孟 娟 吳燕雄 李亞南

（中國河北三河 065201 防災(zāi)科技學院）

引言

微震監(jiān)測是通過對微小地震事件的實時監(jiān)測來實現(xiàn)對地壓穩(wěn)定性或地下施工過程的安全監(jiān)控與管理，在開采、礦藏勘探、大壩監(jiān)測、礦山安全等工程領(lǐng)域，尤其是井下水力壓裂、救援等方面應(yīng)用廣泛。準確可靠的P 波初至到時拾取是微震監(jiān)測系統(tǒng)的關(guān)鍵技術(shù)之一，但井下工作環(huán)境復(fù)雜，實時監(jiān)測的微震數(shù)據(jù)中經(jīng)?；烊胼^多的噪聲干擾，加之微震信號本身能量微弱，頻率范圍廣，且持續(xù)時間短，噪聲干擾的增加無疑給P 波到時拾取帶來了巨大挑戰(zhàn)，因此，快速、準確、可靠地拾取微震P 波到時成為業(yè)界研究的重點。

微震P 波到時拾取算法，目前應(yīng)用較廣泛的有長短時窗比值（short term averaging/long term averaging，縮寫為STA/LTA）（劉晗，張建中，2014；劉曉明等，2017）、赤池信息準則（Akaike Information Criterion，縮寫為AIC）（趙大鵬等，2013；朱權(quán)潔等，2018）。STA/LTA 快速簡單，但在信噪比（signal-to-noise ratio，縮寫為SNR）較低或微震不明顯時準確度低；AIC 方法較穩(wěn)定，但在低SNR 時準確度有所下降。針對STA/LTA 算法的不足，劉晗和張建中（2014）引入長短時窗內(nèi)信號幅度的標準差之比的加權(quán)系數(shù)來放大信號，增加檢測靈敏度，但該系數(shù)對噪聲亦有放大作用，使檢測準確度降低；劉曉明等（2017）基于信號一階導(dǎo)數(shù)引入權(quán)重因子K構(gòu)建新特征函數(shù)，從而快速反映信號振幅及頻率的變化，提高檢測靈敏度，但該因子為全局性值，未根據(jù)信號幅度變化作靈活調(diào)整，存在一定的缺陷。

單一方法進行初至拾取各有適用條件和局限性，近年，利用各種算法優(yōu)勢的綜合分析方法備受關(guān)注，尤其是將地震信號先進行變換或分解，再用AIC 準則或高階統(tǒng)計量提取P 波到時，能大大提高識別準確度。例如：希爾伯特-黃變換與AIC 結(jié)合（賈瑞生等，2015）；小波分解與AIC 結(jié)合（Gaci，2014）；小波包分解AIC 的P 波初至拾取（田優(yōu)平，趙愛華，2016）；基于離散小波變換（discrete wavelet transform，縮寫為DWT）與峰度進行P 波到時精確估計（Liet al，2016）；利用多尺度離散平穩(wěn)小波變換（discrete stationary wavelet transform，縮寫為DSWT）和峰度/峭度實現(xiàn)P 波自動拾取（Charles，Ge，2018）等。

經(jīng)驗?zāi)B(tài)分解（empirical mode decomposition，縮寫為EMD）是近年發(fā)展起來的自適應(yīng)信號分解方法，非常適合處理非線性非平穩(wěn)的地震信號，其被運用于地震波初至拾取也處于不斷探索和研究中。例如：Liu 等（2017）利用EMD 方法分解信號，找到本征模函數(shù)（intrinsic mode functions，縮寫為IMF）分量1（IMF1）的瞬時頻率突增位置，再對該段記錄利用AIC 準則來確認信號初至時間；Li 等（2017）對地震信號EMD 后，以IMF5 的P 波到時為原信號的P 波到時；Shang 等（2018）對地震信號進行EMD，對IMF1 和IMF2 去噪后重構(gòu)原信號，再利用余弦函數(shù)去除工頻噪聲，最后基于AIC 計算P 波到時；Kirbas 和Peker （2017）對地震信號進行EMD，選擇IMF3 計算滑動時間窗口長度的Teager 能量算子（Teager-Kalser energy operator，縮寫為TKEO），以TKEO 大于設(shè)定閾值且為最大值的位置為P 波到時；李偉等（2018）利用集合經(jīng)驗?zāi)B(tài)分解（ensemble empirical mode decomposition，縮寫為EEMD）進行信號分解后再用Hankel 矩陣奇異值分解（singular value decomposition with Hankle matrix，縮寫為Hankle SVD）法降噪，最后利用AIC 進行微震初至拾取。這些算法通過EMD 分解原記錄，利用某些IMF 的細節(jié)特征進行到時拾取，取得了一定的效果，但EMD 算法本身存在模態(tài)混疊及偽分量的問題，這無疑會影響拾取的準確度。

