CN117932410A - 一种浅层地震勘探节点数据自动筛选方法 - Google Patents
一种浅层地震勘探节点数据自动筛选方法 Download PDFInfo
- Publication number
- CN117932410A CN117932410A CN202410330078.3A CN202410330078A CN117932410A CN 117932410 A CN117932410 A CN 117932410A CN 202410330078 A CN202410330078 A CN 202410330078A CN 117932410 A CN117932410 A CN 117932410A
- Authority
- CN
- China
- Prior art keywords
- signal
- screening
- sampling
- seismic
- value
- 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
- 238000012216 screening Methods 0.000 title claims abstract description 172
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000011156 evaluation Methods 0.000 claims abstract description 119
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000005070 sampling Methods 0.000 claims description 157
- 238000004364 calculation method Methods 0.000 claims description 30
- 238000004458 analytical method Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 17
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 238000013441 quality evaluation Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种浅层地震勘探节点数据自动筛选方法,涉及数据自动筛选技术领域。该一种浅层地震勘探节点数据自动筛选方法,基于浅层地震勘探节点获取的信号质量信息获取信号评估值,对浅层地震勘探节点获取的信号进行一轮筛选;基于一轮筛选获取的信号特征信息,结合历史地震数据的地震信号特征信息获得信号筛选值,对浅层地震勘探节点获取的信号进行二次筛选,判断浅层地震勘探节点获取的信号是否划分为地震信号,将地质信息与通过二次筛选获得的地震信号进行关联集成,进而提供用户界面存储通过二次筛选获得的地震信号,并利用分类引索提供信号分类与筛选结果,同时生成筛选报告展示筛选过程与筛选结果。
Description
技术领域
本发明涉及数据自动筛选技术领域,具体为一种浅层地震勘探节点数据自动筛选方法。
背景技术
浅层地震勘探是一种常见的地球物理勘探方法,其主要目的是通过测量地下的地震波来获取地质结构和地下物质的信息,在这个过程中,通过部署在地表或浅层埋设的传感器节点,记录地震波信号,然后对这些采集到的数据进行处理和分析,以提取有关地下结构的信息。
然而,采集到的地震数据通常包含大量的噪声,可能来自于自然环境、人类活动、设备故障等多种因素,这些噪声对于地震信号的分析和解释构成了挑战,因此需要有效的数据处理方法,尤其是自动筛选方法来区分地震信号和噪声。
随着技术的发展,地震勘探中传感器节点的密度逐渐增加,导致了海量的数据需要处理,而传统的手动方法往往效率低下,伴随着计算机科学和机器学习等自动化技术的发展,研究者们开始尝试利用这些技术来开发自动化的地震数据处理方法,以提高效率和准确性。
针对数据的自动筛选方法,存在利用深度学习实现自动化筛选数据的方法,例如公告号为:CN108595497B公开的数据筛选方法、装置及终端,从待筛选数据中提取多个噪声数据作为样本数据;对各所述样本数据进行变换处理,得到各所述样本数据的变换数据;通过预先训练好的图像分类模型,对各所述样本数据及各所述变换数据进行标签预测,确定各所述样本数据的目标标签和目标标签概率;根据各所述样本数据的目标标签及目标标签概率,对各所述样本数据进行筛选,获得目标数据库本发明实施例提供的数据筛选方案,无需用户手动对待筛选数据逐一进行标记筛选,可依据计算机程序自动进行数据筛选,操作便捷且耗时短,既能够节省人力资源,又能够提升数据筛选效率。然而改筛选方法缺乏数据对比参考标准公式,针对数据的筛选缺乏初筛,处理手段依然需要耗费大量资源。
因此,针对以上问题,亟待需要一种浅层地震勘探节点数据自动筛选方法。
发明内容
针对现有技术的不足,本发明提供了一种浅层地震勘探节点数据自动筛选方法,解决了地震勘探过程中产生大量的噪声信号无法高效识别,造成筛选地震数据耗费大量人力和时间的问题。
