Автоматическое удаление низкочастотного шума из сейсмограмм с помощью двоичных отпечатков: алгоритмы, свойства, ограничения

Обложка

Цитировать

Полный текст

Аннотация

Представляемая статья содержит описание новой методики для автоматической подготовки зашумленной сейсмической записи к дальнейшему анализу с помощью экспертных информационных систем. В основу методики положены двоичные отпечатки сейсмограммы, которые благодаря своему лаконичному, но информативному рисунку позволяют хорошо алгоритмизировать поиск ключевых характеристик низкочастотного шума. Особенно важным нахождение оптимальной частоты низкочастотной фильтрации является в условиях частичного перекрытия спектров сигнала и шума при высокой интенсивности последнего. Именно на такой трудный случай и рассчитано проведенное исследование. В статье проводится анализ разработанной методики на примере нескольких сотен регистраций региональных землетрясений и взрывов. По результатам анализа показано, что достоверные результаты решения могут быть достигнуты более чем в 90% случаев. Отдельно упоминаются слабые стороны и ограничения метода, которые являются продолжением его достоинств. В приложении к статье читатель найдет детально описанный алгоритм, положенный в его основу.

Об авторах

К. Ю. Силкин

Единая геофизическая служба РАН

Автор, ответственный за переписку.
Email: const.silkin@ya.ru
Россия, просп. Ленина, 189, Обнинск, 249035