基于以上背景，為解決低信噪比下初至拾取準確率低的問題，本文擬利用STA/LTA 快速和AIC 識別穩(wěn)定的特點，同時結(jié)合變分模態(tài)分解（variational mode decomposition，縮寫為VMD）可有效減少偽分量及抑制模態(tài)混疊的優(yōu)勢，提出一種基于改進STA/LTA 和自適應(yīng)VMD-峰度AIC 的兩步識別P 波初至的算法。首先，改進傳統(tǒng)STA/LTA 算法，引入反映信號幅度實時變化的權(quán)重因子，構(gòu)建能反映信號能量和頻率變化的特征函數(shù)，提高P 波初次識別的準確度；其次，對初次判別的P 波到時前后2—3 s 信號進行優(yōu)化VMD，使IMF 分量既能準確地描述原信號的細節(jié)特征，又可防止出現(xiàn)過分解和模態(tài)混疊；最后，對分解后的IMF 進行峰度AIC 拾取，并根據(jù)各IMF 的能量比進行綜合加權(quán)，實現(xiàn)P 波到時的精確拾取。

1 基本算法原理

1.1 STA/LTA 算法原理

STA/LTA 算法根據(jù)噪聲與有效地震信號的振幅、能量或頻率等特征的變化趨勢來拾取P 波到時，具體方法為分別計算長、短時窗內(nèi)定義的特征函數(shù)值的STA 和LTA，其中STA 刻畫的是地震信號的變化趨勢，而LTA 刻畫的是背景噪聲的變化趨勢。當?shù)卣鹗录絹頃r，引起STA 的變化快于LTA，即STA/LTA 會出現(xiàn)突增。當STA/LTA 大于預(yù)先設(shè)定的閾值時，則判定為有效地震P 波到達。特征函數(shù)是基于原始地震記錄構(gòu)建的能靈敏反映信號幅度或頻率變換的新序列，目前廣泛使用的有

STA/LTA 的計算方法為

式中，CF（i）為i時刻地震信號的特征函數(shù)值，LSTA為短時窗長度，LLTA為長時窗長度。STA/LTA 拾取結(jié)果的準確性受特征函數(shù)、時窗長度及閾值的影響，需要構(gòu)建靈敏的特征函數(shù)，選取合理的閾值和時窗長度。

1.2 AIC 算法基本原理

AIC 算法假定地震信號可分為若干局部平穩(wěn)部分，每部分均可模擬為自回歸過程。將地震到來前后的時間序列假設(shè)為兩個不同的平穩(wěn)序列，則其AIC 值的最小值點為兩個序列的分界點，以此確定P 波的初達時間。對于長度為N的序列，其AIC 值可表示為可表示為

式中，k為數(shù)據(jù)窗口內(nèi)的采樣點數(shù)，var 為序列方差，則AIC 最小值對應(yīng)P 波初至到時。根據(jù)趙大鵬等（2013）的方法，用峰度（Kurtosis）作為特征函數(shù)替代式（3）中的方差能更好地識別微震時間，即Kur-AIC 為

峰度AIC 方法不依賴于時窗長度，計算穩(wěn)定，對微弱P 波亦有較好的分辨能力。AIC 算法雖穩(wěn)定，但當信號信噪比較低時其準確度會大大降低，因為即使是噪聲記錄的AIC 值也會出現(xiàn)一個局部最小值，故AIC 不能準確判斷一段記錄中是否存在有效微震信號，只能用于拾取微震P 波的初至時間。因此，一般先利用STA/LTA 初步確定微震P 波到時區(qū)間，再利用AIC進行拾取，降低誤差。

