典型的地表阵列微地震数据往往存在低信噪比和强非平稳噪声，给小事件的检测带来挑战。现有方法通常依赖阵列或互相关手段在处理前提升信噪比。本文提出了一种基于同步压缩连续小波变换（SS-CWT）与单道数据自定义阈值的新方法，能够在提高信噪比的同时实现微地震事件的自动检测。该方法利用 SS-CWT 的自适应滤波优势，有效抑制随时间和频率变化的噪声，并在分辨率上优于传统小波变换。算法通过对阈值化小波系数的特征函数分析，在局部极大值处识别事件到时。实验结果表明，无论在合成信号还是实地微地震数据中，该方法均能显著去除小幅信号中的噪声，实现可靠的事件检测和起始时间估计，并优于传统去噪与检测方法。
作者信息
编号：MAP-25
大小：202M
环境：Matlab R2020b、R2024b
作者：张家梁(自研改进)
引言
微地震震动是一类低幅值的地震事件，其震级通常在 −3.0 到 0.0 之间，主要由有效应力降低引起的脆性破裂所致（Maxwell, 2005）。被动式微地震监测在采矿业中已有超过百年的应用，用于评估岩爆风险及矿山应力状态（Mendecki, 1993）；在水库地震研究中已有至少 50 年的应用（Simpson et al., 1988）；在地热产业中的应用可追溯到上世纪 80 年代（Pearson, 1981）；而在石油和天然气行业的应用则相对较新。然而，在过去 30 年里，微地震监测在水力压裂与采矿诱发地震中的应用发展迅速（Maxwell, 2005; Duncan and Eisner, 2010; Shemeta and Anderson, 2010; Rosca and Maisons, 2012）。
在采矿和油气勘探环境中，微地震信号可通过布设在地表或监测井中的传感器进行记录。被动监测中事件定位的精度和准确性取决于数据的信噪比（S/N）和接收器的空间分布。通常情况下，井下监测因信噪比较高而能提供更好的检测效果，但在单井布设时，事件的精确定位尤其是震源深度估计会存在困难（Eisner et al., 2009）。相比之下，地表监测虽然信噪比较低，但由于可在多个方位和距阵布设接收器，其震中定位更为精确。然而，地表监测的一个主要挑战依旧是如何有效区分信号与噪声（Eisner et al., 2010）。
对于被动微地震数据处理而言，准确可靠的自动检测和起始时间估计 是关键步骤，这不仅受数据信噪比影响，还会直接影响震源定位、震源机制解算以及地震灾害评估等后续分析（Maxwell et al., 2008）。因此，在过去三十年中，研究人员提出了多种自动检测算法（包括同时检测与到时拾取），其原理涵盖能量分析与特征函数（CFs；Saari, 1991; Ruud and Husebye, 1992; Earle and Shearer, 1994; Panagiotakis et al., 2008）、短时平均与长时平均比值（STA/LTA；Allen, 1978; Berand and Kradolfer, 1997）、偏振分析（Vidale, 1986; Magotra et al., 1987, 1989; Jurkevic, 1988; Anderson and Nehorai, 1996）等方法，以及人工神经网络、模糊逻辑、时延与图论、自回归建模、最大似然方法、子空间检测器、小波变换、PageRank、高阶统计量（HOS）、以及 HOS 与时频/偏振分析的混合方法等。
然而，噪声的存在往往严重影响这些方法的性能。因此，开发一种健壮且精确的自动算法，使其能够适应不同震源类型、震源距、噪声水平及仪器响应的差异，仍然是一个活跃且具有挑战性的研究方向（Withers et al., 1998）。
系统架构
1.系统概述
本系统旨在实现 微地震信号的自动去噪与起始点检测，核心思想是利用 同步压缩连续小波变换（SS-CWT） 结合 自定义阈值方法，在提升信噪比的同时，实现事件检测与到时拾取的一体化处理。系统整体架构分为数据输入、时频分析、噪声抑制、事件检测与输出结果四个功能模块，既能处理单道实测数据，也能适配合成信号测试，确保方法的普适性与鲁棒性。
系统主要特点包括：
单通道数据处理能力：无需依赖阵列观测或互相关模板匹配，即可实现小事件的检测。
自适应时频分析：通过 SS-CWT 提供高分辨率的时频表示，有效抑制随时间和频率变化的非平稳噪声。
智能阈值策略：采用改进的阈值函数，对不同频段特征进行自适应处理，避免传统硬/软阈值的缺陷。