为实现以上目的,本发明通过以下技术方案予以实现:一种浅层地震勘探节点数据自动筛选方法,包括以下步骤:基于浅层地震勘探节点获取的信号质量信息分析,获得信号采样评估值、采样环境评估值、采样设备评估值,结合信号采样评估值、采样环境评估值、采样设备评估值计算,获得获取信号评估值,对浅层地震勘探节点获取的信号进行一轮筛选,信号评估值具体计算公式为:,式中/>表示为信号评估值,/>表示为信号采样评估值,/>表示为采样环境评估值,/>表示为采样设备评估值,表示为信号采样评估值的权重因子,/>表示为采样环境评估值的权重因子,/>表示为采样设备评估值的权重因子;基于一轮筛选获取的信号特征信息分析,获得采样信号特征值,用于数值化表示采样信号的特征,基于历史地震数据的地震信号特征信息分析,获得地震信号特征值,用于数值化表示地震信号的特征,结合地震信号特征值、采样信号特征值计算,得到信号筛选值,对浅层地震勘探节点获取的信号进行二次筛选,判断浅层地震勘探节点获取的信号是否划分为地震信号。
进一步地,所述对浅层地震勘探节点获取的信号进行一轮筛选具体为:获得信号评估阈值,所述信号评估阈值表示信号处理过程中对应的最低可处理信号质量的信号评估值;将信号评估值与信号评估阈值进行对比分析,当信号评估值大于等于信号评估阈值时,判断信号质量符合筛选要求,将符合筛选要求的信号传输至二次筛选流程;当信号评估值小于信号评估阈值时,判断信号质量不符合筛选要求,无法进行二次筛选。
进一步地,所述获取信号评估值具体为:获取浅层地震勘探节点获取的信号质量信息;所述信号质量信息具体包括:信号采样信息、采样环境信息、采样设备信息;所述信号采样信息包括:信噪比、采样率;所述采样环境信息包括:干扰电磁信号强度、环境噪声强度;所述采样设备信息包括:设备故障率、设备校准状态值;根据信号采样信息分析计算,得到信号采样评估值,用于评估采集的信号可靠程度;根据采样环境信息分析计算,得到采样环境评估值,用于评估采样环境对于信号质量的影响程度;根据采样设备信息分析计算,得到采样设备评估值,用于评估采样设备状态对于信号质量的影响程度;对信号采样评估值、采样环境评估值、采样设备评估值分别赋予权重,进行加权求和计算,得到信号评估值。
进一步地,信号采样评估值计算公式为:;式中/>表示为信号采样评估值,/>表示为信噪比,/>表示为采样率,/>表示为信噪比的权重因子,表示为采样率的权重因子;采样环境评估值计算公式为:/>;式中/>表示为采样环境评估值,/>表示为干扰电磁信号强度,/>表示为环境噪声强度,/>表示为干扰电磁信号强度的权重因子,/>表示为环境噪声强度的权重因子;采样设备评估值计算公式为:/>;式中/>表示为采样设备评估值,/>表示为采样设备评估周期,/>,/>表示为采样设备评估周期总数,/>表示为第/>个采样设备评估周期的设备故障率,/>表示为第/>个采样设备评估周期的设备校准状态值,/>表示为设备故障率的权重因子,/>表示为设备校准状态值的权重因子。
进一步地,所述判断浅层地震勘探节点获取的信号是否划分为地震信号具体为:获得信号筛选阈值,所述信号筛选阈值表示为判断信号与地震信号区别的最大差距值;将符合筛选要求的信号的信号筛选值与信号筛选阈值进行对比分析,当信号筛选值小于等于信号筛选阈值时,判断浅层地震勘探节点获取的信号可以划分为地震信号;当信号筛选值大于信号筛选阈值时,将浅层地震勘探节点获取的信号划分为非地震信号,进一步获得该浅层地震勘探节点的邻近节点信号的信号筛选值,当邻近节点信号的信号筛选值大于信号筛选阈值时,判断信号为噪音。
进一步地,所述获得信号筛选值具体为:获取符合筛选要求的信号的信号特征信息,所述信号特征信息具体包括:时频特征信息、事件特征信息;获取历史地震数据的地震特征信息,所述地震特征信息具体包括:地震时频特征信息、地震数据特征信息;通过时频特征信息、事件特征信息分析计算,得到采样信号特征值,用于数值化表示采样信号的特征;通过地震时频特征信息、地震数据特征信息分析计算,得到地震信号特征值,用于数值化表示地震信号的特征;通过地震信号特征值、采样信号特征值分析计算,得到信号筛选值。
进一步地,所述信号筛选值的计算公式为:;式中/>表示为信号筛选值,/>表示为地震信号特征值,/>表示为采样信号特征值。
进一步地,所述时频特征信息具体包括:采样信号振幅、采样信号能量、采样信号持续时长;所述事件特征信息具体包括:采样信号声源震动级数、采样信号声源距离;所述地震时频特征信息具体包括:地震信号振幅、地震信号能量、地震信号持续时长;所述地震数据特征信息具体包括:震级、震源距离。
进一步地,所述获取符合筛选要求的信号的信号特征信息具体为:收集来自浅层地震勘探节点的原始数据,包括信号波形、地质信息;对原始数据进行预处理,包括:数据清洗、去除异常值;基于预处理后的原始数据进行数据统一格式转化;基于原始数据提取采样信号的时域特征、频域特征及空间特征;利用特征选择算法进行主成分分析,获得信号特征信息。
进一步地,还包括:将地质信息与通过二次筛选获得的地震信号进行关联集成;提供用户界面存储通过二次筛选获得的地震信号,并利用分类引索提供信号分类与筛选结果,同时生成筛选报告展示筛选过程与筛选结果;所述用户界面还提供远程监测功能,实时监测浅层地震勘探节点数据,并提供用户远程标记异常功能。
本发明具有以下有益效果:
(1)、该一种浅层地震勘探节点数据自动筛选方法,通过信号质量评估和一轮筛选,可以有效地过滤掉噪音较大或质量较差的信号,从而提高被认定为地震信号的准确性;进行二次筛选时,结合历史地震数据信息,可以更精确地判断信号是否符合地震数据的特征,有助于降低误报率,避免将非地震数据的信号错误地标记为地震信号,结合历史地震数据的信号特征信息,能够更好地适应各种地质条件和地震类型的算法,使得系统更具通用性,能够适应不同地区和不同地质环境下的地震信号;通过一轮和二次筛选,勘探节点获取的信号可以更快速地被分类和分析,从而提高地震监测和勘探的效率,减少对非地震信号的处理和分析时间,使得系统更为高效,有助于提高地震监测系统的精准性、效率和实时性。
(2)、该一种浅层地震勘探节点数据自动筛选方法,采取数据处理技术手段,对于浅层地震勘探节点获取的信号先后进行了两次筛选,初次筛选考虑到了由于信号采集过程中环境及采集设备对于信号质量的影响,综合计算的信号质量评估值能够有效识别无效信号,减少了二轮筛选的时间及工作量;对于采样信号的二轮筛选基于信号的特征信息与目标地点历史地震数据获取的地震信号特征信息对比,进而获得的信号筛选值能够有效识别噪声干扰与地震信号的区别。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
图1为本发明一种浅层地震勘探节点数据自动筛选方法流程图。
具体实施方式
本申请实施例通过一种浅层地震勘探节点数据自动筛选方法,解决了地震勘探过程中产生大量的噪声信号无法高效识别,造成筛选地震数据耗费大量人力和时间的问题。
本申请实施例中的问题,总体思路如下:针对浅层地震勘探节点获取的信号,首先进行信号质量的评估,利用信号质量评估值,对浅层地震勘探节点获取的信号进行一轮筛选,以排除质量较差的信号,减少后续处理的工作量;针对一轮筛选后的信号,提取相关的信号特征信息,包括频谱特征、时域特征、振幅特征,利用历史地震数据的地震信号特征信息,建立一个参考库,描述正常地震信号的特征,将一轮筛选后的信号特征与历史地震数据信息进行比较,计算信号的筛选值,判断当前信号是否具有类似于历史地震数据的特征,基于筛选值,进行二次筛选,将符合特定标准的信号划分为地震信号。
请参阅图1,本发明实施例提供一种技术方案:一种浅层地震勘探节点数据自动筛选方法,包括以下步骤:基于浅层地震勘探节点获取的信号质量信息获取信号评估值,对浅层地震勘探节点获取的信号进行一轮筛选;基于一轮筛选获取的信号特征信息,结合历史地震数据的地震信号特征信息获得信号筛选值,对浅层地震勘探节点获取的信号进行二次筛选,判断浅层地震勘探节点获取的信号是否划分为地震信号。
具体地,对浅层地震勘探节点获取的信号进行一轮筛选具体为:获得信号评估阈值,信号评估阈值表示信号处理过程中对应的最低可处理信号质量的信号评估值;将信号评估值与信号评估阈值进行对比分析,当信号评估值大于等于信号评估阈值时,信号质量符合筛选要求,将符合筛选要求的信号传输至二次筛选流程;当信号评估值小于信号评估阈值时,信号质量不符合筛选要求,无法进行二次筛选。
本实施方案中,通过设定信号评估阈值,可以对信号进行质量评估,并仅保留那些质量较高的信号,有助于优化获得的地震数据,减少可能影响解释和分析的噪声,自动化对比分析不需要人工干预,有助于提高处理效率,特别是在面对大规模的数据集时,通过自动筛选可以更快速地得到符合要求的信号;筛选掉信号评估值低于阈值的数据,有助于避免对低质量信号进行进一步处理的时间和计算资源浪费,有助于在资源和成本方面更有效地管理浅层地震勘探项目,对于后续的地震数据解释和地下结构分析至关重要。
具体地,获取信号评估值具体为:获取浅层地震勘探节点获取的信号质量信息;信号质量信息包括信号采样信息、采样环境信息、采样设备信息,信号采样信息包括:信噪比、采样率,采样环境信息包括:干扰电磁信号强度、环境噪声强度,采样设备信息包括:设备故障率、设备校准状态值;根据信号采样信息分析计算,得到信号采样评估值,用于评估采集的信号可靠程度,计算公式为:,式中/>表示为信号采样评估值,/>表示为信噪比,/>表示为采样率,/>表示为信噪比的权重因子,/>表示为采样率的权重因子;根据采样环境信息分析计算,得到采样环境评估值,用于评估采样环境对于信号质量的影响程度,计算公式为:/>,式中/>表示为采样环境评估值,/>表示为干扰电磁信号强度,/>表示为环境噪声强度,/>表示为干扰电磁信号强度的权重因子,表示为环境噪声强度的权重因子;根据采样设备信息分析计算,得到采样设备评估值,用于评估采样设备状态对于信号质量的影响程度,计算公式为:,式中/>表示为采样设备评估值,/>表示为采样设备评估周期,,/>表示为采样设备评估周期总数,/>表示为第/>个采样设备评估周期的设备故障率,/>表示为第/>个采样设备评估周期的设备校准状态值,/>表示为设备故障率的权重因子,/>表示为设备校准状态值的权重因子;对信号采样评估值、采样环境评估值、采样设备评估值分别赋予权重,进行加权求和计算,得到信号评估值。
本实施方案中,信噪比指信号与噪声的相对强度比,较高的信噪比表示信号相对于噪声更强,有助于提高数据的质量,通过采集到的信号和背景噪声的强度进行测量和计算获得;采样率指在一定时间内采集数据的次数,通常以每秒采样次数表示,高采样率可以更准确地表示信号的变化,通过设置地震仪或数据采集设备的采样率;干扰电磁信号强度指的是在地震信号中受到的电磁干扰的强度,高强度的电磁干扰可能会对地震信号产生不利影响,通过使用电磁传感器或其他电磁感应设备来测量周围电磁信号的强度获得;环境噪声强度表示在信号采集环境中存在的各种噪声的强度水平,包括机械噪声、交通噪声等,通过使用噪声传感器或者通过地震传感器测量不同频率段上的背景噪声水平获得;设备故障率表示设备在一定时间内出现故障的概率,低故障率有助于确保设备的可靠性,通过对设备历史记录的故障情况进行分析,或者通过实验和测试来估算获得;设备校准状态值表示设备是否经过正确的校准,以及校准的准确性水平,通过使用标准参考源或校准信号对设备进行定期校准,并记录校准结果获得,设备校准状态值具体设置为:设备通过校准记为0,设备未校准记为1;权重因子的设置取决于具体的应用和系统要求,而且这个过程需要经验、实验和不断的优化,具体可以通过相关领域专业人员基于相关领域专业知识调整设置。