1.3 變分模態(tài)分解的原理

變分模態(tài)分解（VMD）是一種自適應(yīng)的信號分解方法（Dragomiretskiy，Zosso，2014），能將信號分解為若干從高頻到低頻，帶限、準正交的IMF 分量之和，且每個IMF 都是一個窄帶的調(diào)幅調(diào)頻信號。VMD 算法包括構(gòu)造約束變分模型和變分模型的求解，其實質(zhì)是在“各IMF 之和為原信號，且IMF 的估計帶寬之和最小”的約束條件下搜尋L個IMF 分量。不同于EMD 分解分量個數(shù)不可人為設(shè)定，VMD 的IMF 分量個數(shù)可設(shè)定。通過迭代搜尋變分模型的最優(yōu)解，VMD 確定L個IMF 的中心頻率和帶寬，從而實現(xiàn)信號從低頻到高頻的分解。相比EMD，VMD 模態(tài)穩(wěn)定性好，收斂速度快，具有更強的抗噪聲能力和局部分解能力，且能有效克服EMD 模態(tài)混疊及存在偽分量的不足，比較適合進行地震資料處理（Xueet al，2016；Liet al，2018）。

VMD 能準確地分解出每一個IMF 分量，分解后的IMF 瞬時頻譜和幅值具有較高的分辨率，不僅能刻畫原信號的時頻特征，也能更精細地分析信號，更好地描述信號的局部突變或漸變特征（鄭小霞等，2017）。因此可先基于VMD 對地震信號進行分解，再利用AIC 分析各IMF 的初至時間。

VMD 分解有兩個重要參數(shù)需要預(yù)先設(shè)定，一個是分解層數(shù)L，一個是用于確保準確重構(gòu)信號的懲罰因子α。隨著分解層數(shù)L的不同，VMD 會出現(xiàn)不同分解結(jié)果，L過大會使信號斷斷續(xù)續(xù)無規(guī)律，過小則易導(dǎo)致模態(tài)混疊，直接影響分解的準確性，因此需要選擇合理的分解層數(shù)。本文擬對VMD 進行優(yōu)化，根據(jù)分解后IMF 的特點以及IMF 與原信號的相關(guān)性自適應(yīng)確定分解層數(shù)，使分解后的IMF 不混疊、較純凈，能精細刻畫原信號的時頻特性，從而進行初至識別。

2 改進STA/LTA 及優(yōu)化VMD 的峰度AIC 微震初至拾取

2.1 算法基本思想

針對信噪比低導(dǎo)致P 波拾取精確度低的問題，本文對傳統(tǒng)STA/LTA 算法進行改進，基于地震信號幅度的實時變化引入權(quán)重因子，可快速、靈敏地從微震監(jiān)測數(shù)據(jù)中提取微地震事件，實現(xiàn)P 波的粗略提取；然后選取初次拾取時間點前后2—3 s 的記錄，根據(jù)互相關(guān)系數(shù)和排列熵準則確定VMD 分解層數(shù)，使分解后的IMF 無偽分量和模態(tài)混疊，能較好地表征微震信號特征；最后計算各IMF 分量的能量比，并進行峰度AIC 識別，以各IMF 分量的拾取結(jié)果及能量比進行綜合加權(quán)，得到精確的P 波到時，算法流程圖如圖1 所示。

圖1 基于改進STA/LTA 及優(yōu)化VMD 的微震初至拾取算法流程圖Fig. 1 The flow chart of the first break picking of micro-seismic based on improved STA/LTA and adaptive VMD

2.2 基于改進STA/LTA 的初步拾取

特征函數(shù)的選取決定了初至拾取的精度，因此要構(gòu)建盡可能靈敏反映信號頻率或振幅變化的特征函數(shù)，使微震到來時，根據(jù)特征函數(shù)計算所得的STA 發(fā)生明顯變化，STA/LTA 出現(xiàn)較大幅度的增大。本文根據(jù)信號幅度的實時變化引入加權(quán)系數(shù)K，其計算方法為

式中y為地震信號序列。當微震事件未到來時，信號幅度變化較小，K較?。ń咏?），而當微震到來，信號幅度發(fā)生較大變化時，K將增大，可見K能實時反映信號的幅度變化。利用K構(gòu)造新的特征函數(shù)，即

y（i）2反映信號幅度特性，［y（i）－y（i－1）］2反映信號頻率特性。K能根據(jù)信號采樣頻率對信號幅度和頻率進行加權(quán)分配，K的引入將增加特征函數(shù)的敏感度。當微震事件到來時，K較大，對特征函數(shù)有放大作用，使特征函數(shù)隨之發(fā)生較大變化，STA/LTA 可迅速反映出信號幅度或頻率的變化，從而更易識別微震事件。相比劉曉明等（2017）的研究中權(quán)重因子不能根據(jù)信號幅度變化靈活調(diào)整的不足，本文特征函數(shù)能更好地反映并放大地震信號的實時變化，從而提高微震信號檢測的靈敏度。

