基于SVD熵的地震信号结构相变P波到时检测方法

《Smart Cities》：Detection of P-Wave Arrival as a Structural Transition in Seismic Signals: An Approach Based on SVD Entropy Margulan Ibraimov, Zhanseit Tuimebayev, Alua Maksutova, Alisher Skabylov, Dauren Zhexebay, Azamat Khokhlov, Lazzat Abdizhalilova, Aliya Aktymbayeva, Yuxiao Qin and Serik Khokhlov

　　

基于滑动时间窗与局部信号滤波的奇异值分解（SVD）熵自动检测方法用于P波到时的早期可靠识别，该方法将P波初至解释为信号局部结构变化而非单纯的能量增长。SVD熵能够捕捉主导信号分量间的能量重新分布，即使在信噪比（SNR≥2）中等及较低的噪声条件下，仍能对P波初到保持高敏感性。研究人员利用四种不同噪声条件下运行的区域台站真实地震数据对该方法进行了验证。检测参数分析揭示了显著的台站依赖性。对于受低频漂移影响的台站，多项式去趋势被确定为确保熵响应稳定及可靠检测的必要预处理步骤。所提出的方法在SNR≥2时实现了高达93–98%的检测准确率，显著优于经典长短时窗平均（STA/LTA）算法，并展现出与现代深度学习方法可比拟的性能。由于该方法无需模型训练或标记数据集，为自动地震监测提供了一种可解释且计算高效的解决方案。这些特性使其特别适用于实时地震监测系统及在有限计算资源条件下运行的分布式传感器网络。所有计算阶段均在法拉比超级计算中心（Farabi Supercomputer Centre）完成。该方法无需模型训练或标记数据，是一种可解释、稳健且计算高效的自动地震监测与早期预警解决方案。

本研究旨在发展并验证一种基于滑动时间窗奇异值分解（SVD）熵分析的P波到时早期检测方法，将P波初至视为时间序列中的结构相变而非简单能量增长，论文发表于《Smart Cities》期刊。

研究背景与问题：地震信号分析因非平稳性、非线性及高噪声水平而极具挑战性。传统基于振幅、频谱和能量特征的处理方法在描述波过程结构复杂性方面存在局限，难以检测地震动力学中微弱但具信息量的变化。尽管地震早期预警系统发展迅速，但在低信噪比（SNR）条件下准确及时地预测P波到时仍是地震学关键难题。现有方法中，长短时窗平均（STA/LTA）及其改进版、赤池信息量准则（AIC）和累积和（CUSUM）等统计方法因简单性成为预警系统的可解释基础；基于机器学习的现代方法虽在标记数据上表现高精度，但在相位跃迁的混沌噪声、非线性干扰及非平稳信号等复杂条件下，其稳健性可能下降，且隐含学习特征限制了跨区域泛化能力。熵基测量因能量化信号有序程度与结构组织度而备受关注，SVD熵聚焦于信号的秩结构，对时间序列中新主导分量的出现（如P波到达）具有高敏感性。与需要标记数据集和模型训练的机器学习方法相比，SVD熵方法以无监督方式运行，消除了对大型标注数据集的需求并降低了计算负荷，特别适用于实时监测场景及边缘与物联网（IoT）地震系统等计算资源受限环境的部署。

研究内容与方法：研究使用2023年1月1日至2024年12月31日期间北天山山麓多个台站的实际地震数据，选取TLG、SHLS、JNKS和TARG四个具有超过200次记录事件的台站。所有记录通过IRIS服务使用PyWEED工具（版本1.0.12）获取，自动收集地震事件并排除采石场爆破等非构造事件。事件筛选标准包括：震级?2.0至10.0，深度0至6800 km，台站距离半径333 km（3°），无明确SNR筛选。每次事件下载240 s波形，包括P波到达前120 s背景噪声及到达后120 s。仅使用垂直HHZ通道，采样频率（f_s）为100 Hz。

数据处理采用滑动窗口分割，窗口长度1–60 s，步长1 s（100个采样点）。预处理包括时间轴同步（从首个整秒时间戳开始）及局部低通滤波（每窗口独立进行，采用四阶Butterworth零相位滤波器，截止频率1–25 Hz）。SVD熵计算基于嵌入矩阵的奇异值谱，嵌入维度m=3，使用AntroPy库（参数：order=3, delay=1, normalize=True）。检测采用级联双准则：（1）绝对熵阈值（约0.05），（2）熵一阶差分阈值（约0.04），后者对结构突变更敏感。参数空间探索生成1500种组合（25个截止频率×60个窗口长度），与PyWEED提供的参考P波到时比较，允许误差±10 s。

关键结果：参数敏感性分析显示三个台站（TLG、SHLS、TARG）存在检测准确率的高置信区，但最优参数范围各异：TLG为窗口36–40 s、截止频率4–5 Hz（准确率98.3%）；SHLS为11–28 s、8–13 Hz（91.8%）；TARG为29–44 s、4–9 Hz（94.4%）。联合参数空间分析发现窄重叠区：窗口27–28 s、截止频率10 Hz，此"通用"配置下TLG和SHLS准确率均为93.8%，TARG为88.7%。三种检测场景验证表明：高SNR时熵导数准则触发检测；中等SNR时绝对熵阈值准则生效；低SNR或复杂信号则导致漏检或过早触发。JNKS台站因低频漂移表现出非标准熵行为，未经处理时准确率仅45.6%；应用多项式去趋势后，最优参数（窗口35 s、截止频率5 Hz）下恢复至93.2%，证实了适当预处理的关键性。

讨论部分：SVD熵方法通过捕捉信号结构变化而非能量增长实现P波检测，在SNR≥2时达到93–98%的准确率，显著优于STA/LTA（约75%），并与需要训练数据与计算资源的深度学习方法（YOLO模型F1分数91–95%）可比拟。方法的核心优势在于无需标记数据、模型训练或GPU基础设施，兼具透明性、可解释性与 computational efficiency（计算效率），适合大规模分布式监测网络、计算能力受限台站及标记数据稀缺区域。台站依赖性参数特性表明，自动调参与预处理诊断是未来早期预警系统的重要发展方向。研究局限性包括未对嵌入维度m>3或m<3进行敏感性分析，且主要基于单一垂直分量数据。未来工作可聚焦于参数选择优化、实时应用计算效率提升及多台站联合分析扩展。

结论：本研究提出的基于滑动时间窗SVD熵分析的P波到时早期检测方法，将波到达视为时间序列的局部结构变化，提供了增强的抗噪声与非平稳性能力。与深度学习解决方案不同，该方法不依赖标记训练数据集、迭代优化程序或基于GPU的基础设施，消除了神经网络在地震监测系统中部署的主要实践障碍。总体而言，SVD熵为地震信号结构相变检测提供了有效且可解释的工具，可作为自动地震监测系统的有前景组成部分。未来工作可聚焦于参数选择优化、实时应用计算效率提升，以及将该方法扩展至多台站地震分析。