CN112698405A - 基于地震动信号的滑坡事件识别、预警、评估方法 - Google Patents
基于地震动信号的滑坡事件识别、预警、评估方法 Download PDFInfo
- Publication number
- CN112698405A CN112698405A CN202011447409.XA CN202011447409A CN112698405A CN 112698405 A CN112698405 A CN 112698405A CN 202011447409 A CN202011447409 A CN 202011447409A CN 112698405 A CN112698405 A CN 112698405A
- Authority
- CN
- China
- Prior art keywords
- landslide
- signals
- time
- seismic
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 67
- 238000001914 filtration Methods 0.000 claims abstract description 14
- 230000009467 reduction Effects 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 230000004044 response Effects 0.000 claims abstract description 5
- 238000012544 monitoring process Methods 0.000 claims description 33
- 238000001228 spectrum Methods 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000007689 inspection Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000010355 oscillation Effects 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000004445 quantitative analysis Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 24
- 230000009466 transformation Effects 0.000 abstract description 3
- 230000007717 exclusion Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000009526 moderate injury Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/30—Noise handling
- G01V2210/32—Noise reduction
- G01V2210/324—Filtering
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开基于地震动信号的滑坡事件识别、预警、评估方法。针对现有技术中缺少从地震动信号中识别滑坡地震波形信号的技术方案,本发明提供一种基于地震动信号的滑坡事件识别方法。方法以地震动信号为基础,采用初步排除无关信号、STFT变换、带通滤波的逐步信号分析手段,从中提取代表滑坡事件的滑坡地震动信号Ⅰ。利用滑坡地震动信号Ⅰ的IMF主分量信号能提取质量更好的滑坡地震动信号Ⅱ并能用于滑坡事件定位。本发明还提供基于滑坡地震动信号Ⅱ的PSD定量计算对滑坡事件进行评估的技术方案。本发明同时提供滑坡事件识别方法,在滑坡事件预警中、在地震动信号降噪中的应用;滑坡事件评估方法在滑坡灾害应急响应中的应用。
Description
技术领域
本发明涉及一种信号分析技术,特别是涉及一种从地震动信号中筛选滑坡地震动信号识别滑坡灾害的技术,以及基于此的滑坡事件预警方法与评估方法。属于信号分析处理技术、地质灾害监测与预警技术领域。
背景技术
遍布全球的地震观测台网每天监测获取海量的地震动信号。地震动信号本质是由各类自然与非自然地震事件产生的地震波形信息,其中包括各类地质灾害事件产生的信息。地震动信号已初步实现了全球地震信息的共享。因而,从地震动信号中分析、识别地质灾害事件将在很大程度上节省地质灾害的监测成本,尤其是针对大区域的监测成本。但是,随着人类在地球上活动范围持续扩大与活动强度持续递增,地震动信号中包含了越来越多的各类非天然地震事件,比如各类工程项目中的人工爆炸事件,使得这类技术方案的识别精度并不理想。