改進的STA/LTA 可快速可靠地初步識別微震，為了提高識別精度，取初次拾取時間點前后2—3 s 的記錄進行二次拾取。由于VMD 算法能較好地描述信號的局部突變或漸變特征，本文對VMD 算法進行優(yōu)化，對分解后的IMF 進行基于峰度-AIC 的二次拾取。

2.3 基于互相關(guān)系數(shù)和排列熵優(yōu)化的VMD

經(jīng)VMD 后，地震信號s（t）可表示為

式中，sIMF（t）為從高頻到低頻的IMF 分量，rn（t）為殘差分量。為確保分解后IMF 既不包含偽分量，又能較好地表征原信號的特征，本文根據(jù)互相關(guān)系數(shù)和排列熵準則來確定VMD 分解層數(shù)?；ハ嚓P(guān)系數(shù)的計算方法為

互相關(guān)系數(shù)衡量的是兩個信號的相關(guān)程度，根據(jù)互相關(guān)系數(shù)理論，當兩個信號間的互相關(guān)系數(shù)大于0.3 時，表明相關(guān)性較大（鄭近德等，2013），計算分解后IMF 與原信號的互相關(guān)系數(shù)，若互相關(guān)系數(shù)不小于0.3，則表明不含偽分量，反之則表明出現(xiàn)了過分解。

為了進一步確定分解層數(shù)，本文利用排列熵（Bandt，Pompe，2002）進行分解后IMF 的隨機性和異常檢測。排列熵能較好地反映時間序列細節(jié)的微小變化，有效進行異?；蛲蛔儥z測。其計算方法為：

① 設(shè)原時間序列為x（i）（i＝1，2，···，N），利用相空間重構(gòu)得到原序列的重構(gòu)矩陣，即

排列熵通過時間序列的相鄰數(shù)據(jù)進行對比而不是考慮數(shù)據(jù)的具體值來度量序列隨機性，其變化反映并放大了原序列x（i）的微弱變化，從而易于檢測信號異常。對歸一化后的排列熵，其值越趨近于1，表明信號越隨機，據(jù)此可判斷分解后IMF 是否為異常信號。根據(jù)王志堅等（2018）的研究，分解到某一層后的IMF 分量排列熵不大于0.6，則表明分解后的IMF 無異常分量，能較好地刻畫原信號的特征，否則表明出現(xiàn)過分解?；诨ハ嚓P(guān)系數(shù)和排列熵準則優(yōu)化VMD，確定分解層數(shù)L的算法步驟為：① 設(shè)定初始分解層數(shù)i＝2；② 基于VMD 對原信號進行分解，得到一系列IMFj（j＝1，2，···，i），計算IMFj與原信號的互相關(guān)系數(shù)corj，以及IMFj的排列熵Hp；③ 若corj≤0.3，且Hp≥0.6，則表明出現(xiàn)過分解，存在異常分量，則停止分解，分解層數(shù)L＝i－1，否則令i＝i＋1 進入第2 步繼續(xù)VMD 分解。經(jīng)優(yōu)化VMD 分解后的IMF 既不包含異常分量，又能刻畫原信號的起伏特征和細節(jié)信息。

2.4 基于優(yōu)化VMD 的峰度AIC 精確識別P 波初至

為了提高拾取精度，對改進STA/LTA 拾取的P 波到時tP前后2—3 s 記錄進行二次拾取，以獲得精確的P 波到時。根據(jù)互相關(guān)系數(shù)和排列熵確定分解層數(shù)，對這段記錄進行優(yōu)化VMD 分解，實現(xiàn)信號分解。如前所示，VMD 中參數(shù)懲罰因子α需提前設(shè)定，一般為采樣頻率的0.25—2 倍。α越小，分解后IMF 分量帶寬越大，反之分解后IMF 分量帶寬越小 （唐貴基，王曉龍，2015）。鑒于峰度AIC 的穩(wěn)定性和精度高，對分解出的L個IMF 根據(jù)式（4）計算峰度AIC 值，以最小值為IMFi（i≤L）的拾取時間tAi。VMD 分解后IMF 分量的中心頻率由低至高分布，且具有不同的能量，其中低頻IMF 是包含有效微震信號自身特征信息的主模態(tài)分量，占原信號總能量中的主要部分。因此，對L個IMF 計算能量比，其定義為