事件自动检测：利用阈值化后的小波系数构建特征函数（Characteristic Function, CF），在局部极大值处自动识别事件到时。
适用性验证：系统既在合成数据上进行对比试验，也在实地采集的微地震数据上验证，证明其在提高信噪比、检测灵敏度和到时精度方面优于传统方法。
该系统的应用场景涵盖 页岩气水力压裂监测、矿山安全评估、地热开采监控 等典型微地震监测工程，能够为事件定位、震源机制反演及地震灾害风险评估提供可靠的前置数据支持。
2.系统流程图
研究方法
本研究提出一种基于同步压缩连续小波变换（SS-CWT）与自适应阈值的微地震信号处理方法，实现数据去噪与事件起始时间的自动检测，并在合成与实测数据中验证其优于传统方法。
实验结果
实验结果表明，基于 SS-CWT 的自适应去噪与检测方法显著提升了信噪比和检测精度，能够在合成与实地微地震数据中更可靠地识别事件并准确估计起始时间。
运行demo.m
图1：原始波形与时频分解
分析：
上：长时间原始地震波形（可见多个事件与噪声混杂）。
中：CWT 小波谱图（Wavelet Scalogram），显示不同时间与尺度上的能量分布。
左：特征函数（CF），展示小波系数幅值叠加，绿色线为平滑曲线，紫色线为阈值。
下：高频段谱图与检测函数曲线，黑色竖线对应检测到的事件到时。
用途：展示原始信号特征与自动检测效果的初步可视化。
图2：低频长时噪声的时频特征
分析：
左：叠加特征函数直方图，阈值判定低频强噪声的存在。
右：CWT 小波谱图，显示在长时间内持续存在的低频能量（背景噪声）。
用途：说明需要进行频段分割，去除低频长时噪声对检测的干扰。
图3：频段分割与初步去噪
分析：
第1行：低频段（未处理）。
第2行：高频段（未处理）。
第3行：低频段 → 软阈值后，噪声大幅削弱，仅保留平滑信号。
第4行：高频段 → 归一化处理后，保留事件能量，去除背景噪声带。
用途：展示低/高频段的分离与对应的不同阈值去噪策略。
图4：原始信号与去噪信号对比
分析：
左列：原始信号、去噪信号，以及局部放大对比。
右列：对应的 SS-CWT 谱图，展示去噪前后频谱清晰度的变化。
去噪后，事件更加突出，背景噪声大幅削弱。
用途：直观对比去噪前后效果，突出 SS-CWT 方法的优越性。
图5：去噪信号的检测结果
分析：
上：去噪后的信号，紫色竖线为自动检测出的事件到时。
中：包络特征函数（DF），明显在事件位置出现峰值。
下：改进能量比（ER2），在局部极大处超过阈值触发检测。
用途：展示完整的检测流程与结果，验证自动检测算法的有效性。
文件清单
本系统完全基于MATLAB平台开发，主要集成以下脚本与模块：
研究结论
本文提出了一种基于同步压缩连续小波变换（SS-CWT）与自定义阈值（CT）的微地震信号自动处理方法，实现了去噪与起始时间检测的一体化。与传统的硬阈值、软阈值、STA/LTA 及带通滤波方法相比，该方法在时频域表现出更高的分辨率，能够显著提升信噪比，保留小幅度事件信号，并提高事件检测率与起始时间估计的精度。实验结果表明，该方法不仅在合成信号中有效，在实地高噪声微地震数据中同样具有稳健性和适用性，可为震源定位、震源机制分析及地震灾害风险评估提供可靠支持，显示出较强的工程应用价值和推广前景。
实验环境
硬件配置如表：实验所用硬件平台为惠普（HP）暗影精灵10台式机整机，运行 Windows 11 64 位操作系统，作为模型训练与测试的主要计算平台，能够良好支持Matlab的开发需求。
官方声明
实验环境真实性与合规性声明：
本研究所使用的硬件与软件环境均为真实可复现的配置，未采用虚构实验平台或虚拟模拟环境。实验平台为作者自主购买的惠普（HP）暗影精灵 10 台式整机，具体硬件参数详见表。软件环境涵盖操作系统、开发工具、深度学习框架、MATLAB工具等，具体配置详见表，所有软件组件均来源于官方渠道或开源社区，并按照其许可协议合法安装与使用。
研究过程中严格遵循学术诚信和实验可复现性要求，确保所有实验数据、训练过程与结果均可在相同环境下被重复验证，符合科研规范与工程实践标准。
版权声明：
本算法改进中涉及的文字、图片、表格、程序代码及实验数据，除特别注明外，均由7zcode.张家梁独立完成。未经7zcode官方书面许可，任何单位或个人不得擅自复制、传播、修改、转发或用于商业用途。如需引用本研究内容，请遵循学术规范，注明出处，并不得歪曲或误用相关结论。
本研究所使用的第三方开源工具、框架及数据资源均已在文中明确标注，并严格遵守其相应的开源许可协议。使用过程中无违反知识产权相关法规，且全部用于非商业性学术研究用途。
评论(0)