滑坡是多种环境因素综合影响下发生的地质灾害,并且既是一种独立地质灾害,也是其他类型地质灾害的衍生灾害之一,因而具有较高的发生率,被世界上许多国家列为重大地质灾害。然而,滑坡灾害的监测一直是地质灾害防治领域的难点之一。为了监测滑坡发生,现有技术的主要思路是通过在山体监测区域布设传感器网络,再结合GPRS通信技术,实现对监测区域的远程实时监护,并通过对采集数据的分析和处理,提前判断滑坡是否将要发生,以期为山体滑坡的预警工作服务。但这类技术的实施存在两方面明显缺陷:其一,前文已述,滑坡灾害既是独立灾害也是衍生灾害,因而发生频率高且地点不定。现有技术无法对广阔区域实施传感器网监测技术,只能选定一些重点隐患地点进行监测。因而不能实现真正意义上针对不特定人群的提供灾害预警的公益性目标。其二,对于某一已建设传感器监测网的重点隐患坡体而言,发生滑坡的时间不定,且很少出现同一地点反复发生的情形,同时一次滑坡又极可能毁坏地面设施,这些因素都使传感器监测网络技术的成本极高,难以大范围推广。只能局限于科学研究中应用。其三,由于滑坡会直接损毁坡体周围一定区域内的地面设施,因而各传感器往往不能全部采集到滑坡信号,更无法记录滑坡事件的全程,这使得滑坡灾害的有效监测数据缺乏,一方面制约了滑坡灾害预警技术的发展,另一方面又制约了对滑坡过程回顾分析的可能性。
前文已述,由于地震动信号已初步实现了全球地震信息的共享,因而若能从地震动信号中分析、识别滑坡灾害事件,将在很大程度上节省滑坡灾害的监测成本,尤其是针对大区域的监测成本,显著提高滑坡预警技术的推广适用性。并且,地震动信号记录完整,更能提供滑坡事件全过程分析的数据基础。
专利号为ZL 201710636992 0,的中国发明专利公开了一种基于地震信号的地质灾害监测系统及方法。但该方法是解决通过监测地震信号来调整现场采集终端的控制策略,以使现场采集终端根据对应的控制策略进行采集,避免了在地震发生时,由于地震的突发性和偶然性导致关键的监测指标不能及时有效地测量和记录的问题,并不涉及对灾害类型的识别。期刊《大地测量与地球动力学》2019年10月刊发的“基于地震信号反演滑坡动力学机制”一文提供了一种基于地震信号反演求取某滑坡过程中滑坡区域的受力状态,使用时频分析划分出不同滑坡子事件的频段,并结合经典力学分析还原滑坡过程的方案。该方法最终将滑坡事件划分为“静止-加速-减速-前端反倾后整体再加速-静止”,与实际滑坡过程相对照而言过于笼统,达不到还原灾害过程的目的。同时,文中也没有给出划分阶段的具体流程,各处理部分之间逻辑关系不清晰,不属于专利所称的技术方案。
发明内容
本发明的目的就是针对现有技术的不足,提供一种基于地震动信号的滑坡事件识别、预警和评估方法。该方法能够从地震动信号中提取出滑坡事件产生的地震波形信号,从而识别出滑坡事件。
为实现上述目的,本发明首先提供一种基于地震动信号的滑坡事件识别方法,其技术方案如下:
一种基于地震动信号的滑坡事件识别方法,从地震观测台网发布的地震动信号中识别滑坡地震动信号,其特征在于:
步骤S1、获取地震动信号作为原始信号;
步骤S2、,对于每一组原始信号,去除无关地震动信号,得到信号A,无关信号去除条件是从信号S中提取的对应的特征指标;
步骤S3、对于每一组信号A,进行STFT变换得到时间-频率-能量信号;将每一组信号A的频率、能量二项指标的特征与频率-能量判别条件比对,筛选出与判别条件特征相符的信号,记为信号B,所述频率-能量判别条件是从样本信号S中提取的对应的特征指标;
步骤S4、对于每一组信号B,进行带通滤波,得到时域震动曲线与时频谱清晰的信号即为滑坡地震动信号Ⅰ,所述带通滤波边界频率是从样本信号S中提取的对应的特征指标;所述滑坡地震动信号Ⅰ代表滑坡事件;
所述样本信号S是典型滑坡事件的地震动信号样本。
上述滑坡事件识别方法是以地震动信号为数据基础,采用初步排除无关信号、STFT变换、带通滤波的逐步信号分析手段,从中提取出代表滑坡事件的滑坡地震动信号Ⅰ。逐步分析中使用的各步判断条件/阈值是从典型滑坡事件的地震动信号样本中提取出的与分析步骤相应对的滑坡产生的地震波形信号中的特征指标。
上述识别方法的技术原理在于:先进行初步筛选与STFT变换可以得到与滑坡相关的信号和其时频谱,在减少后续工作量的同时可以进行频率、能量比对,以达到进一步筛选。接着基于前一步的频率、能量特征指标设置滤波频段,进行带通滤波处理,得到所需频段的信号即为由滑坡产生的地震波形信号。
上述基于地震动信号的滑坡事件识别方法,当能够提取出来自三个地震监测台站的滑坡地震动信号Ⅰ时,则能进一步根据滑坡地震动信号Ⅰ所属监测站的坐标采用几何方法计算确定滑波事件坐标。
上述识别方法提取出的是滑坡地震动信号Ⅰ,含义是指具有可辨识的时频特征、能够表征滑坡事件的地震动信号。滑坡地震动信号Ⅰ虽可完成滑坡定位,但由信号中存在一定的噪声水平,会影响滑坡定位的精确性提升。为克服此缺陷,在本发明的优化技术方案中,可以滑坡地震动信号Ⅰ进一步识别,从中提取出滑坡地震动信号Ⅱ。滑坡地震动信号Ⅱ是指经过EMD降噪处理、时域曲线更清晰的滑坡地震动信号。优化的技术方案如下:
在从信号B中得到滑坡地震动信号Ⅰ后,对于每一组滑坡地震动信号Ⅰ,进行EMD分解后提取IMF主分量信号,设置振幅阈值As,当振幅≥As时记录该点时刻T1,将自T1时刻起的As滤波后信号进行STFT变换,得到IMF主分量信号自T1时刻起的时间-频率-能量信号,所述振幅阈值As从样本信号S中提取的对应的特征指标;
