强震预警中P波到时STA/LTA和贝叶斯BIC双步骤捡拾研究

摘要：以云南地区的地震数据为基础，借鉴国内外P波震相自动识别相关研究，提出一套可实时处理P波震相的方法，即STA/LTA和贝叶斯BIC双步骤捡拾法。应用此方法对所选取的云南强震动台网观测记录进行P波自动精确识别，并与人工捡拾方法结果进行对比，确定STA/LTA和贝叶斯BIC双步骤捡拾法的识别精度能满足地震预警快速准确的要求。

关键词：地震预警；P波；强震记录；STA/LTA；贝叶斯准则；双步骤捡拾

中图分类号：P315.91文献标识码：A文章编号：1000-0666（2017）04-0619-10

0引言

地震要素有3个：发震时间、发震地点和震级大小，地震预警的核心内容就是对地震三要素进行快速估计。作为一种有效的地震防灾减灾手段，地震预警必须满足2个特性：可靠性和时效性。首先，预警系统所提供的信息必须具有相对准确性和稳定性；其次，预警系统应能够提供尽可能长的应急反应时间。换言之，地震预警系统就是要满足地震警报发布速度与地震警报内容准确度之间的最大平衡关系。可见，在最短时间内确定震中位置和震级大小是预警的重点环节，而地震定位和震级估算又直接依赖于精确的震相捡拾结果，因此，深入研究地震动震相自动捡拾问题很有必要。

震相自动捡拾是基于识别地震波到达后能量、频率成分、极化等特征上的变化来实现的，多数震相自动捡拾方法是通过提取信号和噪声中的不同特征来区分真实地震信号与噪声（尹得余，2012）。自动捡拾作为地震预警系统高效准确进行震相判别的唯一选择，其准确度对地震定位和震级确定结果有非常重要的影响。近几年，国内外很多学者对此进行了多方位研究，也取得了一些进展（陈少波，2015）。

常用P波震相捡拾方法主要有能量分析、地震波形偏振分析、自回归分析、神经网络、小波变换、高阶统计、复合方法等（史洪山，2012）。到目前为止，还没有任何一种单一方法可以识别所有震相，每一种方法都有一定局限性和应用范围。能量分析是通过选取合适特征函数去突出地震震相主要特征，再使用长短时平均方法捡拾震相。长短时平均（STA/LTA）算法是能量分析中最常用的捡拾P波到时方法，由Stevenson（1976）最早提出并应用于判别地震波初至。随后，Allen（1978，1982）、Baer和Kradolfer（1987）、Earle 和Shearer（1994）对长短时间方法进行不同程度的改进。Ambuter和Solomon（1974）、Anderson（1981）、Mcevilly和Majer（1982）曾利用地震记录幅值的绝对值作为特征函数，Swindell和Snell（1977）利用地震记录幅值的平方作为特征函数，Earle和Shearer（1994）用Hilbert变换求取特征函数，在确定相应特征函数之后，通过长短时平均方法去判定P波震相初动（马强，2008）。这类方法适用于震相清晰的地震事件，当信噪比低或初动不明显时，捡拾效果较差（Stevenson，1976；Allen，1978，1982；Baer，Kradolfer，1987；高淑芳等，2008）。地震波形偏振分析主要是综合三分向地震资料后开展奇异值解析，提出能反映偏振特性的量去进行震相识别（Vernon，1987；Jukevics，1988；刘建华等，2006；马强，2008）。Flinn（1965）、Vidale（1986）、Cichowicz（1993）、Mao和Gubbins（1995）、Earle（1999）发现震相到来时质点运动的偏振方向会发生改变，于是他们提取出使用地震波的偏振特征去捡拾和判别震相到时。这类方法主要应用于检测原地应力和地震预报等方面，其对资料窗口长度和信噪比变化特别敏感，会产生同向轴重叠问题。自回归分析先假设震相到时前后地震状态为2个不同的稳态过程，再找到震相到时点，即2个稳态过程划分点（王继等，2006；周彦文，2008；Sleeman，1999）。Maeda（1985）提出一种时域赤池信息量准则，即直接通过地震波形记录数据求取AIC函数，跳过对AR模型阶数的求取过程。Sleeman（1999）提出了自回归方法，在此基础上，Leonard and Kennett（1999）和Leonard（2000）将自回归的假定AR-AIC用作P波震相的自动捡拾。这类方法属于目前应用最为广泛的P波震相识别方法，其精确度和稳定性能满足地震预警的工作需要，算法高效但模型结构复杂，计算量也较大。神经网络把与地震资料相关的可用信息作为网络输入去识别震相（Wang，Teng，1995；Zhao，Takano 1999）。Zhao和Takano（1999）、Dai和MacBeth（1995，1997）、Murat和Rudman（1992）、Wang 和Teng（1995）都對神经网络方法进行震相识别做过研究。Tong和Kemett（1996）利用该方法进行震相识别，建立有关地震波特性的专家知识库，再根据检测到的震相特性去推理判别震相的类型。这种理论化的人脑神经网络数学模型，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统，具有高度非线性，能够进行复杂的逻辑操作和非线性实现系统，捡拾精确度高。小波分析把地震记录P波到时的特征表现在不同小波变换系数上，Chakraborty和Okaya（1995）、Kanawaldip和Farid（1997）提出小波变换的主要成分分析，刘希强等（1998，2000a，b）对该算法做出进一步探索；Zhang等（2003）将AIC准则与小波变换结合起来进行震相捡拾，小波变换虽然在震相识别方面取得了一定成效，但其本质依然依托于Fourier变换，摆脱不了Fourier分析的局限性。这类方法会限制信号的精细分辨，随着尺度增大，小波变换相应正交基函数的频谱局部性就越差。高阶统计是引入偏度和峰度2个量去自动识别地震资料从高斯段变为非高斯段的点，该点即被认为对应地震信号的初至（Saragiotis et al，2002）。Saragiotis等（2002）为了消除人为因素和噪声对震相捡拾的影响，提出运用高阶统计学的方法来捡拾震相。这类方法对波形清晰程度的要求高，捡拾结果稳定性不算理想。复合方法则是把2种或2种以上的方法联合使用，进而获取更好的结果（Bai，Kennett，2000）。Bai和Kennett（2000）提出将能量分析方法、瞬时频率分析方法、自回归分析方法等结合起来捡拾震相。这类方法在一定程度上弥补了单一算法的缺陷，权衡考虑各方面因素，得到较完善精确的结果。综上所述，本文采用复合方法自动识别P波到时。

推荐访问： 捡拾 强震 预警 到时 步骤