微地震事件初至拾取SLPEA算法

谭玉阳, 于静, 冯刚, 何川*

1 北京大学地球与空间科学学院石油与天然气研究中心， 北京　100871 2 中石化地球物理公司胜利分公司， 山东东营　257086



微地震事件初至拾取SLPEA算法

谭玉阳1, 于静2, 冯刚2, 何川1*

1 北京大学地球与空间科学学院石油与天然气研究中心， 北京100871 2 中石化地球物理公司胜利分公司， 山东东营257086

摘要微地震事件初至拾取是微地震数据处理的关键步骤之一.实际微地震监测资料中存在大量低信噪比事件，而传统方法对这些事件的应用效果并不理想.为了克服传统方法抗噪性弱的缺点，本文通过综合地震信号与环境噪声在振幅、偏振以及统计特征等方面的存在的差异，设计了一种针对低信噪比微地震事件的初至拾取方法——SLPEA算法.为了检验本文方法的可行性和有效性，分别对模型数据和实际资料进行了处理，并将处理结果与传统方法及手工拾取的结果进行了对比.分析表明，利用本文方法得到的初至到时与手工拾取结果的绝对误差平均值仅为1.33×10-3s，小于3个采样点；方差为3.21×10-6s2；初至到时在手工拾取结果±0.005 s误差范围内的个数占总数的95.8%.这些参数值均优于传统方法的同类参数，证明了本文方法的可靠性.

关键词微地震事件; 初至拾取; SLPEA算法; STA/LTA; 偏振分析; AR-AIC

1引言

水力压裂微地震监测技术是一项通过观测注水压裂过程所诱发的微弱地震事件来监测裂缝发育状况的技术，微地震事件初至拾取是该技术的一项关键处理步骤.由于目前常用的震源定位算法大都需要微地震事件的P波、S波到时信息，而人工拾取微地震事件初至又是一项十分费时费力的工作，因此，研究一种能够自动并准确提取微地震事件初至到时的方法是非常必要的.

微地震事件初至拾取是以地震信号和环境噪声的差异识别为基础(如振幅、频率成分、偏振、统计特征以及波形相关性等).目前，在微地震数据处理中常用的初至拾取算法主要借鉴了天然地震研究中的一些方法，例如STA/LTA(Ambuter and Solomon, 1974; Stevenson, 1976; Allen, 1978, 1982; McEvilly and Majer, 1982; Baer and Kradolfer, 1987; Earle and Shearer, 1994; Withers et al., 1998; Chen, 2005; 吴治涛和李仕雄, 2010)、偏振分析(Deflandre and Dubesset, 1992; Moriya and Niitsuma, 1996; Anant and Dowla, 1997; Soma et al., 2004; Moriya, 2008, 2009; 吴治涛等, 2012)及AR-AIC方法(Takanami and Kitagawa, 1988, 1991, 1993; Sleeman and van Eck, 1999; Leonard and Kennett, 1999; Leonard, 2000; Zhang et al., 2003; 宋维琪和吕世超, 2010)等.STA/LTA方法根据环境噪声振幅小、频带宽，而地震信号振幅大、频带窄的特点，通过计算一长一短两个滑动时窗内地震记录特征函数的平均值之比作为拾取地震波初至到时的依据；偏振分析方法利用了地震信号的振动轨迹近似线性，而环境噪声的振动轨迹无显著方向性这一特征差异，通过计算滑动时窗内局部信号的偏振度识别并提取地震波初至；AR-AIC方法是假设初至到时前后的两段信号可分别采用不同的AR模型表示，利用Akaike信息准则描述这两段信号与AR模型的匹配程度，认为AIC值最小点为地震波初至点.实践表明，实际微地震监测资料中存在大量信噪比较低的微地震事件，利用上述方法对这些事件进行初至拾取无法取得令人满意的效果.

