на применении к результатам непрерывного вейвлет-преобразования сейсмограммы метода двоичных отпечатков (ДО). В сложных случаях рекомендуется использовать более продвинутый его вариант – новую технологию избыточных отпечатков, что даёт удобную возможность объективно оценить частотные характеристики всех компонент записи. По итогам анализа, который доступен и автоматическим информационным системам, предоставляется возможность выбрать оптимальную граничную частоту для фильтра, что-бы очистить запись от низкочастотного шума и минимально исказить форму сигнала. Особенно это бывает важным в случае частичного перекрытия спектров шума и сигнала и высокой интенсивности первого. Предложенный метод может быть востребован для автоматической классификации записей сейсмических событий по природе их источника с помощью технологий машинного обучения.
Список литературы: Асминг В.Э., Баранов С.В. Использование спектрально- и частотно-временных вариаций сейсмических сигналов для различия землетрясений и взрывов в Евроарктическом регионе // Современные методы обработки и интерпретации сейсмологических данных: Материалы Международной сейсмологической школы. Обнинск: ГС РАН, 2006. С.23–27.
Асминг В.Э., Кременецкая Е.О., Виноградов Ю.А., Евтюгина З.А. Использование критериев идентификации взрывов и землетрясений для уточнения оценки сейсмической опасно-сти региона // Вестник Мурманского государственного технического университета. 2010. Т. 13, № 4-2. С.998–1007.
Баранов С.В. Применение вейвлет-преобразования для автоматического детектирования сейсмических сигналов // Физика Земли. 2007. № 2. С.83–94.
Дубянский А.И., Силкин К.Ю. Расшифровка структуры промышленных взрывов с использованием вейвлет-анализа сейсмологических записей // Современные проблемы и опыт гидрогеологических, инженерно-геологических и эколого-геологических исследований на территории Центрально-Черноземного региона: Материалы региональной научно-практической конференции, Воронеж, 09–10 февраля 2018 г. / Под ред. А.А. Аузина. Воронеж: Научная книга, 2018. С.70–75.
Макс Ж. Методы и техника обработки сигналов при физических измерениях. Т. 2. М.: Мир, 1983. 256 с.
Силкин К.Ю. Использование вейвлет-анализа как дополнительного критерия при идентификации природы сейсмического события // Структура, вещественный состав, свой-ства, современная геодинамика и сейсмичность платформенных территорий и сопредельных регионов: Материалы XXII Всероссийской с международным участием науч-но-практической Щукинской конференции, Воронеж, 22–25 сентября 2020 г. / Под ред. Л.И. Надёжка, Т.Б. Силкиной. Воронеж: ВГУ, 2020. С.328–334.
Силкин К.Ю. Оценка длительности короткозамедленного взрыва на результатах вейвлет-анализа его записи // Российский сейсмологический журнал. 2022а. Т. 4, № 1. C.53–62. https://doi.org/10.35540/2686-7907.2022.1.04
Силкин К.Ю. Новые эвристики на основе вейвлет-анализа записи одиночного датчика для распознавания землетрясений и взрывов // Сейсмические приборы. 2022б. Т. 58, № 3. С.5–24. https://doi.org/10.21455/si2022.3-1
Силкин К.Ю. Двоичные отпечатки результатов вейвлет-анализа записи сейсмического со-бытия как инструмент формирования его компактного образа для целей нейросетевого распознавания // Российский сейсмологический журнал. 2022в. Т. 4, № 4. C.42–55. https://doi.org/
10.35540/2686-7907.2022.4.03
Abma R., Claerbout J. Lateral prediction for noise attenuation by t-x and f-x techniques // Geo-physics. 1995. V. 60, N 6. P.1887–1896. https://doi.org/10.1190/1.1443920
Bergen K.J., Beroza G.C. Earthquake fingerprints: Extracting waveform features for similarity-based earthquake detection // Pure Appl. Geophys. 2019. V. 176, Iss. 3. P.1037–1059. https://doi.org/10.1007/s00024-018-1995-6
Bonar D., Sacchi M. Denoising seismic data using the nonlocal means algorithm // Geophysics. 2012. V. 77, N. 1. P.A5–A8. https://doi.org/10.1190/geo2011-0235.1
Daubechies I., Lu J., Wu H.-T. Synchrosqueezed wavelet transforms: An empirical mode de-composition-like tool // Appl. Comput. Harmon. Anal. 2011. V. 30, Iss. 2. P.243–261. https://doi.org/10.1016/j.acha.2010.08.002