Список литературы

  1. Адушкин В.В., Спивак А.А. Влияние трассы на затухание сейсмического сигнала от короткозамедленных карьерных взрывов // Динамические процессы в геосферах. 2013. № 4. С. 118–126.
  2. Асминг В.Э., Баранов С.В. Использование спектрально- и частотно-временных вариаций сейсмических сигналов для различия землетрясений и взрывов в Евро-арктическом регионе // Современные методы обработки и интерпретации сейсмологических данных. Материалы Международной сейсмологической школы. Обнинск: ГС РАН, 2006. С. 23–27.
  3. Асминг В.Э., Кременецкая Е.О., Виноградов Ю.А. Евтюгина З.А. Использование критериев идентификации взрывов и землетрясений для уточнения оценки сейсмической опасности региона // Вестник МГТУ. Труды Мурманского государственного технического университета. 2010. Т. 13. № 4–2. С. 998–1007. EDN NQZHFN
  4. Асминг В.Э., Федоров А.В. Возможности применения автоматического детектора-локатора сейсмических событий по одиночной станции для детальных сейсмологических наблюдений // Сейсмические приборы. 2014. Т. 50. № 3. С. 19–29. EDN SLRRSN
  5. Баврина А.П., Борисов И.Б. Современные правила применения корреляционного анализа // Медицинский альманах. 2021. № 3(68). С. 70–79. EDN TPSSIX
  6. Попов С.Е., Замараев Р.Ю. Веб-сервис классификации сейсмических событий на базе системы распределенных вычислений Apache Spark // Обработка пространственных данных в задачах мониторинга природных и антропогенных процессов (SDM-2019) // Сборник трудов Всероссийской конференции с международным участием, Бердск, 26–30 августа 2019 года. Бердск: ИВТ СО РАН, 2019. С. 440–450. EDN ESWFQV
  7. Силкин К.Ю. Использование вейвлет-анализа как дополнительного критерия при идентификации природы сейсмического события // Структура, вещественный состав, свойства, современная геодинамика и сейсмичность платформенных территорий и сопредельных регионов: материалы XXII Всероссийской с международным участием научно-практической Щукинской конференции (Воронеж, 22–25 сентября 2020 г.) / Под ред. Л.И. Надежка, Т.Б. Силкиной. Воронеж: ВГУ, 2020. С. 328–334. EDN VHXKWM
  8. Силкин К.Ю. Новые эвристики на основе вейвлет-анализа записи одиночного датчика для распознавания землетрясений и взрывов // Сейсмические приборы. 2022а. Т. 58. № 3. С. 5–24. https://doi.org/10.21455/si2022.3-1 EDN HFBDZH
  9. Силкин К.Ю. Двоичные отпечатки результатов вейвлет-анализа записи сейсмического события как инструмент формирования его компактного образа для целей нейросетевого распознавания // Российский сейсмологический журнал. 2022б. Т. 4. № 4. C. 42–55. https://doi.org/10.35540/2686-7907.2022.4.03 EDN EMMMDC
  10. Силкин К.Ю. Двоичные отпечатки сейсмической записи как средство для автоматической фильтрации низкочастотного шума // Сейсмические приборы. 2023. Т. 59. № 2. С. 26–45. https://doi.org/10.21455/si2023.2-3 EDN BYNTAQ
  11. Тур А.И., Кокоулин А.Н., Южаков А.А. Возможности применение алгоритмов нечеткого поиска и нейронных сетей в технологии Fingerprint // Нейрокомпьютеры: разработка, применение. 2017. № 6. С. 45–48. EDN ZICARH
  12. Фортуна-Сервантес Х.М., Рамирес-Торрес М.Т., Мартинес-Карранса Х., Мургуиа-Ибарра Х.С., Ме-хиа-Карлос М. Обнаружение объектов в аэронавигации с использованием вейвлет-преобразования и сверхточных нейронных сетей: первый подход // Труды Института системного программирования РАН. 2021. Т. 33. № 2. С. 149–162. https://doi.org/10.15514/ISPRAS-2020-33(2)-9 EDN MYCXZQ
  13. Abma R., Claerbout J. Lateral prediction for noise attenuation by t-x and f-x techniques // Geophysics. 1995. V. 60. № 6. P. 1887–1896. https://doi.org/10.1190/1.1443920
  14. Baluja Sh., Covell M. Waveprint: Efficient wavelet-based audio fingerprinting // Pattern Recognition. 2008. V. 41. № 11. P. 3467–3480. https://doi.org/10.1016/j.patcog.2008.05.006
  15. Bonar D., Sacchi M. Denoising seismic data using the nonlocal means algorithm // Geophysics. 2012. V. 77. № 1. P. A5–A8. https://doi.org/10.1190/geo2011-0235.1
  16. Bergen K.J., Beroza G.C. Earthquake fingerprints: Extracting waveform features for similarity-based earthquake detection // Pure and Applied Geophysics. 2019. V. 176. P. 1037–1059. https://doi.org/10.1007/s00024-018-1995-6
  17. Cano P., Batlle E., Kalker T., Haitsma J. A Review of Audio Fingerprinting // Journal of VLSI Signal Processing Systems for Signal, Image and Video Technology. 2005. V. 41. № 3. P. 271–284.
  18. Chen Z., Stewart R. A multi-window algorithm for real-time automatic detection and picking of P-phases of microseismic events // CREWES Research Report. 2006. V. 18. P. 1–9.