具体地,信号评估值计算公式为:;式中/>表示为信号评估值,用于对浅层地震勘探节点获取的信号进行一轮筛选,/>表示为信号采样评估值,/>表示为采样环境评估值,/>表示为采样设备评估值,/>表示为信号采样评估值的权重因子,/>表示为采样环境评估值的权重因子,/>表示为采样设备评估值的权重因子。
本实施方案中,采样评估值、采样环境评估值、采样设备评估值相对应的权重因子的设置依赖于具体的应用和系统要求,以及不同因素对最终结果的相对重要性,例如:如果信号采样的准确性对信号评估至关重要,可以考虑赋予较高的权重,如果环境因素对结果产生重大影响,可以考虑给予较高的权重,设备评估值的权重与信号采样评估值类似,取决于设备对信号采集质量的贡献,具体权重因子的设置可以通过相关领域专业人员经过调整训练设置。
具体地,判断浅层地震勘探节点获取的信号是否划分为地震信号具体为:获得信号筛选阈值,信号筛选阈值表示判断信号与地震信号区别的最大差距值;将符合筛选要求的信号的信号筛选值与信号筛选阈值进行对比分析,当信号筛选值小于等于信号筛选阈值时,浅层地震勘探节点获取的信号可以划分为地震信号;当信号筛选值大于信号筛选阈值时,将浅层地震勘探节点获取的信号划分为非地震信号,进一步获得该浅层地震勘探节点的邻近节点信号的信号筛选值,当邻近节点信号的信号筛选值大于信号筛选阈值时,信号为噪音。
本实施方案中,通过设定信号筛选阈值,系统能够在获取的信号中有效地区分地震信号和非地震信号,有助于提高勘探节点的准确性和可靠性;通过对信号筛选值与阈值的比较,系统实现了对地震信号的自动分类,减轻了人工处理的负担,提高了处理效率;通过进一步分析邻近节点信号的筛选值,可以识别和标记噪音信号,使得系统在面对噪音干扰时能够采取进一步的措施,提高了信号的纯净度。
具体地,获得信号筛选值具体为:获取符合筛选要求的信号的信号特征信息,信号特征信息包括时频特征信息、事件特征信息;获取历史地震数据的地震特征信息,地震特征信息包括地震时频特征信息、地震数据特征信息;通过时频特征信息、事件特征信息分析计算,得到采样信号特征值,用于数值化表示采样信号的特征,计算公式为:,式中/>表示为采样信号特征值,/>表示为采样信号特征训练周期,/>,/>表示为采样信号特征训练周期总数,/>表示为第/>个采样信号特征训练周期的采样信号振幅,/>表示为第/>个采样信号特征训练周期的采样信号能量,/>表示为第/>个采样信号特征训练周期的采样信号持续时长,/>表示为第/>个采样信号特征训练周期的采样信号声源震动级数,/>表示为第/>个采样信号特征训练周期的采样信号声源距离,/>表示为采样信号振幅的权重因子,/>表示为采样信号能量的权重因子,/>表示为采样信号持续时长的权重因子,/>表示为采样信号声源震动级数的权重因子,/>表示为采样信号声源距离的权重因子,/>表示为时频特征信息的权重因子,/>表示为事件特征信息的权重因子,/>表示为预设的信号振幅,/>表示为预设的信号能量,/>表示为预设的信号持续时长,/>表示为预设的信号声源震动级数,/>表示为预设的信号声源距离;通过地震时频特征信息、地震数据特征信息分析计算,得到地震信号特征值,用于数值化表示地震信号的特征,计算公式为:,式中/>表示为地震信号特征值,/>表示为地震信号特征训练周期,/>,/>表示为地震信号特征训练周期总数,/>表示为第/>个地震信号特征训练周期的地震信号振幅,/>表示为第/>个地震信号特征训练周期的地震信号能量,/>表示为第/>个地震信号特征训练周期的地震信号持续时长,/>表示为第/>个地震信号特征训练周期的震级,/>表示为第个地震信号特征训练周期的震源距离,/>表示为地震信号振幅的权重因子,/>表示为地震信号能量的权重因子,/>表示为地震信号持续时长的权重因子,/>表示为震级的权重因子,/>表示为震源距离的权重因子,/>表示为时频特征信息的权重因子,/>表示为事件特征信息的权重因子;通过地震信号特征值、采样信号特征值分析计算,得到信号筛选值。
本实施方案中,采样信号振幅指信号波形的峰值,表示信号在一个周期内的最大偏移量,通过采样信号的波形数据,测量波形的峰值振幅;采样信号能量表示信号携带的能量,与振幅和时长有关,通过对信号波形进行能量计算,可以采用波形幅值的平方或积分来估计信号的总能量;采样信号持续时长表示信号存在的时间长度,通过记录信号的起始和结束时间,计算其时长;采样信号声源震动级数表示声源的震动级数,用于描述声源的强度或震动的程度,通过声学传感器等设备来测量声源的震动级数;采样信号声源距离表示信号源离采样点的距离,影响信号的振幅和能量,通过测量信号传播的时间差、多个传感器的协同工作等方法来估算声源距离;地震信号振幅、地震信号能量、地震信号持续时长类似于采样信号的对应特征,但是这些参数是针对地震信号的,通过地震监测设备记录地震波形,然后进行相应的分析获得;震级用于表示地震强度的指标,通常通过地震仪观测到的波形振幅和距离等信息计算得出,通过地震监测设备记录的地震波形数据,利用震级计算公式计算得到;震源距离表示为地震源与观测点之间的距离,也是地震监测中重要的参数之一,通过测量地震波传播的时间差、多个地震仪的数据协同分析等方法来估算震源距离。权重因子的设置取决于特征值计算的具体需求及相关领域专业人员的专业知识建议,可以根据实际需求更改调整。