Goupillaud P., Grossmann A., Morlet J. Cycle-octave and related transforms in seismic signal analysis // Geoexploration. 1984. V. 23, Iss. 1. P.85–102. https://doi.org/10.1016/0016-7142(84)90025-5
Herrera R., Tary J.B., Baan M., Eaton D. Body wave separation in the time-frequency domain // IEEE Geosci. Remote Sensing Lett. 2015. V. 12, Iss. 2. P.364–368. https://doi.org/10.1109/LGRS.2014.2342033
Iatsenko D., McClintock P.V.E., Stefanovska A. Extraction of instantaneous frequencies from ridges in time-frequency representations of signals // Signal Processing. 2016. V. 125. P.290–303. https://doi.org/10.1016/j.sigpro.2016.01.024
Islam M.R. Superiority of wavelet theory compared to Fourier transform // Khulna University Studies. 2006. V. 7, N 1. P.119–122. https://doi.org/10.53808/KUS.2006.7.1.0512-PS
Mallat S. A Wavelet Tour of Signal Processing: The Sparse Way. Cambridge: Academic Press, 2008. 109 p.
Mousavi S.M. Microseismic monitoring and denoising: Diss. … Ph.D. Memphis, 2017. 188 p. https://doi.org/10.13140/RG.2.2.16996.27529
Mousavi S.M., Langston Ch.A. Hybrid seismic denoising using higher-order statistics and im-proved wavelet block thresholding // Bull. Seismol. Soc. Amer. 2016. V. 106, N 4. P.1380–1393. https://doi.org/10.1785/0120150345
Mousavi S.M., Langston Ch., Horton S. Automatic denoising and detection of microseismic events using the synchrosqueezing // SEG Technical Program Expanded Abstracts. 2016a. P.825–829. https://doi.org/10.1190/segam2016-13262052.1
Mousavi S.M., Langston Ch., Horton S. Automatic microseismic denoising and onset detection using the synchrosqueezed continuous wavelet transform // Geophysics. 2016b. V. 81, Iss. 4. P.V341–V355. https://doi.org/10.1190/geo2015-0598.1
Shao X., Ma Ch. A general approach to derivative calculation using wavelet transform // Chemometrics & Intell. Lab. Syst. 2003. V. 69, Iss. 1–2. P.157–165. https://doi.org/10.1016/
j.chemolab.2003.08.001
Shi Y., Zhang D., Ji H., Dai R. Application of synchrosqueezed wavelet transform in microseis-mic monitoring of mines // IOP Conf. Ser.: Earth Environ. Sci. 2019. N 384. Art. 012075. https://doi.org/10.1088/1755-1315/384/1/012075
Tary J.B., Herrera R.H., van der Baan M. Analysis of time-varying signals using continuous wavelet and synchro squeezed transforms // Philos. Trans. R. Soc. A: Math. Phys. Eng. Sci. 2018. V. 376, Iss. 2126. Art. 20170254. https://doi.org/10.1098/rsta.2017.0254
Wang D. w., Li Y. j., Zhang K., Xu H. m. An adaptive time-frequency filtering method for non-stationary signals based on the generalized S-transform // Optoelectron. Lett. 2010. V. 6, Iss. 2. P.133–136. https://doi.org/10.1007/s11801-010-9250-0
Yoon C.E., O’Reilly O., Bergen K.J., Beroza G.C. Earthquake detection through computationally efficient similarity search // Sci. Adv. 2015. V. 1, Iss. 11. Art. e1501057. 13 p. https://doi.org/10.1126/sciadv.1501057
Yu G., Yu M., Xu Ch. Synchroextracting transform // IEEE Transactions on Industrial Electronics. 2017. V. 64, Iss. 10. P.8042–8054. https://doi.org/10.1109/TIE.2017.2696503
Zeng Zh., Lu T., Han P., Zhang D., Yang X. H., Shi Y., Chang Y., Zhang J., Dai R., Ji H. Micro-seismic data denoising in the sychrosqueezed domain by integrating the wavelet coefficient thresholding and pixel connectivity // Geophys. J. Int. 2023. V. 232, Iss. 2. P.1113–1128. https://doi.org/10.1093/gji/ggac378
Zhang D., Zeng Zh., Shi Y., Chang Y., Dai R., Ji H., Han P. An effective denoising method based on cumulative distribution function thresholding and its application in the microseis-mic signal of a metal mine with high sampling rate (6 kHz) // Front. Earth Sci. 2022. V. 10, N 7. Art. 933284. https://doi.org/10.3389/feart.2022.933284
Асминг В.Э., Кременецкая Е.О., Виноградов Ю.А., Евтюгина З.А. Использование критериев идентификации взрывов и землетрясений для уточнения оценки сейсмической опасно-сти региона // Вестник Мурманского государственного технического университета. 2010. Т. 13, № 4-2. С.998–1007.