  19. Daubechies I., Lu J., Wu H.-T. Synchrosqueezed Wavelet Transforms: An Empirical Mode Decomposition-like Tool // Appl. Comput. Harmon. Analysis. 2011. V. 30. № 2. P. 243–261. https://doi.org/10.1016/j.acha.2010.08.002
  20. Ferrari G.M. Un saber “sudamericano”. La dactiloscopia en el Congreso Científico Latinoamericano, 1901–1909 // Historia Crítica. 2016. № 60. P. 81–101. https://doi.org/10.7440/histcrit60.2016.05
  21. Fragoulis D., Rousopoulos G., Panagopoulos T., Alexiou C., Papaodysseus C. On the automated recognition of seriously distorted musical recordings // IEEE Transactions on Signal Processing. 2001. V. 49. № 4. P. 898–908.
  22. 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
  23. Jensen A., la Cour-Harbo A. Ripples in mathematics: The Discrete wavelet transform. Berlin, Germany: Springer Science & Business Media Publ., 2011. 246 p. https://doi.org/10.1007/978-3-642-56702-5
  24. Haitsma J., Kalker T. A Highly robust audio fingerprinting system: Proceedings of ISMIR 2002, 3rd International Conference on Music Information Retrieval. Paris, France, 2002. P. 107–115.
  25. Hussain I., Fadhil R., Abdulsatar N.M. An image compression using block truncation coding with two types of wavelet transform (HAAR & DWT) // Test Engineering and Management. 2020. № 83. P. 16707–16713.
  26. Herrera R., Tary J.B., Baan M., Eaton D. Body Wave Separation in the Time-Frequency Domain // IEEE Geoscience and Remote Sensing Letters. 2014. № 12. P. 364–368. https://doi.org/10.1109/LGRS.2014.2342033
  27. Mallat S. A wavelet tour of signal processing: the sparse way. Cambridge, UK: Academic Press, 2008. 109 p.
  28. Mallat S.G. A Theory of multiresolution signal decomposition: The wavelet representation // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1989. № 11. P. 674–693. https://doi.org/10.1109/34.192463
  29. Mousavi S.M. Microseismic monitoring and denoising / Diss. … Doctor. of Philosophy. Memphis, 2017. 188 p. https://doi.org/10.13140/RG.2.2.16996.27529
  30. Mousavi S.M., Langston C.A. Hybrid Seismic Denoising Using Higher-Order Statistics and Improved Wavelet Block Thresholding // Bull. Seismol. Soc. Am. 2016. V. 106. P. 1380–1393. https://doi.org/10.1785/0120150345
  31. 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
  32. Mousavi S.M., Langston Ch., Horton S. Automatic microseismic denoising and onset detection using the synchrosqueezed continuous wavelet transform // Geophysics. 2016b. V. 81. № 4. P. V341–V355. https://doi.org/10.1190/geo2015-0598.1
  33. Ranjan R., Kumar P., Naik K., Singh V.K. The HAAR-the JPEG based image compression technique using singular values decomposition // 2022 2nd International Conference on Emerging Frontiers in Electrical and Electronic Technologies (ICEFEET). Patna, India. 2022. P. 1–6. https://doi.org/10.1109/ICEFEET51821.2022.9848400
  34. Shi Y., Zhang D., Ji H., Dai R. Application of Synchrosqueezed Wavelet Transform in Microseismic Monitoring of Mines // IOP Conference Series: Earth and Environmental Science. 2019. № 384. Art. ID 012075. https://doi.org/10.1088/1755-1315/384/1/012075
  35. 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. № 2126. Art. ID 20170254. https://doi.org/10.1098/rsta.2017.0254
  36. Wang D.-w., Li Y.-j., Zhang K., Xu H.-m. An Adaptive Time-Frequency Filtering Method for Nonstationary Signals Based on the Generalized S-Transform // Optoelectron. Lett. 2010. V. 6. № 2. P. 133–136. https://doi.org/10.1007/s11801-010-9250-0
  37. Wang A.L.-Ch. An industrial strength audio search algorithm // Proceedings of ISMIR 2003, 4th International Conference on Music Information Retrieval. Baltimore, Maryland, USA, 2003. P. 7–13.
  38. Yoon C.E., O’Reilly O., Bergen K.J., Beroza G.C. Earthquake detection through computationally efficient similarity search // Science Advances. 2015. V. 1. № 11. P. 1–13. https://doi.org/10.1126/sciadv.1501057
  39. Yu G., Yu M., Xu Ch. Synchroextracting Transform // IEEE Transactions on Industrial Electronics. 2017. V. 64. № 10. P. 8042–8054. https://doi.org/10.1109/TIE.2017.2696503
  40. Zeng Z., Lu T., Han P., Zhang D., Yang X.-H., Shi Y., Chang Y., Zhang J., Dai R., Ji H. Microseismic data denoising in the sychrosqueezed domain by integrating the wavelet coefficient thresholding and pixel connectivity // Geophysical Journal International. 2022. V. 232. № 2. P. 1113–1128. https://doi.org/10.1093/gji/ggac378
  41. Zhang D., Zeng Z., 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 Microseismic Signal of a Metal Mine with High Sampling Rate (6 kHz) // Frontiers in Earth Science, 2022. V. 10. № 7. Art. ID 933284. https://doi.org/10.3389/feart.2022.933284