自时刻值T1起沿时间轴向右选取时间-频率点,并计算已选取的时刻-频率点的能量值均值,当能量值均值≥能量均值阈值A0时记录该点时刻T2′,继续沿时间轴向右选取时间-频率点,当能量值均值<A0时记录该点时刻T3′,计算时刻T2′~时刻T3′间的拟合系数集合,若拟合系数集合满足能量拟合阈值,修改T2′、T3′标记为T2、T3,若拟合系数集合不满足能量拟合阈值,重新寻找T2′、T3′直至拟合系数集合满足能量拟合阈值的时刻T2与时刻T3出现;所述振幅阈值A0与能量拟合阈值是从样本信号S中提取的对应的特征指标;
自时刻T3起,继续振幅监测,当出现振幅≤As时,记录该点时刻为T4′,若振幅≤As持续1min以上,修改T4′标记为T4,T1~T4间信号为滑坡地震动信号Ⅱ。
在上述优化方案中,通过对每一组滑坡地震动信号Ⅰ进行EMD分解后提取IMF主分量信号,并以IMF主分量信号为基础继续信号分析,能够借助IMF主分量信号能量集中、时域特征清晰的特点提高滑坡定位分析的精确度。因而,当能够提取到来自三个地震监测台站的滑坡地震动信号Ⅱ时,则能进一步根据滑坡地震动信号Ⅱ所属监测站的坐标采用几何方法计算确定滑波事件坐标。
上述基础及优化的基于地震动信号的滑坡事件识别方法能够应用于滑坡灾害的预警,尤其是大区域范围内不特定监测对象的滑坡灾害的预警。由此,本发明提供上述基于地震动信号的滑坡事件识别方法,在滑坡事件预警中的应用。
上述基础及优化的基于地震动信号的滑坡事件识别方法还能够对各地震观测台站采集到的地震动信号进行降噪,消除原始信号中表征非真实地震灾害的冗余信息,提高原始地震动信号在地震灾害监测预警中的信号质量与分析处理效率。由此,本发明提供上述基于地震动信号的滑坡事件识别方法,在地震动信号降噪中的应用。
通过提取滑坡灾害产生的地震波形信号,除了可以识别出滑坡事件本向在外,还可以采用信号功率谱密度PSD技术进行定量计算,对滑坡事件进行评估。本发明同时提供一种基于地震动信号的滑坡事件评估方法,其技术方案如下:
一种基于地震动信号的滑坡事件评估方法,其特征在于:首先从原始地震动信号中识别提取出地震动信号Ⅱ,确定滑坡事件起止时刻T1、T4;其次,对地震动信号Ⅱ进行PSD定量分析,根据PSD曲线的时间与振幅的变化特征分析滑坡过程运动与演化趋势;再次,依式2、3计算地震动信号Ⅱ记载的滑坡事件能量规模AE,再根据能量规模AE与能量规模阈值的关系确定滑坡事件的危害等级;
式中,AE—滑坡事件能量规模,单位J,
E(t)—滑坡地震动信号Ⅱ起止时刻T1~T4的均方根振幅,单位mm/s,
E0—噪声水平,单位(mm/s)2,
A1、A2—分别是时刻T1、T4处振幅,单位mm/s;
所述滑坡事件危害等级的能量规模阈值由低到高依次为:Ⅰ级:<104J、Ⅱ级:[104J~105J)、Ⅲ级:[105J~106J)、Ⅳ级:≥106J。
上述基于地震动信号的滑坡事件评估方法能够对滑坡灾害进行基于能量规模的危害等级评估,能够用于提供滑坡灾害应急响应方案的选择与制订。因而,本发明提供以下方案:
基于地震动信号的滑坡事件评估方法在滑坡事件预警中的应用。
基于地震动信号的滑坡事件评估方法在滑坡灾害应急响应中的应用。
与现有技术相比,本发明的有益效果是:(1)提供了一种从地震动信号中提取滑坡事件地震波形信号的方法,能够实现利用公共信号资源监测预警滑坡灾害,能够在大幅度降低滑坡灾害监测预警成本的同时扩展滑坡灾害监测的有效区域,不但提升了滑坡灾害监测预警方案的质量与收益,而且提升了公共信号资源的利用效率。(2)由于滑坡事件识别方法是以地震动信号作为数据基础,因而能够获取到由滑坡事件全过程产生的完整地震波形信号,从而为滑坡灾害的演化分析与过程重构提供可能性。(3)提供了地震动信号中滑坡地震动信号识别方法在地震动信号降噪中的应用方案。该技术方案能够消除监测台站原始地震动信号中属于滑坡事件产生的冗余信息,从而增进原始信号在地震灾害分析中的信号质量,并提高信号利用效率。对于海量地震动原始信号的后期分析处理方案有较明显的技术收益。(4)提供了基于能量分析对滑坡事件的危险程序进行定量与定性相结合的评估方法。(5)本发明技术方案建立在对于地震动信号的利用之上。由于地震动信号是一种公共资源,由公共财政支付取得,因而本发明方法提高了这类公共资源的利用效率,也即提高了公共财政效率,具有显著的社会有益性。
附图说明
图1是基于地震动信号的滑坡事件识别方法流程示意图。
图2是1#台站STFT时频谱。
图3是1#台站带通滤波处理前后时域震动曲线对比图(a、b分别为处理前、处理后的时域震动曲线)。
图4是EMD处理后1#台站IMF主分量图(4.5Hz~6Hz)。
图5是1#台站滑坡地震动信号ⅠIMF主分量信号的STFT时频谱(4.5Hz~6Hz)。
图6是滑坡灾害坐标方法示意图。
图7a、图7b分别是A类(以1#台站为例)、B类(以2#台站为例)STFT时频谱。
图8是1#台站滑坡地震动信号ⅡPSD曲线。
具体实施方式
下面结合附图,对本发明的优选实施例作进一步的描述。
实施例一
如图1~图6所示,用本发明方法从地震动信号中识别滑坡事件。
图1是基于地震动信号的滑坡事件识别方法流程示意图。
1、原始信号描述
地震动信号来源于某区域内的地震观测台网内14组台站的原始地震动信号,每个监测站信号编为一组,共计N=14组。原始信号由宽频地震仪监测采集,信号频率0.0167Hz~80Hz、振幅±104mm/s)、传播速度5km/s~6km/s(以纵波为主)。