Баранов С.В. Применение вейвлет-преобразования для автоматического детектирования сейсмических сигналов // Физика Земли. 2007. № 2. С.83–94.
Дубянский А.И., Силкин К.Ю. Расшифровка структуры промышленных взрывов с использованием вейвлет-анализа сейсмологических записей // Современные проблемы и опыт гидрогеологических, инженерно-геологических и эколого-геологических исследований на территории Центрально-Черноземного региона: Материалы региональной научно-практической конференции, Воронеж, 09–10 февраля 2018 г. / Под ред. А.А. Аузина. Воронеж: Научная книга, 2018. С.70–75.
Макс Ж. Методы и техника обработки сигналов при физических измерениях. Т. 2. М.: Мир, 1983. 256 с.
Силкин К.Ю. Использование вейвлет-анализа как дополнительного критерия при идентификации природы сейсмического события // Структура, вещественный состав, свой-ства, современная геодинамика и сейсмичность платформенных территорий и сопредельных регионов: Материалы XXII Всероссийской с международным участием науч-но-практической Щукинской конференции, Воронеж, 22–25 сентября 2020 г. / Под ред. Л.И. Надёжка, Т.Б. Силкиной. Воронеж: ВГУ, 2020. С.328–334.
Силкин К.Ю. Оценка длительности короткозамедленного взрыва на результатах вейвлет-анализа его записи // Российский сейсмологический журнал. 2022а. Т. 4, № 1. C.53–62. https://doi.org/10.35540/2686-7907.2022.1.04
Силкин К.Ю. Новые эвристики на основе вейвлет-анализа записи одиночного датчика для распознавания землетрясений и взрывов // Сейсмические приборы. 2022б. Т. 58, № 3. С.5–24. https://doi.org/10.21455/si2022.3-1
Силкин К.Ю. Двоичные отпечатки результатов вейвлет-анализа записи сейсмического со-бытия как инструмент формирования его компактного образа для целей нейросетевого распознавания // Российский сейсмологический журнал. 2022в. Т. 4, № 4. C.42–55. https://doi.org/
10.35540/2686-7907.2022.4.03
Abma R., Claerbout J. Lateral prediction for noise attenuation by t-x and f-x techniques // Geo-physics. 1995. V. 60, N 6. P.1887–1896. https://doi.org/10.1190/1.1443920
Bergen K.J., Beroza G.C. Earthquake fingerprints: Extracting waveform features for similarity-based earthquake detection // Pure Appl. Geophys. 2019. V. 176, Iss. 3. P.1037–1059. https://doi.org/10.1007/s00024-018-1995-6
Bonar D., Sacchi M. Denoising seismic data using the nonlocal means algorithm // Geophysics. 2012. V. 77, N. 1. P.A5–A8. https://doi.org/10.1190/geo2011-0235.1
Daubechies I., Lu J., Wu H.-T. Synchrosqueezed wavelet transforms: An empirical mode de-composition-like tool // Appl. Comput. Harmon. Anal. 2011. V. 30, Iss. 2. P.243–261. https://doi.org/10.1016/j.acha.2010.08.002
Goupillaud P., Grossmann A., Morlet J. Cycle-octave and related transforms in seismic signal analysis // Geoexploration. 1984. V. 23, Iss. 1. P.85–102. https://doi.org/10.1016/0016-7142(84)90025-5
Herrera R., Tary J.B., Baan M., Eaton D. Body wave separation in the time-frequency domain // IEEE Geosci. Remote Sensing Lett. 2015. V. 12, Iss. 2. P.364–368. https://doi.org/10.1109/LGRS.2014.2342033
Iatsenko D., McClintock P.V.E., Stefanovska A. Extraction of instantaneous frequencies from ridges in time-frequency representations of signals // Signal Processing. 2016. V. 125. P.290–303. https://doi.org/10.1016/j.sigpro.2016.01.024
Islam M.R. Superiority of wavelet theory compared to Fourier transform // Khulna University Studies. 2006. V. 7, N 1. P.119–122. https://doi.org/10.53808/KUS.2006.7.1.0512-PS
Mallat S. A Wavelet Tour of Signal Processing: The Sparse Way. Cambridge: Academic Press, 2008. 109 p.
