《通过无监督机器学习自动拾取微震事件》这篇文章探讨了如何运用无监督机器学习技术来改善微震事件的自动拾取过程,这是地震学和地质勘探中的一个重要环节。传统的波至拾取算法,如短期平均和长期平均比(STA/LTA),在处理中强度随机环境噪声时效果有限。因此,文章着重研究了如何借助机器学习技术来解决这一问题。
文章指出,由于受监督机器学习算法需要大量标注的训练数据,作者选择了无监督机器学习算法,它能够将时间样本分为波形点和非波形点两类,无需预先定义的标签。模糊聚类算法在此被证明在微震拾取中有很好的应用潜力。通过一系列合成、真实微震和地震数据的实验,作者展示了这种方法在中强背景噪声环境下,相比最先进的STA/LTA方法,能更稳定地识别微震事件。
关键词涉及逆理论、时间序列分析和震源观测。文章强调,微震数据中的强噪声,特别是地表微震数据中的噪声,可能影响到微震信号的有效分析和利用,例如在水压致裂监测中。准确的波形到达时间对于地震监测、地震层析成像等应用至关重要。然而,传统的人工拾取方法受到地震数据规模、质量、振幅比例等因素的限制。
Hatherly(1982)提出的基于统计标准的初至波拾取技术以及Senkaya和Karsli(2014)的半自动方法通过互相关技术降低了人为误差。此外,基于波形相关的检测方法在强震事件中对小振幅事件的敏感性也被广泛认可。Song等人(2010)将这种方法应用于水压致裂产生的微震事件,通过主事件和目标事件的互相关,找到相似的事件。
文章还提到了其他一些技术,如Gelchinsky和Shtivelman(1983)结合相关法和统计法的方法,Sabbione和Velis(2010)的漏检校正技术,以及Velis等人(2015)利用模式识别和降秩滤波提高波形信噪比的策略。Coppens(1985)的全自动方法则通过延迟时间法计算静态校正来拾取初至波。
总的来说,这篇文章揭示了无监督机器学习在应对微震事件拾取中的噪声问题和提高自动处理效率方面的优势,并提供了未来地震学研究和技术发展的新方向。通过优化波形识别,可以更有效地利用微震数据,提高地震监测和地质勘探的精度。