根據(jù)各IMF 的拾取時間及計算所得能量比，按式（11）進行加權(quán)，得到最終的P 波拾取到時tAi，即

3 實驗結(jié)果及分析

3.1 改進STA/LTA 的模擬微震拾取

設(shè)雷克（Ricker）子波主頻為20 Hz，采樣頻率為1 000 Hz，基于卷積模型得到的理論地震記錄如圖2 所示，其中加入不同SNR 的隨機噪聲后可得模擬地震記錄，當SNR 為-5 dB 時，由于噪聲嚴重，起震不明顯，且有效微震信號被噪聲嚴重干擾，增加拾取難度。

圖2 基于雷克子波和卷積模型的理論和模擬地震記錄Fig. 2 Theoretical and simulated seismogram based on Ricker wavelet and convolution model

設(shè)STA＝0.1 s，LTA＝0.5 s，微震閾值為1.5，分別采用本文改進STA/LTA，傳統(tǒng)STA/LTA，劉曉明等（2017）的改進STA/LTA 進行初次識別，結(jié)果如圖3 所示，人工拾取時間為3.065 s，本文改進STA/LTA 識別時間為3.125 s，傳統(tǒng)STA/LTA 識別時間為3.218 s，劉曉明等的改進S T A/L T A 拾取時間為3.203 s?？梢姡琒TA/LTA 算法拾取時間有延遲，相比傳統(tǒng)STA/LTA，劉曉明等的改進STA/LTA 和本文的改進STA/LTA 算法能更快地反映信號變化，從而快速檢測微震事件。相比劉曉明等的改進SAT/LTA，本文改進STA/LTA 權(quán)重因子K能實時反映信號幅度變化，而非固定值，特征函數(shù)能更快速、真實地反映信號變化，可快速增加超過閾值，從而能快速識別微震。以人工拾取結(jié)果為參考，本文改進STA/LTA 拾取誤差為0.06 s，劉曉明等的改進STA/LTA 和傳統(tǒng)STA/LTA 的誤差分別為0.138 s 和0.153 s，可見本文改進STA/LTA 算法能減小初次拾取誤差。

圖3 三種STA/LTA 算法拾取結(jié)果Fig. 3 Picking up results of three kinds of STA/LTA algorithms

為了驗證改進STA/LTA 的性能及抗噪性，將此理論地震記錄隨機添加不同SNR 噪聲進行拾取（SNR 為-5—20 dB），并隨機仿真100 次，計算與人工拾取誤差的均值。圖4 給出了3 種STA/LTA 算法在不同SNR 下的拾取誤差曲線，可見，SNR 越低，拾取誤差越大。但在較低SNR 時，本文改進STA/LTA 拾取誤差更小，在5—-5 dB 時拾取結(jié)果與人工拾取的誤差為0.05—0.28 s，比傳統(tǒng)STA/LTA 和劉曉明等的改進STA/LTA 算法的拾取誤小差約0.02—0.1 s；當SNR 在5—-20 dB 時，本文與人工拾取的誤差為0.02—0.05 s，比傳統(tǒng)STA/LTA 和劉曉明等的改進STA/LTA 算法的拾取誤差小約0.01—0.02 s，以上說明本文的改進STA/LTA 有效，比傳統(tǒng)STA/LTA 方法降低誤差0.01 s 以上，適用于強噪聲微震初至拾取，且性能較好，尤其是在低信噪比時，能有效降低初次拾取誤差。

圖4 不同SNR 下三種STA/LTA 算法拾取誤差曲線Fig. 4 Picking up error curves of three STA/LTA algorithms under different SNRs