Mousavi S.M. Microseismic monitoring and denoising: Diss. … Ph.D. Memphis, 2017. 188 p. https://doi.org/10.13140/RG.2.2.16996.27529
Mousavi S.M., Langston Ch.A. Hybrid seismic denoising using higher-order statistics and im-proved wavelet block thresholding // Bull. Seismol. Soc. Amer. 2016. V. 106, N 4. P.1380–1393. https://doi.org/10.1785/0120150345
Mousavi S.M., Langston Ch., Horton S. Automatic denoising and detection of microseismic events using the synchrosqueezing // SEG Technical Program Expanded Abstracts. 2016a. P.825–829. https://doi.org/10.1190/segam2016-13262052.1
Mousavi S.M., Langston Ch., Horton S. Automatic microseismic denoising and onset detection using the synchrosqueezed continuous wavelet transform // Geophysics. 2016b. V. 81, Iss. 4. P.V341–V355. https://doi.org/10.1190/geo2015-0598.1
Shao X., Ma Ch. A general approach to derivative calculation using wavelet transform // Chemometrics & Intell. Lab. Syst. 2003. V. 69, Iss. 1–2. P.157–165. https://doi.org/10.1016/
j.chemolab.2003.08.001
Shi Y., Zhang D., Ji H., Dai R. Application of synchrosqueezed wavelet transform in microseis-mic monitoring of mines // IOP Conf. Ser.: Earth Environ. Sci. 2019. N 384. Art. 012075. https://doi.org/10.1088/1755-1315/384/1/012075
Tary J.B., Herrera R.H., van der Baan M. Analysis of time-varying signals using continuous wavelet and synchro squeezed transforms // Philos. Trans. R. Soc. A: Math. Phys. Eng. Sci. 2018. V. 376, Iss. 2126. Art. 20170254. https://doi.org/10.1098/rsta.2017.0254
Wang D. w., Li Y. j., Zhang K., Xu H. m. An adaptive time-frequency filtering method for non-stationary signals based on the generalized S-transform // Optoelectron. Lett. 2010. V. 6, Iss. 2. P.133–136. https://doi.org/10.1007/s11801-010-9250-0
Yoon C.E., O’Reilly O., Bergen K.J., Beroza G.C. Earthquake detection through computationally efficient similarity search // Sci. Adv. 2015. V. 1, Iss. 11. Art. e1501057. 13 p. https://doi.org/10.1126/sciadv.1501057
Yu G., Yu M., Xu Ch. Synchroextracting transform // IEEE Transactions on Industrial Electronics. 2017. V. 64, Iss. 10. P.8042–8054. https://doi.org/10.1109/TIE.2017.2696503
Zeng Zh., Lu T., Han P., Zhang D., Yang X. H., Shi Y., Chang Y., Zhang J., Dai R., Ji H. Micro-seismic data denoising in the sychrosqueezed domain by integrating the wavelet coefficient thresholding and pixel connectivity // Geophys. J. Int. 2023. V. 232, Iss. 2. P.1113–1128. https://doi.org/10.1093/gji/ggac378
Zhang D., Zeng Zh., Shi Y., Chang Y., Dai R., Ji H., Han P. An effective denoising method based on cumulative distribution function thresholding and its application in the microseis-mic signal of a metal mine with high sampling rate (6 kHz) // Front. Earth Sci. 2022. V. 10, N 7. Art. 933284. https://doi.org/10.3389/feart.2022.933284