2、样本信号S及特征指标描述
本发明前期研究过程已搜集多组典型滑坡事件的地震动信号样本,标记为样本信号S。前期研究从样本信号S中提取出以下特征指标用于后续信号处理过程:
对于每一组原始信号,去除无关地震动信号的条件是频率0Hz~20Hz;
对于从每一组信号A中提取信号B,频率-能量判别条件是频率与能量均呈不间断持续波动,且出现相对连接的能量级;
对于每一组信号B,带通滤波边界频率是0Hz~10Hz;
对于每一IMF主分量信号,振幅阈值As=40×10-3mm/s;
对于每一自T1时刻起的信号,能量均值阈值A0=360,能量拟合阈值是拟合系数集合内60%的拟合系数≤-3。
3、原始地震动信号中滑坡事件识别过程
步骤S1、提取信号A
将每一组原始信号经频率0Hz~20Hz条件去除无关信号,得到信号A。经该步骤排除约30%无关地震动信号。
步骤S2、信号A的STFT变换
将每一组信号A进行STFT变换,得到信号A的时间-频率-能量信号(信号A的STFT时频谱)。
步骤S3、提取信号B
将每一组信号A的频率、能量二项指标与从样本信号S中提取出的频率-能量特征判别条件指标相比对,将符合特征指标的信号记为信号B。从样本信号S中提取出的特征指标包括:
特征指标S3a:频率与能量均呈不间断持续波动,且
特征指标S3b:出现相对连接的能量级。
本具体实施方式中,判断是否满足特征指标的具体方法是:对于每一组信号A,首先确定出现频率与能量均呈不间断持续波动的频率,记为持续波动频率区间f1(满足特征指标S3a);然后测算各持续波动频率区间f1的检验能量E占信号A在检验频率区间f2内的总能量的比例P,若P不小于90%,则满足特征指标S3b,反之,则不满足。检验能量E依式1计算确定。
式1中,E—检验能量,x(t)—离散时间序列,m—持续波动频率f1窗口起始时间,n—持续波动频率f1窗口结束时间,f—检验频率区间f2的频率。
以1#台站信号为例:图2是1#台站STFT时频谱。信号A时长21:10~21:30,信号频率与能量均呈不间断连续波动的情况现在出现在16Hz、9Hz、6Hz、2Hz附近。分别计算这4个持续波动频率f的检验能量,及其与信号A在检验频率区间f2频段内总能量的比值,得出同频能量与近频能量之和占比达到95%(表1)。本例中,根据前期研究结果,检验频率区间f2选择0Hz~20Hz频段。
表1 1#台站持续波动频率区间f1的检验能量
步骤S4、提取滑坡地震动信号Ⅰ
将每一组信号B做频段为0Hz~10Hz的带通滤波,过滤掉其他频段的噪声影响,得到时域震动曲线与时频谱清晰的信号即为滑坡地震动信号Ⅰ。共计得到8组滑坡地震动信号Ⅰ。
以1#台站信号为例,经过0Hz~10Hz的带通滤波,可明显发现其时域震动曲线清晰度提高,降低了噪声的影响,得到了时域震动曲线与时频谱清晰的信号。图3是1#台站带通滤波处理前后时域震动曲线对比图(a、b分别为处理前、处理后的时域震动曲线)。
步骤S5、提取滑坡地震动信号Ⅱ
将每一组滑坡地震动信号Ⅰ进行EMD分解并提取IMF主分量信号。对每一IMF主分量信号进行振幅监测,当振幅≥As=40×10-3mm/s时记录该点时刻T1,将自T1时刻起的As滤波后信号进行STFT变换,得到IMF主分量信号自T1时刻起的时间-频率-能量信号。
设置能量均值阈值A0=360、能量拟合阈值是拟合系数集合内60%的拟合系数≤-3。自时刻值T1起沿时间轴向右选取时间-频率点,并计算已选取的时刻-频率点的能量值均值,当能量值均值≥A0时记录该点时刻T2′,继续沿时间轴向右选取时间-频率点,当能量值均值小于A0时记录该点时刻T3′,计算时刻T2′~时刻T3′间的拟合系数集合,若拟合系数集合满足能量拟合阈值,分别标记时刻T2′、T3′为时刻T2、T3,若拟合系数集合不满足能量拟合阈值,重新寻找时刻T2′、T3′直至拟合系数集合满足能量拟合阈值的时刻T2与时刻T3出现。自时刻T3起,继续振幅监测,当振幅≤As=40×10-3mm/s的时间持续1min以上时,记录该振幅≤As时段的起始时刻为T4。T1~T4间信号为滑坡地震动信号Ⅱ,T1、T4为滑坡事件起止时刻。
以1#台站信号为例,图4是EMD处理后1#台站IMF主分量图(4.5Hz~6Hz)。经过EMD降噪处理后提取的IMF主分量信号能量约占原始能量的99.1%,具有与未处理信号相似的频谱且时域曲线更清晰,利于提升继续分析的精度。
在21:20:00时,振幅达到As,故记录该点时刻为T1(图4)。自T1=21:20:00起进行STFT变换,得到IMF主分量信号自T1时刻起的时间-频率-能量信号及相应STFT时频谱。图5是1#台站滑坡地震动信号ⅠIMF主分量信号的STFT时频谱(4.5Hz~6Hz)。
自时刻T1=21:20:00起沿时间轴向右选取时间-频率点,并计算已选取的时刻-频率点的能量值均值,在21:20:45时满足能量值均值≥A0,记录该点时刻为T2′,在21:24:15时出现能量值均值小于A0,记录该点时刻为T3′,继续计算时刻T2′~时刻T3′间的拟合系数集合,结果显示拟合系数集合内的拟合系数<-3的比例为76%(≥60%),故标记T2′、T3′为T2、T3。在21:25:10之后的1min内振幅均≤As,记录该点时刻为T4。故1#台站时刻T1~时刻T4间为滑坡地震动信号Ⅱ,滑坡事件发生时21:20:00,终止时21:25:10,滑坡历时5′10′。