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Распределение по эпицентральному расстоянию числа проанализированных событий в зависимости от вида источника.

Скачать (102KB)
Метаданные
3. Рис. 2. Основные элементы технологии двоичных отпечатков. а – запись канала BHZ станции LVZ землетрясения 1 апреля 2020 г. в 04ч44м27с: зеленая и бирюзовая линии – отметки вступления P- и S-волн; б – энергограмма по вейвлетограмме записи, ось времени относительная, цветовая шкала – логарифм значений амплитуды, стрелкой “S” показан наложенный амплитудный спектр Фурье записи, горизонтальная ось значений которого наверху красная, вертикальная ось соответствует оси энергограммы, стрелка с обозначением “fВ – fН” помечает экспертный интервал допустимых пределов границы фона (горизонтальные синие пунктирные линии) и указывает на его середину; в – двоичные отпечатки энергограммы; г, д – избыточные двоичные отпечатки (г – скользящий вейвлет-спектр, горизонтальная ось – частота вейвлет-разложения, вертикальная ось – положение сканирующего частотного окна, цветовая шкала значений – условная плотность отпечатков, стрелки “ЛП” и “ПП” отмечают левую и правую полосы для расчета сечений скользящего вейвлет-спектра (зеленый пунктир), при этом стрелка “ПП” указывает на зону сильного градиента; д – скользящая вейвлет огибающая, вертикальная ось и шкала амплитуд соответствует скользящему вейвлет-спектру, стрелка “B” отмечает область проявления регулярных волн (зеленый пунктир)).

Скачать (721KB)
Метаданные
4. Рис. 3. Гистограмма распределения ширины экспертного диапазона частот, содержащего допустимое значение верхней границы шума для оптимальной фильтрации.

Скачать (75KB)
Метаданные
5. Рис. 4. Гистограммы распределения функции качества результатов алгоритма двоичных отпечатков с разделением на классы. Условные обозначения содержат виды вычисляемых оценок качества для: ДО – двоичных отпечатков (простых); ИДО СВ С П – правого профиля скользящего вейвлет-спектра; ИДО СВ С Л – аналогично левого профиля; ИДО СВ О – профиля скользящей вейвлет-огибающей; ИДО Общ. – итогового обобщения результатов разных сторон ИДО.

Скачать (87KB)
Метаданные
6. Рис. 5. Диаграмма рассеяния значений качества результатов простых двоичных отпечатков (ДО) и итоговых обобщенных избыточных двоичных отпечатков (ИДО).

Скачать (320KB)
Метаданные
7. Рис. 6. Гистограммы распределения значений качества результатов решения для простых отпечатков (а) и избыточных (б) при разных соотношениях энергии полезного сигнала и никзочастотного шума (градации в условных обозначениях) с разделением на классы качества. Классы качества соответствуют рис. 3.

Скачать (120KB)
Метаданные
8. Рис. 7. Иллюстрация методики определения характерных спектральных параметров фоновой записи. а – вейвлетограмма записи до вступления P-волны, цветовая шкала – амплитуда в мкм/с; б – средний вейвлет-спектр шума, вертикальная ось совпадает с вейвлетограммой (1 – график спектра, 2 – аппроксимирующий полином для главного максимума спектра, 3 – отметка 1-процентного уровня, 4 – частота начала затухания преобладающей спектральной компоненты фона).

Скачать (540KB)
Метаданные
9. Рис. 8. Пример графика профиля для избыточных двоичных отпечатков. Вертикальная ось – условная плотность отпечатков. 1 – график профиля; 2 – экстремумы графика, которые были удалены на этапе устранения мелких особенностей; 3 – оставленные экстремумы; 4 – точка сильнейшего отрицательного градиента; 5 – точка середины между сильнейшими экстремумами; 6 – точка первого минимума (из оставленных) после сильнейшего градиента.

Скачать (187KB)
Метаданные

© Российская академия наук, 2024