具体地,信号筛选值的计算公式为:;式中/>表示为信号筛选值,用于判断浅层地震勘探节点获取的信号是否划分为地震信号,/>表示为地震信号特征值,/>表示为采样信号特征值。
本实施方案中,信号筛选值的计算可以帮助抑制噪声,通过减去背景噪声或非目标信号的特征,可以更突出地突显出感兴趣的信号成分,对于提高信号与噪声比和准确检测目标信号非常重要;通过特定特征值的相减和计算,可以更有效地突显目标信号的特征,有助于在复杂的信号环境中更清晰地分辨出目标信号。
具体地,时频特征信息包括采样信号振幅、采样信号能量、采样信号持续时长;事件特征信息包括采样信号声源震动级数、采样信号声源距离;地震时频特征信息包括地震信号振幅、地震信号能量、地震信号持续时长;地震数据特征信息包括震级、震源距离。
本实施方案中,震级提供了地震能量释放的量化度量,是评估地震强度的重要指标;震源距离有助于定位地震的发生位置,对地震的快速响应和紧急救援工作至关重要;振幅可以提供关于信号强度和变化的信息,用于分析信号的幅度特性;能量提供了信号能量分布的信息,有助于评估信号的总体强度;持续时长用于分析信号的时域特性,对于区分短时突发事件和长时间持续性信号具有重要意义;声源震动级数可以提供关于事件震动级数的信息,有助于识别和分类不同类型的振动源;声源距离对于定位声源位置非常关键,尤其是在地震监测、声学定位或其他远距离传感器应用中。
具体地,获取符合筛选要求的信号的信号特征信息具体为:收集来自浅层地震勘探节点的原始数据:信号波形、地质信息;对原始数据进行预处理,包括:数据清洗、去除异常值;基于预处理后的原始数据进行数据统一格式转化;基于原始数据提取采样信号的时域特征、频域特征及空间特征;利用特征选择算法进行主成分分析,获得信号特征信息。
本实施方案中,通过对原始数据进行数据清洗和去除异常值的预处理,可以提高信号的质量,减少由于噪声或干扰引起的误差;进行数据统一格式转化有助于确保不同来源的数据能够在相同的条件下进行比较和分析,提高数据的一致性和可比性;基于原始数据提取时域、频域和空间特征能够全面了解信号的不同方面:时域特征可以描述信号在时间上的变化,频域特征则揭示了信号在频率上的分布,而空间特征则提供了信号在不同位置上的信息;将地质信息与信号数据关联,有助于建立地质与地震信号之间的关系,对于地下结构的理解和地质勘探具有重要意义;利用特征选择算法进行主成分分析,可以从多个特征中提取最重要的特征,减少数据的维度,提高模型的运算效率,同时保留关键信息,有助于更好地理解数据的本质和进行有效的分类或回归分析。
具体地,还包括:将地质信息与通过二次筛选获得的地震信号进行关联集成;提供用户界面存储通过二次筛选获得的地震信号,并利用分类引索提供信号分类与筛选结果,同时生成筛选报告展示筛选过程与筛选结果,用户界面还提供远程监测功能,实时监测浅层地震勘探节点数据,并提供用户远程标记异常功能。
本实施方案中,将地质信息与通过二次筛选获得的地震信号关联集成,有助于更全面地理解地下结构与地震信号之间的关系;用户友好界面有助于提高数据的可访问性和可用性;分类引索,可以为地震信号建立系统的分类体系,使用户能够更容易地浏览、搜索和理解不同类型的信号,为进一步的研究和分析提供了有力的支持,通过用户界面和分类引索,提供信号分类与筛选结果的直观展示,用户能够清晰地了解不同类别的地震信号以及它们的筛选结果,有助于用户迅速获取所需信息;生成筛选报告可以详细记录筛选过程、采用的方法以及最终的筛选结果,对于科学研究的追溯性和可重复性具有重要意义,同时也为决策者提供了直观的信息,便于做出合理的决策。
综上,本申请至少具有以下效果:通过一轮筛选,可以有效地过滤掉噪音较大或质量较差的信号,从而提高了被认定为地震信号的准确性;二次筛选结合历史地震数据信息,可以更精确地判断信号是否符合地震数据的特征,有助于降低误报率,避免将非地震数据的信号错误地标记为地震信号,能够更好地适应各种地质条件和地震类型的算法,减少了对非地震信号的处理和分析时间。
本领域内的技术人员应明白,本发明的实施例可提供为方法。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法的流程图来描述的。应理解可由计算机程序指令实现流程图中的每一流程的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种浅层地震勘探节点数据自动筛选方法,其特征在于,包括以下步骤:
基于浅层地震勘探节点获取的信号质量信息分析,获得信号采样评估值、采样环境评估值、采样设备评估值,结合信号采样评估值、采样环境评估值、采样设备评估值计算,获得获取信号评估值,对浅层地震勘探节点获取的信号进行一轮筛选,信号评估值具体计算公式为:
,
式中表示为信号评估值,/>表示为信号采样评估值,/>表示为采样环境评估值,表示为采样设备评估值,/>表示为信号采样评估值的权重因子,/>表示为采样环境评估值的权重因子,/>表示为采样设备评估值的权重因子;