步骤S6、滑坡灾害坐标计算
根据滑坡地震动信号Ⅱ所属监测站的坐标确定滑波事件地点。将所有滑坡地震动信号Ⅱ依信号强度排序,选择前3组信号,分析每一组滑坡地震动信号Ⅱ的传播速度与传播时间,计算确定地震波形产生地点(即滑坡灾害地点)至每一台站P的距离R,再以各台站P的地理坐标(x,y)为圆心,R为半径作圆。三个圆的公共交点即为滑坡灾害坐标。图6是滑坡灾害坐标方法示意图。
本具体实施方式中,共计提取到8组滑坡地震动信号Ⅱ(表2)。
表2滑坡地震动信号Ⅱ及对应台站列表
注:台站P准确坐标是涉密信息,故不公开。
选择信号强度最优的前3组信号,依法作图,确定此次滑坡灾害发生地点坐标。
后经确认,本例测算滑坡地点坐标结果与实际滑坡事件位置接近。
实施例二
用本发明方法从地震动信号中识别滑坡事件,其与实施例一相同之处不再重复,其不同之处在于3、原始地震动信号中滑坡事件识别过程中的步骤S2、信号A的STFT变换后加入一次简化处理。
步骤S2、信号A的STFT变换
将每一组信号A进行STFT变换,得到信号A的时间-频率-能量信号。
为节省后续处理计算量,对各组信号A的STFT时频谱进行一次简要筛选:将所有信号A的STFT时频谱分为A、B两类:A类为时频谱中没有清晰的时频谱,信号频率范围不均匀(图7a是A类STFT时频谱中的1#台站的STFT时频谱);B类为时频谱上表现为明显纺锤形特征,在0Hz~35Hz频率范围内存在“峰状”或“单峰”(图7b是B类STFT时频谱中的2#台站的STFT时频谱)。后续步骤S3仅针对A类时频谱信号进行分析。
实施例三
在实施例一结果基础上,对识别到的滑坡事件进行评估。
本具体实施方式中,共计提取到8组滑坡地震动信号Ⅱ(表2)。
1、对滑坡过程演化运动趋势评估
将每一组滑坡地震动信号Ⅱ进行PSD定量分析,得到每一组滑坡地震动信号Ⅱ的PSD曲线,根据PSD曲线的时间与振幅的变化特征分析滑坡过程运动与演化趋势。
以1#台站为例(图8是1#台站滑坡地震动信号ⅡPSD曲线):根据PSD曲线的时间与振幅的变化特征对此次滑坡灾害过程的运动与演化趋势进行具体分析。具体如下:
由图8可得T1时刻(21:20:00)PSD曲线值达到4.5,远高于(超过100%)该时刻之前一段时间内的振幅最大值。利用图4、图5也可以进行辅助分析:图4可看出相似的规律(21:20:00时刻振幅远高于(超过50%)之前的最大值),图5中21:20:00时刻出现0-6Hz能量的集中(滑源区物质开始滑动,地震动速度增加,动能随之增加)。结合上述分析推断T1时刻滑坡发生,并进入起动阶段。
T2时刻(21:20:45)PSD曲线急剧上升(斜率k趋向于正无穷),PSD曲线在该阶段达到峰值(90mm/s和85mm/s)且保持较高水平,说明此阶段滑坡体速度较快快且持续时间较长,相应产生的能量也较多。同样可以利用图4、图5进行辅助分析:图4振幅快速上升(斜率k大于3),此时刻图5中显示能量急剧增加且集中于2Hz~10Hz。基于上述分析推断此时滑坡进入第二阶段:加速阶段。
而T3时刻(21:24:15)之前PSD曲线急剧降低(斜率k趋向于负无穷)且在T3时刻达到极小值(25mm/s)后开始升高,推测速度先降低后增加,随之动能也发生变化(降低后升高),结合地形推断该滑坡体进入坡底且开始堆积,故其速度减慢,造成的地震动振幅也随之降低;接着后续的部分滑坡体到达底部前的时段内速度继续提升,同样抵达坡底后速度降低,动能也随之降低。故推断此时刻滑坡进入最后阶段:堆积阶段。利用图4、图5的辅助分析显示:图4可看出此时刻振幅急剧降低(最低处振幅为15mm/s)后继续升高,从图5也可看出能量开始大幅度减少后也继续增加,最后降低且趋于稳定,与PSD曲线一一对应。
2、能滑坡能量规模评估
基于滑坡地震动信号Ⅱ,依式2、式3计算滑坡事件能量规模AE,根据能量规模大小,判断滑坡对下游区域会产生危害程度,进一步设置能量规模阈值,划分对下游地区的危害等级。
表3根据能量规模AE划分危害等级
能量规模阈值(J) | 危害等级与危害程度 |
<10<sup>4</sup> | Ⅰ:地形和建筑轻微受损,一般不出现人员伤亡 |
[10<sup>4</sup>~10<sup>5</sup>) | Ⅱ:地形和建筑受到中等破坏,可能出现人员伤亡 |
[10<sup>5</sup>~10<sup>6</sup>) | Ⅲ:地形和建筑受到较大破坏,易造成人员伤亡 |
≥10<sup>6</sup> | Ⅳ:地形和建筑受到严重破坏,地貌变化较大,人员伤亡惨重 |
以1#台站为例,此处T1=21:20:00,T4=21:25:10,持时5分10秒。根据分析数据,T1对应振幅A1=42×10-3mm/s,T4对应振幅A2=14×10-3mm/s。依式3计算得噪声水平E0=7.48×10-4,均方根振幅E(t)=35.50,再依式2求得AE=1.313×106J≥106J。故判断危害等级为Ⅳ,应准备对应级别的响应方案。
Claims (10)
1.基于地震动信号的滑坡事件识别方法,从地震观测台网发布的地震动信号中识别滑坡地震动信号,其特征在于:
步骤S1、获取地震动信号作为原始信号;
步骤S2、对于每一组原始信号,去除无关地震动信号,得到信号A,无关信号去除条件是从信号S中提取的对应的特征指标;
步骤S3、对于每一组信号A,进行STFT变换得到时间-频率-能量信号,将每一组信号A的频率、能量二项指标的特征与频率-能量判别条件比对,筛选出与判别条件特征相符的信号,记为信号B,所述频率-能量判别条件是从样本信号S中提取的对应的特征指标;
步骤S4、对于每一组信号B,进行带通滤波,得到时域地震动曲线与时频谱清晰的信号即为滑坡地震动信号Ⅰ,所述带通滤波边界频率是从样本信号S中提取的对应的特征指标;所述滑坡地震动信号Ⅰ代表滑坡事件;
所述样本信号S是典型滑坡事件的地震动信号样本。
2.根据权利要求1所述的滑坡事件识别方法,其特征在于:所述步骤S3中,对于从每一组信号A中提取信号B,频率-能量判别条件是同时满足:特征指标S3a:频率与能量均呈不间断持续波动、特征指标S3b:出现相对连接的能量级。
4.根据权利要求3所述的滑坡事件识别方法,其特征在于:所述检验频率区间f2是0Hz~20Hz。
5.根据权利要求1所述的滑坡事件识别方法,其特征在于:所述步骤S3中对于每一组信号A,进行STFT变换得到信号A的STFT时频谱后,将所有信号A的STFT时频谱分为A、B两类,所述A类为时频谱中没有清晰的时频谱,信号频率范围不均匀,所述B类为时频谱上表现为明显纺锤形特征,在0Hz~45Hz频率范围内存在峰状或单峰;后续频率-能量判别条件比对仅针对A类时频谱信号进行。
6.根据权利要求1~5任一所述的滑坡事件识别方法,其特征在于:在步骤S4后继续执行步骤S5,所述步骤S5是:
在从信号B中得到滑坡地震动信号Ⅰ后,对于每一组滑坡地震动信号Ⅰ,进行EMD分解后提取IMF主分量信号,设置振幅阈值As,当振幅≥As时记录该点时刻T1,将自T1时刻起的As滤波后信号进行STFT变换,得到IMF主分量信号自T1时刻起的时间-频率-能量信号,所述振幅阈值As从样本信号S中提取的对应的特征指标;
自时刻值T1起沿时间轴向右选取时间-频率点,并计算已选取的时刻-频率点的能量值均值,当能量值均值≥能量均值阈值A0时记录该点时刻T2′,继续沿时间轴向右选取时间-频率点,当能量值均值<A0时记录该点时刻T3′,计算时刻T2′~时刻T3′间的拟合系数集合,若拟合系数集合满足能量拟合阈值,修改T2′、T3′标记为T2、T3,若拟合系数集合不满足能量拟合阈值,重新寻找T2′、T3′直至拟合系数集合满足能量拟合阈值的时刻T2与时刻T3出现;所述振幅阈值A0与能量拟合阈值是从样本信号S中提取的对应的特征指标;
自时刻T3起,继续振幅监测,当出现振幅≤As时,记录该点时刻为T4′,若振幅≤As持续1min以上,修改T4′标记为T4,T1~T4间信号为滑坡地震动信号Ⅱ;
所述滑坡地震动信号Ⅱ代表滑坡事件。
7.根据权利要求6所述的滑坡事件识别方法,其特征在于:所述As=40×10-3×mm/s,所述能量均值阈值A0=360,能量拟合阈值是拟合系数集合内60%的拟合系数≤-3。
8.根据权利要求1~7任一所述的滑坡事件识别方法,其特征在于:利用滑坡地震动信号Ⅰ和/或滑坡地震动信号Ⅱ所属监测站的坐标采用几何方法计算确定滑波事件坐标。
9.利用权利要求6所述的基于地震动信号的滑坡事件识别方法实现的基于地震动信号的滑坡事件评估方法,其特征在于:首先从原始地震动信号中识别提取出地震动信号Ⅱ,确定滑坡事件起止时刻T1、T4;其次,对地震动信号Ⅱ进行PSD定量分析,根据PSD曲线的时间与振幅的变化特征分析滑坡过程运动与演化趋势;再次,依式2、3计算地震动信号Ⅱ记载的滑坡事件能量规模AE,再根据能量规模AE与能量规模阈值的关系确定滑坡事件的危害等级;
式中,AE—滑坡事件能量规模,单位J,
E(t)—滑坡地震动信号Ⅱ起止时刻T1~T4的均方根振幅,单位mm/s,E0—噪声水平,单位(mm/s)2,
A1、A2—分别是时刻T1、T4处振幅,单位mm/s;
所述滑坡事件危害等级的能量规模阈值由低到高依次为:Ⅰ级:<104J、Ⅱ级:[104J~105J)、Ⅲ级:[105J~106J)、Ⅳ级:≥106J。
10.权利要求8所述基于地震动信号的滑坡事件识别方法,在滑坡事件预警中的应用、在地震动信号降噪中的应用;权利要求9所述基于地震动信号的滑坡事件评估方法在滑坡事件预警中的应用、在滑坡灾害应急响应中的应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011447409.XA CN112698405B (zh) | 2020-12-11 | 2020-12-11 | 基于地震动信号的滑坡事件识别、预警、评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011447409.XA CN112698405B (zh) | 2020-12-11 | 2020-12-11 | 基于地震动信号的滑坡事件识别、预警、评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112698405A true CN112698405A (zh) | 2021-04-23 |