3.2 優(yōu)化VMD 峰度AIC 的模擬微震拾取

為了提高拾取精度，本文利用優(yōu)化VMD對信號進行分解，并利用峰度AIC 再次識別。根據(jù)優(yōu)化VMD 確定分解層數(shù)，并將初次拾取時間向前后各推2—3 s，精確確定該記錄P 波到時。圖2 中的模擬地震記錄，經(jīng)優(yōu)化VMD 確定的分解層數(shù)為2，得到IMF1 和IMF2。由圖5 可見，分解后的IMF 不包含噪聲異常分量，一定程度上消除噪聲影響，且不同頻率段的各IMF 能較準確地反映原信號中不同成分的振蕩信息，保持信號細節(jié)特征。根據(jù)式（4）計算對應(yīng)的峰度AIC 曲線，以曲線最小值點為初至時間，圖5 給出了峰度AIC 曲線拾取時間分別為3.06 s 和3.087 s 的IMF1 和IMF2，按式（10）計算出的IMF1 和IMF2 的能量比分別為0.55，0.45，最終加權(quán)拾取時間為3.07 s，與人工拾取時間3.065 s 的誤差為0.005 s，可見優(yōu)化VMD 峰度AIC 能有效提高拾取精度。

圖5 優(yōu)化VMD 峰度AIC 為3.07 s 時的初至拾取結(jié)果Fig. 5 First arrival picking based on improved VMD when Kurtosis-AIC is 3.07 s

為了驗證算法性能，將小波包峰度AIC （田優(yōu)平，趙愛華，2016）、EMD-AIC 算法（Liuet al，2017）與本文優(yōu)化VMD 峰度AIC 算法進行對比。如圖6，7 所示，對于圖5 的原信號地震記錄，基于EMD-AIC 的初至拾取時間為3.077 s （3 個IMF 的拾取時間分別為3.098 s，3.052 s，3.081 s）；小波包峰度AIC 的初至拾取時間為3.075 s （三個分量的拾取時間分別為3.073 s，3.078 s，3.075 s），與參考結(jié)果的誤差分別為0.012 s 和0.01 s。可見，EMD-AIC 算法、小波包峰度AIC 和優(yōu)化VMD 峰度AIC 算法均能較準確地拾取到時，且本文算法拾取誤差更小，精度較高。

圖6 基于EMD-AIC 算法的初至拾取Fig. 6 First arrival picking based on EMD-AIC

圖7 基于小波包峰度AIC 的初至拾取Fig. 7 First arrival picking based on wavelet packet Kurtosis-AIC

為了分析本文優(yōu)化VMD 峰度AIC 算法在降低二次拾取誤差方面的性能，取不同SNR（-5—20 dB）的模擬地震信號，同一SNR 添加隨機噪聲仿真100 次，并對比初次與二次拾取時間與人工結(jié)果的誤差均值。如圖8 所示，當SNR 較低（-5—3 dB）時，初次拾取誤差偏大，約為0.05—0.28 s；經(jīng)二次拾取后，誤差明顯降低，最終結(jié)果與人工拾取結(jié)果平均相差在0.023 s以內(nèi)；隨著SNR 的提高，初次拾取誤差逐漸減小且再次拾取誤差大大降低，與人工拾取結(jié)果非常接近，誤差在0.01 s 以內(nèi)。

圖8 初次與二次P 波拾取的誤差對比Fig. 8 Comparison of initial and second P-wave picking errors

為了驗證VMD 峰度AIC 算法在降低二次拾取誤差方面的性能，添加不同SNR 的噪聲并隨機仿真100 次取均值，對比小波包峰度AIC 和EMD-AIC 算法與人工拾取結(jié)果的誤差。如圖9 所示，三種算法都能較好地拾取到初至P 波，本文算法在低SNR 下表現(xiàn)穩(wěn)定，平均誤差在0.023 s 以內(nèi)。相比小波包分解和EMD，經(jīng)優(yōu)化VMD 后IMF 分量能更好地保留原信號的細節(jié)和突變特征，且有效消除噪聲影響，經(jīng)峰度AIC 拾取后能有效降低拾取誤差。

圖9 3 種不同算法的拾取誤差對比Fig. 9 Picking errors of three different algorithms

3.3 實際微震記錄拾取

為測試本文算法拾取真實微震記錄的準確性，對2013—2019 年間廣西平果、武鳴、貴港、樂業(yè)等地的若干次ML1.3—2.0 的礦藏勘探、開采等人工爆破微震記錄共計1 137 條進行拾取，圖10 給出了平果地區(qū)2013 年7 月4 日15 時3 分在（23.343°N，107.583°E）發(fā)生的ML＝1.3 爆破的某條監(jiān)測記錄，其采樣率為100 Hz，爆破持續(xù)時間較短，且有較多外部環(huán)境噪聲，SNR 較低，該記錄人工拾取的參考時間為14.76 s。本文改進STA/LTA 初次拾取時間為14.78 s，傳統(tǒng)STA/LTA 拾取時間為14.81 s，劉曉明等的改進STA/LTA 拾取時間為14.79 s（圖11）?？梢?，同樣的閾值，本文改進STA/LTA 更敏感快速反映信號變化，減少初次拾取誤差。

圖10 廣西平果2013 年7 月4 日ML1.3 爆破的一條實際微震記錄Fig. 10 Real micro-seismic record of some coal mine with ML1.3 at Pingguo，Guangxi on July 4th 2013

圖11 本文改進STA/LTA 初次拾取結(jié)果Fig. 11 First picking results of improved STA/LTA in this paper

在二次拾取中，本文優(yōu)化VMD 自適應(yīng)確定的分解層數(shù)為3 （圖12），各分量能較好地刻畫原地震信號的細節(jié)特征，各分量拾取時間分別為14.8 s，14.73 s 和14.77 s，能量比為0.31，059，0.1，則最終拾取時間為14.76 s，與人工拾取結(jié)果一致。

圖12 本文改進STA/LTA 及優(yōu)化VMD峰度AIC 拾取結(jié)果Fig. 12 First arrival picking by improved STA/LTA and adaptive VMD Kurtosis-AIC

EMD-AIC 3 個IMF 分量的拾取時間分別如圖13 所示，為14.76 s，14.76 s，14.83 s，最終拾取時間為14.78 s，誤差為0.02 s。小波包峰度AIC 算法分解的3 個IMF 拾取時間分別為圖14 所示的14.78 s，14.76 s，14.76 s，最終拾取時間為14.77 s，誤差為0.01 s。3 種算法都能較準確拾取初至波，誤差在0.02 s內(nèi)，但本算法誤差更小。

圖13 EMD-AIC 拾取結(jié)果Fig. 13 Picking results of EMD-AIC

圖14 小波包峰度AIC 的拾取結(jié)果Fig. 14 Picking results of wavelet packet Kurtosis-AIC

對其余記錄分別用本算法、EMD-AIC，小波包峰度AIC 算法進行拾取，以人工拾取結(jié)果為參考，3 種算法的拾取結(jié)果列于表1。

表1 實際微震記錄初至拾取結(jié)果Table 1 First arrival picking of real micro-seismics

本文改進STA/LTA 及優(yōu)化VMD 峰度AIC 算法拾取誤差在30，20，10 ms 的比例分別為98.2%，95.9%，90.7%，將誤差在0.02 s （20 ms）以內(nèi)的視為準確拾取，結(jié)果顯示，本文算法有效，拾取準確率為95.9%，分別高于EMD-AIC 和小波包峰度AIC 約3.4%和4.7%，且本文拾取誤差在10 ms 的比例比其它兩種算法的要高4.5%以上，表明本文算法拾取誤差更小，具有更高的精度。

4 討論與結(jié)論

本文對傳統(tǒng)STA/LTA 的特征函數(shù)進行了改進，提高P 波的初次拾取精度；再對VMD 進行了優(yōu)化，能自適應(yīng)確定分解層數(shù)，對分解后IMF 基于峰度AIC 二次拾取后，基于各IMF 的能量比綜合加權(quán)得到最終二次拾取到時。實驗表明：

1） 改進STA/LTA 利用信號幅度設(shè)計權(quán)重因子構(gòu)建特征函數(shù)，能快速反映信號變化，提高初至P 波的初次檢測靈敏度；

2） 優(yōu)化多尺度VMD 分解，能根據(jù)分解IMF 分量的互相關(guān)系數(shù)和排列熵確定VMD 分解層數(shù)，既能解決模態(tài)混疊，又能防止出現(xiàn)過分解，且充分保留微震信號的細節(jié)特征；

3） 仿真實驗表明，在較低信噪比時,算法仍能較好識別初至P 波，比傳統(tǒng)STA/LTA 和劉曉明等（2017）改進STA/LTA 減小初次識別誤差約0.01 s 以上；基于優(yōu)化VMD 分解后，能再次降低拾取誤差，相比小波包峰度AIC 和EMD-AIC 拾取算法，本文最終誤差基本在0.023 s以內(nèi)，表明本文算法的有效性、準確性和抗噪性；

4） 實際微震拾取表明，本文拾取結(jié)果與人工拾取誤差在20 ms 內(nèi)的記錄占比95.9%，準確率高于EMD-AIC 和小波包峰度AIC，表現(xiàn)出較強性能。