基于一轮筛选获取的信号特征信息分析,获得采样信号特征值,用于数值化表示采样信号的特征,基于历史地震数据的地震信号特征信息分析,获得地震信号特征值,用于数值化表示地震信号的特征,结合地震信号特征值、采样信号特征值计算,得到信号筛选值,对浅层地震勘探节点获取的信号进行二次筛选,判断浅层地震勘探节点获取的信号是否划分为地震信号。
2.根据权利要求1所述的一种浅层地震勘探节点数据自动筛选方法,其特征在于,所述对浅层地震勘探节点获取的信号进行一轮筛选具体为:
获得信号评估阈值,所述信号评估阈值表示信号处理过程中对应的最低可处理信号质量的信号评估值;
将信号评估值与信号评估阈值进行对比分析,当信号评估值大于等于信号评估阈值时,判断信号质量符合筛选要求,将符合筛选要求的信号传输至二次筛选流程;
当信号评估值小于信号评估阈值时,判断信号质量不符合筛选要求,无法进行二次筛选。
3.根据权利要求1所述的一种浅层地震勘探节点数据自动筛选方法,其特征在于,所述获取信号评估值具体为:
获取浅层地震勘探节点获取的信号质量信息;
所述信号质量信息具体包括:信号采样信息、采样环境信息、采样设备信息;
所述信号采样信息包括:信噪比、采样率;
所述采样环境信息包括:干扰电磁信号强度、环境噪声强度;
所述采样设备信息包括:设备故障率、设备校准状态值;
根据信号采样信息分析计算,得到信号采样评估值,用于评估采集的信号可靠程度;
根据采样环境信息分析计算,得到采样环境评估值,用于评估采样环境对于信号质量的影响程度;
根据采样设备信息分析计算,得到采样设备评估值,用于评估采样设备状态对于信号质量的影响程度;
对信号采样评估值、采样环境评估值、采样设备评估值分别赋予权重,进行加权求和计算,得到信号评估值。
4.根据权利要求3所述的一种浅层地震勘探节点数据自动筛选方法,其特征在于,信号采样评估值计算公式为:
;
式中表示为信号采样评估值,/>表示为信噪比,/>表示为采样率,/>表示为信噪比的权重因子,/>表示为采样率的权重因子;
采样环境评估值计算公式为:
;
式中表示为采样环境评估值,/>表示为干扰电磁信号强度,/>表示为环境噪声强度,/>表示为干扰电磁信号强度的权重因子,/>表示为环境噪声强度的权重因子;
采样设备评估值计算公式为:
;
式中表示为采样设备评估值,/>表示为采样设备评估周期,/>,/>表示为采样设备评估周期总数,/>表示为第/>个采样设备评估周期的设备故障率,/>表示为第/>个采样设备评估周期的设备校准状态值,/>表示为设备故障率的权重因子,/>表示为设备校准状态值的权重因子。
5.根据权利要求1所述的一种浅层地震勘探节点数据自动筛选方法,其特征在于,所述判断浅层地震勘探节点获取的信号是否划分为地震信号具体为:
获得信号筛选阈值,所述信号筛选阈值表示为判断信号与地震信号区别的最大差距值;
将符合筛选要求的信号的信号筛选值与信号筛选阈值进行对比分析,当信号筛选值小于等于信号筛选阈值时,判断浅层地震勘探节点获取的信号可以划分为地震信号;
当信号筛选值大于信号筛选阈值时,将浅层地震勘探节点获取的信号划分为非地震信号,进一步获得该浅层地震勘探节点的邻近节点信号的信号筛选值,当邻近节点信号的信号筛选值大于信号筛选阈值时,判断信号为噪音。
6.根据权利要求1所述的一种浅层地震勘探节点数据自动筛选方法,其特征在于,所述获得信号筛选值具体为:
获取符合筛选要求的信号的信号特征信息,所述信号特征信息具体包括:时频特征信息、事件特征信息;
获取历史地震数据的地震特征信息,所述地震特征信息具体包括:地震时频特征信息、地震数据特征信息;
通过时频特征信息、事件特征信息分析计算,得到采样信号特征值,用于数值化表示采样信号的特征;
通过地震时频特征信息、地震数据特征信息分析计算,得到地震信号特征值,用于数值化表示地震信号的特征;
通过地震信号特征值、采样信号特征值分析计算,得到信号筛选值。
7.根据权利要求6所述的一种浅层地震勘探节点数据自动筛选方法,其特征在于,所述信号筛选值的计算公式为:
;
式中表示为信号筛选值,/>表示为地震信号特征值,/>表示为采样信号特征值。
8.根据权利要求6所述的一种浅层地震勘探节点数据自动筛选方法,其特征在于,所述时频特征信息具体包括:采样信号振幅、采样信号能量、采样信号持续时长;
所述事件特征信息具体包括:采样信号声源震动级数、采样信号声源距离;
所述地震时频特征信息具体包括:地震信号振幅、地震信号能量、地震信号持续时长;
所述地震数据特征信息具体包括:震级、震源距离。
9.根据权利要求6所述的一种浅层地震勘探节点数据自动筛选方法,其特征在于,所述获取符合筛选要求的信号的信号特征信息具体为:
收集来自浅层地震勘探节点的原始数据,包括信号波形、地质信息;
对原始数据进行预处理,包括:数据清洗、去除异常值;
基于预处理后的原始数据进行数据统一格式转化;
基于原始数据提取采样信号的时域特征、频域特征及空间特征;
利用特征选择算法进行主成分分析,获得信号特征信息。
10.根据权利要求1所述的一种浅层地震勘探节点数据自动筛选方法,其特征在于,还包括:将地质信息与通过二次筛选获得的地震信号进行关联集成;
提供用户界面存储通过二次筛选获得的地震信号,并利用分类引索提供信号分类与筛选结果,同时生成筛选报告展示筛选过程与筛选结果;