CN112698405B CN112698405B (zh) | 2022-06-07 |
Family
ID=75508248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011447409.XA Active CN112698405B (zh) | 2020-12-11 | 2020-12-11 | 基于地震动信号的滑坡事件识别、预警、评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112698405B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115236741A (zh) * | 2022-09-26 | 2022-10-25 | 成都理工大学 | 一种基于地震动信号的高速远程冰岩崩灾害链预警方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EG21112A (en) * | 1996-11-08 | 2000-11-29 | Amoco Corp | Time-frequency processing and analysis of seismic data using very short-time fourier transforms |
WO2014020620A1 (en) * | 2012-08-01 | 2014-02-06 | Luigi Coppola | A method for the forecast and prevention of landslides in cohesive soils |
CN106845429A (zh) * | 2017-02-06 | 2017-06-13 | 中国科学院、水利部成都山地灾害与环境研究所 | 振动信号分级判断识别方法、落石能量规模计算方法、落石危险预警方法 |
CN107044883A (zh) * | 2017-04-12 | 2017-08-15 | 中国科学院、水利部成都山地灾害与环境研究所 | 堰塞湖溃决监测预警方法 |
CN107679013A (zh) * | 2017-08-21 | 2018-02-09 | 天津工业大学 | 基于eemd‑hht与时频重排结合的转速曲线估计方法 |
CN108445536A (zh) * | 2018-02-07 | 2018-08-24 | 成都理工大学 | 一种基于能量解调频谱的新型层状边坡地震损伤失稳计算系统及方法 |
CN108802825A (zh) * | 2018-08-22 | 2018-11-13 | 河南理工大学 | 一种次声波监测煤岩动力灾害定位方法及定位系统 |
CN110514294A (zh) * | 2019-08-30 | 2019-11-29 | 鞍钢矿业爆破有限公司 | 一种基于emd与vmd的爆破振动信号降噪方法 |
-
2020
- 2020-12-11 CN CN202011447409.XA patent/CN112698405B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EG21112A (en) * | 1996-11-08 | 2000-11-29 | Amoco Corp | Time-frequency processing and analysis of seismic data using very short-time fourier transforms |
WO2014020620A1 (en) * | 2012-08-01 | 2014-02-06 | Luigi Coppola | A method for the forecast and prevention of landslides in cohesive soils |
CN106845429A (zh) * | 2017-02-06 | 2017-06-13 | 中国科学院、水利部成都山地灾害与环境研究所 | 振动信号分级判断识别方法、落石能量规模计算方法、落石危险预警方法 |
CN107044883A (zh) * | 2017-04-12 | 2017-08-15 | 中国科学院、水利部成都山地灾害与环境研究所 | 堰塞湖溃决监测预警方法 |
CN107679013A (zh) * | 2017-08-21 | 2018-02-09 | 天津工业大学 | 基于eemd‑hht与时频重排结合的转速曲线估计方法 |
CN108445536A (zh) * | 2018-02-07 | 2018-08-24 | 成都理工大学 | 一种基于能量解调频谱的新型层状边坡地震损伤失稳计算系统及方法 |
CN108802825A (zh) * | 2018-08-22 | 2018-11-13 | 河南理工大学 | 一种次声波监测煤岩动力灾害定位方法及定位系统 |
CN110514294A (zh) * | 2019-08-30 | 2019-11-29 | 鞍钢矿业爆破有限公司 | 一种基于emd与vmd的爆破振动信号降噪方法 |