研究表明，任何一种只依赖地震信号与环境噪声某一类特征差异的初至拾取方法都很难取得比较理想的效果(刘希强等, 2009)，因此，可考虑通过综合地震信号与环境噪声的多种特征差异设计更加准确、可靠的算法.许多学者已做过相关的研究工作，并提出了不同的方法.Bai和Kennett(2000, 2001)详细研究了地震信号与环境噪声在能量、偏振、瞬时频率以及自回归模型方面存在的特征差异；王继等(2006)提出了一种基于STA/LTA和AIC的两步法震相到时自动检测方法；刘希强等(2009)通过综合地震信号与背景噪声在能量、非高斯性、非线性以及偏振特征方面存在差异，提出了一种信噪综合差异特征量方法，简称EFGLP方法；赵大鹏等(2012)提出了一种以地震记录的峰度作为特征函数计算AIC值的Kurtosis-AIC方法；张唤兰等(2013)将基于能量比和AIC的两步法初至到时检测方法应用于微地震数据处理；吕世超等(2013)提出了一种利用偏振约束的能量比微地震初至拾取方法.

本文首先简要叙述了STA/LTA、偏振分析及AR-AIC方法的基本原理和实现步骤，然后在借鉴上述三种方法原理的基础上，设计了一种针对低信噪比微地震事件的初至拾取方法，称为SLPEA算法.该方法的基本思路是根据数据的信噪比构造不同检测函数来提取地震波初至到时.为了检验本文方法的可行性和可靠性，笔者分别对合成数据和实际资料进行了处理，并把处理结果与上述三种方法及手工拾取的结果进行了对比分析.

2微地震初至拾取常用算法

2.1STA/LTA方法

STA/LTA方法是目前常用的一种简单快速的初至拾取算法，它利用了地震信号与环境噪声的振幅特征差异来拾取地震波初至.STA/LTA比值函数的计算公式为

(1)

其中，N1、N2为长、短滑动时窗的长度，CFi为特征函数.不同学者提出了不同形式的特征函数，目的是为了突出地震波到达时信号的变化规律.本文选用如下形式的特征函数计算STA/LTA比值函数：

(2)

其中Xi，Yi，Zi分别表示地震记录的三个分量.当地震波到达时，短时窗平均值(STA)比长时窗平均值(LTA)变化的更快，因此，二者的比值会出现一个明显的突跳.当R值超过了预先设定的触发阈值时，相应时刻即判定为地震波的初至到时.

2.2偏振分析方法

地震数据通常采用三分量检波器进行采集，且地震信号与环境噪声的质点振动轨迹存在明显差别，这就为在三分量记录上拾取地震波初至提供了可能.利用偏振分析方法提取地震波初至到时的基本思路为：首先，利用一个滑动时窗内的局部三分量记录构造如下协方差矩阵：

(3)

(4)

P的范围为0～1，其中P=1表示信号为线性偏振(如地震信号)，P=0表示信号为圆偏振(如随机噪声).偏振分析方法选取P极大值点前曲线斜率最大的点作为地震波的初至点.

2.3AR-AIC方法

AR-AIC方法根据地震波初至前后波形数据的统计特征差异提出.该方法假设包含地震波初至的一段记录按初至点位置可划分为信号部分和噪声部分，从这两部分中各选取一小段记录，并利用AR模型将其表示为如下形式：

(5)

(6)

AICk=-2L(X,k,M,a1,a2)+2M,

(7)

其中，k为滑动分割点，它将原记录划分为信号部分和噪声部分；L为(对数形式)最大似然函数，其表达式为

(8)

AIC值最小点(或L最大点)表示由该点划分的两部分记录与信号、噪声模型的拟合度最佳，因此，该点被认为是两段稳定时间序列的分界点，即地震波的初至点.

3微地震初至拾取SLPEA算法

上述三种方法均为利用地震信号与环境噪声的某一类特征差异进行初至拾取，实践表明在低信噪比条件下很难取得比较理想的效果.Bai和Kennett(2000, 2001)认为通过综合地震信号与环境噪声的多种特征差异进行初至拾取将有助于降低噪声的影响并提高结果的准确性.根据这一思想，笔者在借鉴上述三种方法原理的基础上，设计了一种新的微地震初至拾取SLPEA算法.该算法的具体实现步骤如下：

(1) 对于识别出的有效微地震事件，首先选取长度分别为N1和N2(N1>N2)的两个滑动时窗，利用(1)式计算各道记录的STA/LTA比值函数Ri.然后，选取长度为N3的一个滑动时窗，利用(4)式计算各道记录的偏振度函数Pi.