所述用户界面还提供远程监测功能,实时监测浅层地震勘探节点数据,并提供用户远程标记异常功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410330078.3A CN117932410B (zh) | 2024-03-22 | 2024-03-22 | 一种浅层地震勘探节点数据自动筛选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410330078.3A CN117932410B (zh) | 2024-03-22 | 2024-03-22 | 一种浅层地震勘探节点数据自动筛选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117932410A true CN117932410A (zh) | 2024-04-26 |
CN117932410B CN117932410B (zh) | 2024-05-28 |
Family
ID=90764997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410330078.3A Active CN117932410B (zh) | 2024-03-22 | 2024-03-22 | 一种浅层地震勘探节点数据自动筛选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117932410B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150029397A (ko) * | 2013-09-10 | 2015-03-18 | (주)에이케이지씨 | 배경잡음에 강인한 지진파 자동 검출 장치 및 그 방법 |
CN107590196A (zh) * | 2017-08-15 | 2018-01-16 | 中国农业大学 | 一种社交网络中地震应急信息筛选评价方法及系统 |
CN207352181U (zh) * | 2017-08-25 | 2018-05-11 | 武汉市工程科学技术研究院 | 基于无线数据传输的浅层地震勘探系统 |
CN110320560A (zh) * | 2019-07-09 | 2019-10-11 | 浙江大学 | 一种海洋地震和海啸实时监测系统 |
CN110988985A (zh) * | 2019-12-18 | 2020-04-10 | 北京邮电大学 | 基于波形特征的地震信号检测方法 |
CN113611324A (zh) * | 2021-06-21 | 2021-11-05 | 上海一谈网络科技有限公司 | 一种直播中环境噪声抑制的方法、装置、电子设备及存储介质 |
CN116184497A (zh) * | 2023-02-27 | 2023-05-30 | 国家海洋环境预报中心 | 一种地震海啸初始场特征参数的快速估算方法 |
-
2024
- 2024-03-22 CN CN202410330078.3A patent/CN117932410B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150029397A (ko) * | 2013-09-10 | 2015-03-18 | (주)에이케이지씨 | 배경잡음에 강인한 지진파 자동 검출 장치 및 그 방법 |
CN107590196A (zh) * | 2017-08-15 | 2018-01-16 | 中国农业大学 | 一种社交网络中地震应急信息筛选评价方法及系统 |
CN207352181U (zh) * | 2017-08-25 | 2018-05-11 | 武汉市工程科学技术研究院 | 基于无线数据传输的浅层地震勘探系统 |
CN110320560A (zh) * | 2019-07-09 | 2019-10-11 | 浙江大学 | 一种海洋地震和海啸实时监测系统 |
CN110988985A (zh) * | 2019-12-18 | 2020-04-10 | 北京邮电大学 | 基于波形特征的地震信号检测方法 |
CN113611324A (zh) * | 2021-06-21 | 2021-11-05 | 上海一谈网络科技有限公司 | 一种直播中环境噪声抑制的方法、装置、电子设备及存储介质 |
CN116184497A (zh) * | 2023-02-27 | 2023-05-30 | 国家海洋环境预报中心 | 一种地震海啸初始场特征参数的快速估算方法 |
Non-Patent Citations (2)
Title |
---|
FANGYU LI等: ""Distributed Sensor Networks Based Shallow Subsurface Imaging and Infrastructure Monitoring"", 《IEEE TRANSACTIONS ON SIGNAL AND INFORMATION PROCESSING OVER NETWORKS》, 20 February 2020 (2020-02-20), pages 241 - 250, XP011779183, DOI: 10.1109/TSIPN.2020.2975349 * |
谢兴隆等: ""基于Curvelet变换的线杆共振干扰去除方法"", 《物探与化探》, 30 April 2022 (2022-04-30), pages 474 - 481 * |
Also Published As
Publication number | Publication date |
---|---|