Non-Patent Citations (1)
Title |
---|
YAN YAN 等: ""Seismic signal recognition and interpretation of the 2019 ‘7.23’ Shuicheng landslide by seismogram stations"", 《RECENT LANDSLIDES》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115236741A (zh) * | 2022-09-26 | 2022-10-25 | 成都理工大学 | 一种基于地震动信号的高速远程冰岩崩灾害链预警方法 |
CN115236741B (zh) * | 2022-09-26 | 2022-12-09 | 成都理工大学 | 一种基于地震动信号的高速远程冰岩崩灾害链预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112698405B (zh) | 2022-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110579354B (zh) | 一种基于卷积神经网络的轴承检测方法 | |
CN110501742A (zh) | 一种采用Boosting集成学习算法对地震事件进行区分的方法 | |
CN110160765A (zh) | 一种基于声音或振动信号的冲击特征识别方法及系统 | |
CN103994817A (zh) | 一种基于长距离光纤多发事件的振动振源的识别方法 | |
Zonno et al. | Automated long-term dynamic monitoring using hierarchical clustering and adaptive modal tracking: validation and applications | |
CN106382981A (zh) | 一种单站次声波信号识别提取方法 | |
CN112698405B (zh) | 基于地震动信号的滑坡事件识别、预警、评估方法 | |
US11906678B2 (en) | Seismic observation device, seismic observation method, and recording medium on which seismic observation program is recorded | |
CN111898385B (zh) | 一种地震灾害评估方法及系统 | |
CN111753776B (zh) | 基于回声状态与多尺度卷积联合模型的结构损伤识别方法 | |
CN113009553A (zh) | 基于NGBoost和SHAP值的可解释地震动参数概率密度分布预测方法 | |
CN108562639B (zh) | 一种埋地钢质管道全生命周期缺陷外检测方法 | |
CN114330120B (zh) | 一种基于深度神经网络预测24小时pm2.5浓度的方法 | |
CN113569751B (zh) | 一种基于时频域动力学参量的危岩体识别方法及装置 | |
CN114236612A (zh) | 一种针对陆内水域地震背景噪声的信号处理方法 | |
CN112597689B (zh) | 滑坡过程分析方法、过程数值重构方法、应用 | |
CN117473263A (zh) | 一种桥梁振动监测的频率与阻尼比自动识别方法和系统 | |
CN104977602A (zh) | 一种地震数据采集施工的控制方法及装置 | |
CN103994816A (zh) | 一种基于光纤多发事件的识别方法 | |
CN116882731A (zh) | 一种基于斜坡单元的地质灾害危险性评估方法及系统 | |
CN105844288A (zh) | 基于油液监测技术的机器状态识别方法 | |
CN116088050A (zh) | 一种基于微震监测破裂源时空强参数的岩爆预测方法 | |
Gajek et al. | Automating long-term glacier dynamics monitoring using single-station seismological observations and fuzzy logic classification: a case study from Spitsbergen | |
Zhao et al. | Comparison of Near‐Fault Velocity Pulse‐Like Ground Motions from the 2018 Mw 6.4 Hualien, Taiwan, Earthquake with the Next Generation Attenuation (NGA)‐West2 Ground‐Motion Models and Directivity Models | |
CN115407388A (zh) | 一种基于arima模型的地震预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |