張諾男 高國明 徐丹 張曉宇 肖雯靜

摘要：選取北京周邊地區(qū)地震事件數(shù)據(jù)集為研究對象，首先對波形有效性進行判斷，提取地震的S波衰減率和其頻譜形態(tài)特征分析，利用最小二乘支持向量機（LS-SVM）對S波衰減率和頻譜形態(tài)特征數(shù)據(jù)進行單一和組合分類識別。通過研究發(fā)現(xiàn)：利用地震S波衰減率對天然地震與人工爆破識別的正確率為87.76%，利用頻譜形態(tài)特征識別正確率為97.96%，利用地震振幅比特征和S波衰減率特征共同判別時，正確率可達100%，采用單循環(huán)檢測的方法時三種情況的正確識別率達到81.63%，87.76%，97.76%。

關(guān)鍵詞：天然地震；人工爆破； S波衰減率；頻譜形態(tài)特征；LS-SVM

中圖分類號：TP311 文獻標識碼：A 文章編號：1009-3044（2018）09-0226-03

Abstract： This paper selects earthquakes in the surrounding area of Beijing as the research object， The effectiveness of waveform data， seismic S wave attenuation rate and spectrum morphological characteristics are analyzed， and then use the least square support vector machine as identification tool to identify natural earthquakes and artificial explosions， the S wave attenuation rate and spectrum morphological feature data are identified by single and combinatorial classification. Through the study found that： the use of S seismic wave attenuation rate of natural earthquakes and artificial blasting recognition accuracy is 87.76%， and the spectral shape feature recognition accuracy is 97.96%， the accuracy can reach 100% when combining eismic amplitude ratio and S wave attenuation characteristics ，the single detection method of three cases of recognition correct rate reached 81.63%， 87.76%， 97.76%.

Key words： natural earthquakes； artificial explosions； S wave attenuation rate； spectrum form； LS-SVM

1 引言

地震按地殼運動的原因可分為構(gòu)造地震、火山地震和陷落地震；地震按照成因可分為天然地震和人工地震，人工地震包括陷落地震，如礦體崩塌；爆破地震，如炸藥爆破、核爆等。在判別天然地震和人工爆破方面，目前主要是通過地震模型反演或地震特征參數(shù)的提取對地震事件進行分類，在利用地震模型反演方面，通過地球物理觀測數(shù)據(jù)和地震矩張量、計算各種相關(guān)波形參數(shù)[1][2]對地震建模反演。根據(jù)地震資料的類型可分為疊前地和疊后反演兩類[3] [4]?？蒲腥藛T主要利用地震波形變換對天然地震和人工爆破進行分類識別[5][5][7][8]。S波衰減率和頻譜形態(tài)特征目前主要用于地震波形異常的研究[9][10]，但在天然地震和人工爆破識別方面研究較少。

2 地震數(shù)據(jù)選取、特征提取及LS-SVM分類

地震數(shù)據(jù)的采集應(yīng)盡量采集同一地區(qū)的數(shù)據(jù)，避免不同地區(qū)地質(zhì)結(jié)構(gòu)的不同而造成的差異，數(shù)據(jù)集采集后要對每個地震數(shù)據(jù)進行特征的提取，即提取的地震S波衰減率及頻譜特性，然后選擇LS-SVM[11][12]對特征進行分類識別，從而識別出天然地震和人工爆破。

2.1地震事件數(shù)據(jù)集的選取

地震數(shù)據(jù)集采集于中國地震臺網(wǎng)中心地震數(shù)據(jù)管理與服務(wù)系統(tǒng)中心記錄到的首都圈坐標范圍在39.5001oN～40.5510oN，115.1753oE～116.5135oE發(fā)生的地震，震級范圍選擇1.0-3.2之間，其中包括30次天然地震和19次人工爆破。下表1為該49個地震事件。

2.1.1判斷有效波形

由于地震儀器記錄地震波形時，受儀器本身、觀測環(huán)境等因素的影響，會對地震波形造成污染，無法確定地震S波、P波的幅值最大時刻和地震波形穩(wěn)定時刻， 通過判斷有效波形的起止位置可以使得地震波形易于分析。

（1）對采集的地震波形進行短時不變性檢測，短時不變性檢測即連續(xù)樣本與均值相等點數(shù)為樣本數(shù)，剔除頻低頻率的地震波。

（2）對地震波形信號進行處理，選取4s長度、200個點的窗函數(shù)，在窗函數(shù)內(nèi)取方差后取其均值。

（3）對（2）迭代兩次，取極大值點，當經(jīng)過處理后的地震波形的極大值點個數(shù)小于或等于兩個的信號為無干擾的標準地震波形信號。

通過上述步驟對有干擾地震數(shù)據(jù)和標準地震波數(shù)據(jù)進行有效性判斷，結(jié)果如圖1所示。

從圖中可看出，圖1（a）、圖1（b）、圖1（c）為地震波經(jīng)三次迭代后的圖像，極大值點個數(shù)大于兩個，為無效數(shù)據(jù).圖（d）極大值點個數(shù)不大于兩個為有效信號。

2.2 波形特征提取

2.2.1 地震S波衰減率

S波衰減率是S波幅值最大時刻和地震穩(wěn)定截止時刻，形成了地震S波衰減率，表達式為地震波形的傾斜率的絕對值。若設(shè)地震信號為[f]，設(shè)S波振幅最大時的波形坐標為[Smm1，n1]，當S波最大振幅后信號第一次穩(wěn)定時的坐標位置[Som2，n2]，則S波衰減率為[dr]，[dr]的表達式為如下：