(2) 对Ri和Pi进行归一化处理后将二者相乘，可得震相检测函数Ki.Ri和Pi的归一化过程可利用下式表示(以Ri为例)：

(9)

相比于Ri和Pi，Ki具有较强的抗噪性，但其极值点的位置通常滞后于地震波的初至点.地震波初至点更加接近Ki极值点前斜率最大的点.

(3) 选取长度为N4的一个滑动时窗，计算如下边缘检测函数Di：Di=

(10)

Di反映了Ki变化的快慢程度，它在Ki变化最快的点(即斜率最大的点)处存在一个局部极大值，因此，Di的极值点位置比Ki更加接近地震波初至点.

(11)

(12)

(8) 给定信噪比阈值C2，并判断S是否大于该阈值.如果是，则以TL作为最终的初至拾取结果；否则，执行下一步.

(9) 给定误差阈值C3，并判断TD与TL之间的绝对误差是否小于该阈值.如果是，则以TD与TL的均值作为最终的初至拾取结果；否则，选取TF作为最终结果.

4模型数据处理结果

笔者首先利用模型数据检验本文方法的可行性.图1a、2a、3a为三组合成数据，它们均由一个按指数规律衰减的正弦波(模拟地震子波)与不同幅度的随机噪声叠加而成，其信噪比分别为12.4dB、3.8、0.8dB，时间采样间隔为0.0005s.图1b、2b、3b为不含噪声的合成记录，其中红色竖线表示地震波的真实初至到时0.2s.图1(c—h)、2(c—h)、3(c—h)分别为拾取初至到时的过程中计算得到的各类检测函数，所采用参数的取值见表1.图中函数最大值点的位置用红色星号标出，其对应的时刻见表2.

表1　本文方法各参数的含义及取值

表2　图1—3中各类检测函数最大值点对应的时刻

注：Ave.表示函数D和L最大值点对应时刻的平均值.

对于第一组合成数据，通过对比图1(c—h)可以看出，R、P、K三者最大值所对应的时刻均明显滞后于地震波的初至到时，而D、L、F最大值点的位置则十分接近地震波的真实初至点.由表2中的数据进一步可知，L最大值点对应的时刻恰好为地震波的真实初至到时0.2 s，而D和F最大值点对应的时刻则与真实到时分别相差了0.002 s和0.0005 s(即4个和1个采样点).该结果表明对于信噪比较高的地震记录(例如信噪比大于10 dB)，根据L得到的初至到时比采用其他几类检测函数得到的结果更加准确.

图1　(a) 第一组合成数据； (b) 不含随机噪声的合成数据； (c) STA/LTA比值函数R； (d) 偏振度函数P； (e) 震相检测函数K； (f) 边缘检测函数D； (g) 最大似然函数L； (h) 初至检测函数F

图2　(a) 第二组合成数据； (b) 不含随机噪声的合成数据； (c) STA/LTA比值函数R； (d) 偏振度函数P； (e) 震相检测函数K； (f) 边缘检测函数D； (g) 最大似然函数L； (h) 初至检测函数F

对于第二组合成数据，由图2(c—h)以及表2中数据可知各类检测函数最大值点的位置与第一组合成数据相差不大，主要区别在于L最大值点的位置偏离了地震波的真实初至点，二者相差了0.0025 s(即5个采样点).进一步分析表2中的数据可知，D和L最大值点对应时刻的平均值与F最大值点对应的时刻相同，且最接近地震波的真实初至到时.该结果表明当D和L最大值点的位置接近时(例如二者的距离小于20个采样点)，可通过计算二者的平均值作为地震波初至到时的估计值，从而无需计算F.

对于第三组合成数据，通过图3g可以看出，L最大值点的位置与地震波真实初至点的位置相差较大，表明L受环境噪声的影响较大，其初至拾取结果的准确度随着信噪比的降低而明显下降.由表2中的数据可知，F最大值点的位置最接近地震波的初至点，表明F具有较强的抗噪性，在低信噪比条件下仍然能够较准确地描述地震波初至点的位置.