CN117932410B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mousavi et al. | STanford EArthquake Dataset (STEAD): A global data set of seismic signals for AI | |
CN109085641B (zh) | 用于地震预报的监测数据处理方法、地震预报方法和系统 | |
Sokos et al. | Evaluating centroid‐moment‐tensor uncertainty in the new version of ISOLA software | |
Schorlemmer et al. | Probability of detecting an earthquake | |
CN111123355B (zh) | 一种基于微震监测数据的岩爆预测方法及系统 | |
US8234073B2 (en) | System and method for estimating geological architecture of a geologic volume | |
CN106443802A (zh) | 一种基于形态学滤波的电成像储层缝洞体的定量表征方法及系统 | |
RU2005124276A (ru) | Способ и устройство для анализа временного интервала между причиной и следствием | |
US8639442B2 (en) | Identifying invalid seismic data | |
Zhu et al. | Accurate identification of microseismic P-and S-phase arrivals using the multi-step AIC algorithm | |
US11906678B2 (en) | Seismic observation device, seismic observation method, and recording medium on which seismic observation program is recorded | |
Li et al. | Automated platform for microseismic signal analysis: Denoising, detection, and classification in slope stability studies | |
MX2007011622A (es) | Diseno de exploraciones usando campos electromagneticos de fuentes controladas. | |
Winder et al. | QuakeMigrate: a modular, open-source python package for automatic earthquake detection and location | |
CN117932410B (zh) | 一种浅层地震勘探节点数据自动筛选方法 | |
Scafidi et al. | A complete automatic procedure to compile reliable seismic catalogs and travel‐time and strong‐motion parameters datasets | |
CN111879456A (zh) | 一种建筑幕墙安全性检测方法及系统 | |
CN116643308A (zh) | 一种利用相似地震预测地震台站异常数据的方法及系统 | |
León et al. | Small-layered Feed-Forward and Convolutional neural networks for efficient P wave earthquake detection | |
EP3350626B1 (en) | Bayseian polarity determination | |
CN104197869B (zh) | 用于钻杆长度应力波自动检测系统以及方法 | |
Colombelli et al. | A duration magnitude scale for the Irpinia Seismic Network, Southern Italy | |
Paap et al. | A neural network approach for improved seismic event detection in the Groningen gas field, the Netherlands | |
CN112147711A (zh) | 野外快速获取海相页岩总有机碳方法及系统 | |
RU2766064C1 (ru) | Способ оценки шумовых составляющих выходных сигналов сейсмомодулей, работающих на литий-ионных источниках питания |
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 |