地震信號的一階衰減常數(shù)即為[dr]，有的地震信號衰減率需要從二階或者大于二階的衰減中獲得，此時就需要對地震信號進行平滑后的擬合。圖2為波形信號的一階衰減和二階衰減圖像，其中圖中原始的地震波形為藍色曲線，一階S波衰減下降直線為紅線，S波二階下降曲線為綠色曲線。

通過2.1中波形有效性判斷，對地震波形迭代，得到第二個極大值點坐標，第二個極大值點的橫坐標即為S波振幅最大的橫坐標，第二個極大值點后的第一個0點處即為信號穩(wěn)定點。

2.2.2 頻譜形態(tài)特性

天然地震，主要是由于地殼位錯運動造成，受到地下介的物理性質(zhì)如波速、巖性等影響，頻譜組成多樣；而爆炸主要是點膨脹模式，其頻譜組成相對簡單。通過圖3地震與爆炸頻譜時域分布圖可以看出兩者頻譜存在很大的區(qū)別，對地震的頻譜成分分析具有可行性。

地震信號頻譜特性可利用地震的頻譜數(shù)據(jù)進行多項式擬合產(chǎn)生參數(shù)表示，實驗表明，地震有效信號在經(jīng)過4-7次多項式擬合后其頻譜特性可以有效保留。當?shù)卣鹦盘柋桓唠A擬合時，頻譜參數(shù)過多，實現(xiàn)較為復(fù)雜。當?shù)卣鹦盘柕臄M合階數(shù)過小時，此時會使得地震頻譜信號失真。在求取地震信號頻譜特征時，對頻譜進行平滑處理，然后再進行多項式擬合。下圖4中為地震與爆炸的頻譜及多項式近似曲線，其中地震頻譜為綠色，地震經(jīng)平滑后的為紅色，再經(jīng)過6階多項式曲線為藍色。

2.3 最小二乘支持向量機（lS-SVM）分類

最小二乘支持向量機（LS-SVM）是將核函數(shù)應(yīng)用到嶺回歸的統(tǒng)計學習方法，通過核函數(shù)把低維空間中非線性不可分的數(shù)據(jù)向高維空間映射，使在低緯空中不可分的數(shù)據(jù)在高緯空間中實線性可分。

LS-SVM的表達形式為：

訓練樣本集為：

2.4試驗及分析

選取S波有效衰減率中排名前5個的值得平均值，如果有效衰減率小于5時，則取所有衰減率的平均值。波形平滑后進行5階多項式擬合。表2和表3分別為地震S波平均衰減率數(shù)據(jù)表和地震波頻譜形狀特征數(shù)據(jù)表。

實驗從總的地震數(shù)據(jù)中按順序提取一個地震數(shù)據(jù)作為測試樣本，其余48次的地震數(shù)據(jù)作為訓練樣本，共做49次實驗。49次實驗后可得出表4為兩種事件的平均誤判數(shù)。表5為利用該方法所得到的分類效果。

3 結(jié)論與展望

選取相同地區(qū)發(fā)生的地震波形能降低地震波形傳播過程中出現(xiàn)的頻譜差異，提高頻譜形狀特性的識別效果，但由于實驗數(shù)據(jù)量較小，實驗規(guī)模不大，對識別結(jié)果有一定的影響。通過利用LS-SVM分類可以看出地震頻譜特征的正確分類率（表3）高于S波衰減率特性的正確分類率。若將地震的S波衰減率和振幅比作為特征進行分類，效果比較好。因此利用LS-SVM對地震S波衰減率和振幅比作進行分類可達到很好地識別效果。

參考文獻：

[1] 李平.非彈性表面波大尺度波形反演（理論和方法）（英文）[J].東北地震研究，1997（4）：41-53.

[2] 姚振興.用P波波形資料反演中強地震地震矩張量的方法[J].地球物理學報，1994，37（1）：37-43.

[3] 殷文.疊前地震反演關(guān)鍵技術(shù)及影響因素分析與研究[J].地球物理學進展，2013，28（6）：2958-2968.

[4] 曹鑒華.疊后地震數(shù)據(jù)的譜反演處理技術(shù)及其應(yīng)用淺析[J].地球物理學進展，2013，28（1）：387-393.

[5] 曾憲偉.利用小波包變換時頻譜識別寧夏及鄰區(qū)的地震和爆破[J].地震研究，2010，33（3）：300-307.

[6] 和雪松.用小波包識別地震和礦震[J].中國地震，2006，22（4）：425-434.

[7] 黃漢明.天然地震與人工爆破的波形小波特征研究[J].地震學報，2010，32（3）：270-276.

[8] 楊選輝.地震與核爆識別的小波包分量比方法[J].地球物理學報，2005，48（1）：148-156.

[9] 周越.基于小波方法的近海域地震動時頻特性分析[J].土木工程學報，2016，49（S1）：7-12.

[10] 宋美琴.山西中部中等地震前地震波異常特征[J].地震地磁觀測與研究，2004，25（2）：15-21.

[11] Suykens J A k，Vandewalle J，De Moor B. Optimal control by Least Squares Support Vector Machines.Neural Networks，2001，14（1）：23-35.

[12] 顧燕萍.最小二乘支持向量機的算法研究[J].清華大學學報，2010，50（7）.