为了深入研究本文方法的准确性并设置合理的参数取值，笔者对1000组具有不同信噪比的合成数据进行了处理.图4为数据信噪比与不同检测函数拾取误差(即函数最大值点对应的时刻与真实初至到时之差)的关系图.由该图可知，当数据的信噪比大于22 dB时，除了极个别的点外，L和F的拾取误差均为0，表明利用二者均能够得到准确的初至到时；对于信噪比在10～22 dB范围内的数据，F的拾取误差为1个采样点，而L的拾取误差除少数点外仍然为0；当信噪比降低到10 dB以下时，L的拾取误差显著增大，而F的拾取误差仍然保持在一个可以接受的范围内，其最大值仅为5个采样点.通过上述分析可以得出，对于信噪比大于10 dB的合成数据，根据L得到的初至到时更加准确；而对于信噪比小于10 dB的合成数据，根据F得到的初至到时误差较小.该结论证明了笔者将信噪比阈值C2设为10 dB(见表1)是合理的.此外，通过图4还可以看出根据L得到的初至到时一般早于地震波的真实到时(其拾取误差为正值)，而根据D得到的初至到时则晚于真实到时(其拾取误差为负值)，表明在一定的误差范围内二者的平均值更加接近真实的初至到时.

5实际资料处理结果

本文采用的实际资料为某油田对一口水平井进行的11段水力压裂施工的微地震监测数据.在采集该资料时所使用的观测系统为一个15级的井下检波器串，其级间距为10 m，时间采样间隔为0.0005 s.实际监测时，该观测系统被布设在压裂井附近的一口直井中进行数据采集.

笔者从该资料中选取了4个具有不同信噪比的有效微地震事件，分别利用本文提出的SLPEA算法、STA/LTA、偏振分析以及AR-AIC方法对其进行了初至拾取，结果分别如图5—8所示.图中的红色和绿色竖线分别表示P波和S波的初至到时.通过对比图5—8可知，本文方法的应用效果最好，能够比较准确地拾取出4个微地震事件的P波和S波初至到时；STA/LTA方法与偏振分析方法的应用效果相似，其中前三个微地震事件的初至拾取结果较准确，而最后一个事件中某几道记录的P波初至到时则存在较大误差；AR-AIC方法的应用效果最差，其中每道记录的P波、S波初至到时均存在不同程度的误差，造成这一结果的原因可能是在进行初至拾取之前，笔者对实际资料进行了带通滤波处理，从而对记录的波形信息产生一定程度的破坏.

为了定量对比几种方法的准确性，笔者对4个微地震事件进行了手工初至拾取(结果如图9所示)，并以手工拾取结果作为参照，与上述四种方法的处理结果进行对比分析.图10为图5—8所示的初至拾取结果与手工拾取结果的误差分布直方图，误差的统计特征参数见表3.由表3中的数据可知，本文方法处理结果的绝对误差平均值仅为1.33×10-3s，方差为3.21×10-6s2，二者均小于其他三组结果的同类参数；误差在±0.005 s范围内的到时个数占总数的95.8%，在4组结果中为最大，证明了本文方法的应用效果优于其他三类方法.图11为4组结果的绝对误差与记录信噪比的关系图，其中斜线表示对每组结果的误差进行线性拟合后得到的趋势线.通过该图可以看出，随着记录信噪比增大，4种方法的拾取误差均逐渐减小，但在信噪比相同的条件下，本文方法的拾取误差最小.

图3　(a) 第三组合成数据； (b) 不含随机噪声的合成数据； (c) STA/LTA比值函数R； (d) 偏振度函数P； (e) 震相检测函数K； (f) 边缘检测函数D； (g) 最大似然函数L； (h) 初至检测函数F

图4　合成数据信噪比与初至拾取误差关系散点图

名称绝对误差平均值/s绝对误差方差/s2绝对误差满足以下范围的到时个数占总数的百分比/%≤0.001s≤0.002s≤0.003s≤0.004s≤0.005s本文方法1.33×10-33.21×10-660.080.890.094.295.8STA/LTA方法3.01×10-35.25×10-532.564.281.789.292.5偏振分析方法8.12×10-32.82×10-43.3315.036.759.272.5AR-AIC方法8.93×10-36.29×10-523.331.735.038.340.0

图5　本文方法初至拾取结果(a) 事件1； (b) 事件2； (c) 事件3； (d) 事件4； 其中红色和绿色短线分别表示拾取的P波和S波初至.

图6　STA/LTA方法初至拾取结果(图注说明同图5)

图7　偏振分析方法初至拾取结果(图注说明同图5)

图8　AR-AIC方法初至拾取结果(图注说明同图5)

图9　手工初至拾取结果(图注说明同图5)

图10　初至拾取误差分布直方图(a) 本文方法； (b) STA/LTA方法； (c) 偏振分析方法； (d) AR-AIC方法.

图11　实际数据信噪比与初至拾取误差关系散点图

6结论

本文提出了一种针对低信噪比微地震事件的初至拾取方法——SLPEA算法.该方法通过综合地震信号与环境噪声在振幅、偏振以及统计特征等方面存在的差异，根据数据的信噪比构造不同的检测函数来提取地震波初至到时，克服了传统方法抗噪性弱的缺点，提高了结果的准确性.实际资料的处理结果表明，在相同信噪比条件下本文方法的应用效果优于传统方法，得到的初至到时更加接近手工拾取的结果.本文方法的主要缺点是计算量较大、耗时较长，因此，在应用于实时处理方面还有待进一步研究.

References

Allen R V. 1978. Automatic earthquake recognition and timing from single traces.BulletinoftheSeismologicalSocietyofAmerica, 68(5): 1521-1532.

Allen R V. 1982. Automatic phase pickers: their present use and future prospects.BulletinoftheSeismologicalSocietyofAmerica, 72(6): S225-S242.

Ambuter B P, Solomon S C. 1974. An event-recording system for monitoring small earthquakes.BulletinoftheSeismologicalSocietyofAmerica, 64(4): 1181-1188.

Anant K S, Dowla F U. 1997. Wavelet transform methods for phase identification in three-component seismograms.BulletinoftheSeismologicalSocietyofAmerica, 87(6): 1598-1612.

Baer M, Kradolfer U. 1987. An automatic phase picker for local and teleseismic events.BulletinoftheSeismologicalSocietyofAmerica, 77(4): 1437-1445.

Bai C Y, Kennett B L N. 2000. Automatic phase-detection and identification by full use of a single three-component broadband seismogram.BulletinoftheSeismologicalSocietyofAmerica, 90(1): 187-198.

Bai C Y, Kennett B L N. 2001. Phase identification and attribute analysis of broadband seismograms at far-regional distances.JournalofSeismology, 5(2): 217-231.

Chen Z L. 2005. A multi-window algorithm for automatic picking of microseismic events on 3-C data.∥ 75th SEG Annual Meeting Expanded Abstracts. SEG, 1288-1291, doi: 10.1190/1.2147921.

Deflandre J P, Dubesset M. 1992. Identification of P/S wave successions for application in microseismicity.PureandAppliedGeophysics, 139(3-4): 405-420, doi: 10.1007/BF00879944.

Earle P S, Shearer P M. 1994. Characterization of global seismograms using an automatic-picking algorithm.BulletinoftheSeismologicalSocietyofAmerica, 84(2): 366-376.

Leonard M, Kennett B L N. 1999. Multi-component autoregressive techniques for the analysis of seismograms.PhysicsoftheEarthandPlanetaryInteriors, 113(1-4): 247-263, doi: 10.1016/S0031-9201(99)00054-0.

Leonard M. 2000. Comparison of manual and automatic onset time picking.BulletinoftheSeismologicalSocietyofAmerica, 90(6): 1384-1390, doi: 10.1785/0120000026.

Liu X Q, Zhou Y W, Qu J H, et al. 2009. Real-time detection of regional events and automatic P-phase identification from the vertical component of a single station record.ActaSeismologicaSinica(in Chinese), 31(3): 260-271.

Lv S C, Song W Q, Liu Y M, et al. 2013. The polarization constrained LTA/STA method for automatic detection of microseismic.Geophysical&GeochemicalExploration(in Chinese), 37(3): 488-493, doi: 10.11720/j.issn.1000-8918.2013.3.20.

McEvilly T V, Majer E L. 1982. ASP: An automated seismic processor for microearthquake networks.BulletinoftheSeismologicalSocietyofAmerica, 72(1): 303-325.

Moriya H, Niitsuma H. 1996. Precise detection of a P-wave in low S/N signal by using time-frequency representations of a triaxial hodogram.Geophysics, 61(5): 1453-1466, doi: 10.1190/1.1444071.

Moriya H. 2008. Precise arrival time detection of polarized seismic waves using the spectral matrix.GeophysicalProspecting, 56(5): 667-676, doi: 10.1111/j. 1365-2478.2008.00713.x.

Moriya H. 2009. Spectral matrix analysis for detection of polarized wave arrivals and its application to seismic reflection studies using local earthquake data.Earth,PlanetsandSpace, 61(12): 1287-1295.

Sleeman R, van Eck T. 1999. Robust automatic P-phase picking: an on-line implementation in the analysis of broadband seismogram recordings.PhysicsoftheEarthandPlanetaryInteriors, 113(1-4): 265-275, doi: 10.1016/S0031-9201(99)00007-2.

Soma N, Takehara T, Asanuma H, et al. 2004. Precise automatic wave picking technique for onsite microseismic monitoring in hot dry rock development.GeothermalResourcesCouncilTransactions, 28: 239-244.

Song W Q, Lü S C. 2011. Automatic detection method of microseismic event based on wavelet decomposition and Akaike information criteria.GeophysicalProspectingforPetroleum(in Chinese), 50(1): 14-21.

Stevenson P R. 1976. Microearthquakes at Flathead Lake, Montana: A study using automatic earthquake processing.BulletinoftheSeismologicalSocietyofAmerica, 66(1): 61-80.

Takanami T, Kitagawa G. 1988. A new efficient procedure for the estimation of onset times of seismic waves.JournalofPhysicsoftheEarth, 36(6): 267-290.

Takanami T, Kitagawa G. 1991. Estimation of the arrival times of seismic waves by multivariate time series model.AnnalsoftheInstituteofStatisticalMathematics, 43(3): 407-433, doi: 10.1007/BF00053364.

Takanami T, Kitagawa G. 1993. Multivariate time-series model to estimate the arrival times of S-waves.Computers&Geosciences, 19(2): 295-301, doi: 10.1016/0098-3004(93)90127-Q.Wang J, Chen J H, Liu Q Y, et al. 2006. Automatic onset phase picking for portable seismic array observation.ActaSeismologicaSinica (inChinese), 28(1): 42-51.WithersM,AsterR,YoungC,etal. 1998.Acomparisonofselecttriggeralgorithmsforautomatedglobalseismicphaseandeventdetection. Bulletin of the Seismological Society of America, 88(1): 95-106.

WuZT,LiSX. 2010.ComparisonofSTA/LTAP-pickersformicroseismicmonitoring. Progress in Geophysics (inChinese), 25(5): 1577-1582,doi: 10.3969/j.issn.1004-2903.2010.05.007.

WuZT,LuoX,LiSX. 2012.Unitedwavelettransformandpolarizationanalysisautomaticallyidentifymicro-seismicP-arrival. Progress in Geophysics (inChinese), 27(1): 131-136,doi: 10.6038/j.issn.1004-2903.2012.01.015.

ZhangH,ThurberC,RoweC. 2003.AutomaticP-wavearrivaldetectionandpickingwithmultiscalewaveletanalysisforsingle-componentrecordings. Bulletin of the Seismological Society of America, 93(5): 1904-1912,doi: 10.1785/0120020241.

ZhangHL,ZhuGM,WangYH. 2013.Automaticmicroseismiceventdetectionandpickingmethod. Geophysical & Geochemical Exploration (inChinese), 37(2): 269-273,doi: 10.11720/j.issn.1000-8918.2013.2.17.

ZhaoDP,LiuXQ,LiH,etal. 2012.DetectionofregionalseismiceventsbykurtosismethodandautomaticidentificationofdirectP-wavefirstmotionbyKurtosis-AICmethod. Journal of Seismological Research (inChinese), 35(2): 220-225.

附中文参考文献

刘希强, 周彦文, 曲均浩等. 2009. 应用单台垂向记录进行区域地震事件实时检测和直达P波初动自动识别. 地震学报, 31(3): 260-271.

吕世超, 宋维琪, 刘彦明等. 2013. 利用偏振约束的能量比微地震自动识别方法. 物探与化探, 37(3): 488-493, doi: 10.11720/j.issn.1000-8918.2013.3.20.

宋维琪, 吕世超. 2011. 基于小波分解与Akaike信息准则的微地震初至拾取方法. 石油物探, 50(1): 14-21.

王继, 陈九辉, 刘启元等. 2006. 流动地震台阵观测初至震相的自动检测. 地震学报, 28(1): 42-51.

吴治涛, 李仕雄. 2010. STA/LTA算法拾取微地震事件P波到时对比研究. 地球物理学进展, 25(5): 1577-1582, doi: 10.3969/j.issn.1004-2903. 2010.05.007.

吴治涛, 骆循, 李仕雄. 2012. 联合小波变换与偏振分析自动拾取微地震P波到时. 地球物理学进展, 27(1): 131-136, doi: 10.6038/j.issn.1004-2903. 2012.01.015.

张唤兰, 朱光明, 王云宏. 2013. 基于时窗能量比和AIC的两步法微震初至自动拾取. 物探与化探, 37(2): 269-273, doi: 10.11720/j.issn.1000-8918.2013.2.17.赵大鹏, 刘希强, 李红等. 2012. 峰度和AIC方法在区域地震事件和直达P波初动自动识别方面的应用. 地震研究, 35(2): 220-225.

(本文编辑汪海英)

基金项目国家科技重大专项(2011ZX05008-005,2011ZX05017-001)资助.

作者简介谭玉阳，男，1987年生，博士研究生，主要从事水力压裂微地震监测技术方面的研究.E-mail:t150293@126.com *通讯作者何川，男，研究员，主要从事压裂监测专用仪器研制开发及相关综合处理技术研究.E-mail:chuanhe_pku@163.com

doi:10.6038/cjg20160116 中图分类号P631

收稿日期2014-07-15，2015-10-20收修定稿

Arrival picking of microseismic events using the SLPEA algorithm

TAN Yu-Yang1, YU Jing2, FENG Gang2, HE Chuan1*

1InstituteofOil&Gas,SchoolofEarthandSpaceSciences,PekingUniversity,Beijing100871,China2GeophysicalCorporation,ShengliBranch,SINOPEC,ShandongDongying257086,China

AbstractArrival picking of microseismic events is a crucial step in microseismic data processing. There are a lot of microseismic events with low signal-to-noise ratio (SNR) in field datasets, and the arrival times of these events picked using conventional approaches are usually not satisfying. To overcome the weakness of low noise resistibility of the conventional approaches, a new method, called the SLPEA algorithm, is developed based on the differences in amplitudes, polarization characteristics and statistic properties between seismic signal and ambient noise. To examine its feasibility and effectiveness, the proposed method is applied to both synthetic and field datasets, and the results are compared with those from conventional approaches and hand-picking. Analysis of these results demonstrates that the average of the absolute errors between the results of the proposed method and hand-picking are only 1.33×10-3s, which is less than 3 samples, and the variance is 3.21×10-6s2. The percentage of the arrival times which is within ±0.005 s of the hand-picking results is 95.8%. All these parameters are superior to those of the conventional approaches, which proves the reliability of the proposed method.

KeywordsMicroseismic event; Arrival picking; SLPEA algorithm; STA/LTA; Polarization analysis; AR-AIC

谭玉阳, 于静, 冯刚等. 2016. 微地震事件初至拾取SLPEA算法.地球物理学报，59(1):185-196,doi:10.6038/cjg20160116.

Tan Y Y, Yu J, Feng G, et al. 2016. Arrival picking of microseismic events using the SLPEA algorithm.ChineseJ.Geophys. (in Chinese),59(1):185-196,doi:10.6038/cjg20160116.