火山地震信号中P波与S波到时检测的特征分析方法研究——以智利内瓦多斯德尔奇廉火山群为例

针对火山地震信号中P/S波检测受低信噪比、波形复杂性及近源波列叠加等挑战，智利研究团队通过特征工程优化LSTM模型输入，在Nevados del Chillán火山群数据中实现P波94%、S波91%的0.5秒误差内检测精度，为火山监测提供轻量化解决方案。

　　

火山监测是预测喷发风险的核心手段，而P波（Primary wave）和S波（Secondary wave）的精确检测直接关系到震源定位与动力学分析。传统STA/LTA（短时平均/长时平均）算法在火山环境中表现不佳——岩浆房各向异性导致波形畸变、近场监测中P/S波叠加、背景噪声高达60dB，使得现有深度学习模型（如EQTransformer）在构造地震中99%的准确率难以复现。智利内瓦多斯德尔奇廉火山群（NChVC）作为南美第四高风险火山，其17个喷发中心与10个100Hz采样台站构成了理想实验场。

为解决这一难题，智利拉弗龙特拉大学团队在《Journal of Volcanology and Geothermal Research》发表研究，创新性地将Allen方法改进的STA/LTA、偏振分析等特征与LSTM（长短期记忆网络）结合，在998条测试数据中实现P波94%、S波91%的0.5秒误差内检测率，比传统方法提升14.6%噪声鲁棒性。

关键技术包括：1）从NChVC监测网络获取100Hz采样波形数据；2）提取STA/LTA、偏振角等12维特征；3）构建双分支LSTM网络分别处理P/S波；4）采用0.5秒误差阈值评估性能。

【Nevados de Chillán Volcanic Complex (NChVC)】
研究证实该火山群微震信号信噪比低至-10dB，且P/S波到时差最小仅0.2秒，传统AR-AIC（自回归-AIC准则）方法失效。

【P and S picking algorithms for comparison】
对比显示STA/LTA在火山数据中误报率达35%，而结合kurtosis（峰度）的Allen方法将F1值提升至0.82。

【LSTM picker】
网络采用128单元双向LSTM层，输入12维特征（含Z分量偏振角），输出层sigmoid激活实现0.01秒级时间分辨率。

【Experiments】
特征相关性分析揭示STA/LTA与偏振特征的互补性，组合使用使AUC（曲线下面积）达0.96。

【Evaluation of the P-Picker and S-Picker performances】
最佳模型P波检测MAE（平均绝对误差）0.18秒，较PhaseNet提升9.3%；S波在噪声>40dB时仍保持85%召回率。

结论表明，该方法通过特征工程降低对大数据量的依赖，仅需3个月训练数据即可适配新火山，为全球43个高活跃度火山提供可迁移方案。作者团队Macarena Garay等强调，未来将集成CNN（卷积神经网络）处理各向异性导致的波形畸变，并开发实时推理模块用于OVDAS（南安第斯火山观测站）预警系统。