一种地震模板筛选方法与流程

本发明属于地震监测与数据处理，尤其涉及一种地震模板筛选方法，可应用于天然地震、矿山微震、页岩气压裂诱发地震等场景的高质量模板库构建。

背景技术：

1、模板匹配技术（template matching）是当前微震监测与地震目录扩展领域广泛应用的一种检测方法。该方法通过利用已知地震事件作为模板，与连续波形数据进行滑动互相关计算，从而发现与模板事件具有高度相似性的微弱地震事件。随着观测时间延长和监测台网密度提高，地震目录中的候选模板事件数量快速增加。在实际应用中，一个研究区域往往包含数千甚至数万个地震事件，其中大量事件具有高度相似的震源位置、震源机制以及波形特征。如果将所有事件均作为模板参与匹配计算，将导致模板库规模过大且模板之间存在大量冗余信息；计算资源消耗显著增加且检测效率明显下降。

2、模板事件的质量和代表性直接决定检测的灵敏度和误报率。目前，模板事件的遴选主要依赖以下方式：

3、（1）人工根据震级、信噪比及波形特征逐条挑选，效率低下且主观性强，难以应对大数据量。

4、（2）基于波形互相关阈值的成对筛选，通过计算所有事件对的波形相似度，将相关系数高于设定值的事件归为一簇，再从中取一代表。但这种方法往往需要对全部事件对进行两两计算，计算复杂度为o(n²)，当事件数量较大时计算资源消耗巨大；同时简单阈值筛选容易造成模板冗余或欠代表，且缺乏对空间位置和台站覆盖的系统考虑。

5、（3）部分研究引入了空间约束，但多局限于水平位置的二维距离，未考虑深度信息，导致不同深度但水平位置接近的事件被误判为邻近而增加无效计算，或者忽略了同簇事件应在三维空间中聚类的物理要求。此外，现有方法普遍缺少对模板库整体覆盖度的量化评估与补救机制，容易遗漏一些特殊波形类型，最终降低微震目录的完整性。

6、（4）运算效率低下，全事件两两穷举匹配 + 串行波形读取计算，海量台站与地震事件场景下波形反复io读取、重复加载，io开销与算力开销极高，无法适配上万条地震事件批量处理；单进程串行计算互相关，cpu资源利用率低。

7、现有方法在处理数万级规模的地震目录时，面临效率与效果的双重挑战。一方面，全事件对的波形互相关计算带来o(n²)级别的算力与i/o开销，使得海量数据处理不可行。另一方面，模板筛选长期在“冗余”与“遗漏”之间顾此失彼：若为压缩模板库而精选少数事件，则极易遗漏波形特征特异的地震类型，降低后续检测的目录完备性；若为追求覆盖而保留大量事件，则模板库臃肿、冗余严重，丧失了筛选的意义。综上，当前亟需一种能够系统性地协调“计算效率”、“模板冗余度”与“覆盖完备性”三者矛盾的自动化技术方案。

技术实现思路

1、针对现有技术中的上述不足，本发明提供的一种地震模板筛选方法，解决以下问题：如何在大规模地震事件目录中快速、自动地筛选具有代表性的模板事件，减少人工参与，提高模板筛选效率；如何综合利用事件的空间位置及波形相似性信息，降低模板之间的波形冗余，提高模板库的代表性和多样性；如何建立模板覆盖评价与反馈机制，避免特殊波形事件或边缘事件遗漏，提高模板库对历史事件的整体覆盖能力；如何在保证模板匹配检测能力和目录扩展效果的前提下，实现模板库规模压缩与检测性能之间的平衡，降低后续模板匹配计算开销，提高微震监测数据处理效率。

2、为了达到以上目的，本发明采用的技术方案为：一种地震模板筛选方法，包括以下步骤：

3、s1、构建待筛选地震事件集合；

4、s2、对待筛选地震事件数据采用基于参考点的等距圆柱投影转换，得到三维欧氏空间坐标，并基于三维欧氏空间坐标，构建三维空间索引；

5、s3、利用构建的三维空间索引，对每个地震事件执行空间邻近搜索，保留满足空间距离约束的地震事件对；

6、s4、针对每个地震事件的每个台站记录，获取波形片段，对每个波形片段进行标准化处理，并利用缓存机制，构建波形缓存数据库；

7、s5、基于地震事件对与波形缓存数据库，计算多台站多分量波形相似性；

8、s6、基于多台站多分量波形相似性，构建地震事件相似性网络；

9、s7、对地震事件相似性网络执行连通分量分析，得到地震事件簇集合；

10、s8、在每个地震事件簇对应的地震事件相似性网络上，执行代表模块选取，得到表征地震事件簇波形特征的模板事件集合；

11、s9、基于模板事件集合，利用模板覆盖反馈机制，得到未覆盖地震事件集合，并对模板库进行覆盖能力评估，根据覆盖评估结果，对未充分覆盖的地震事件进行自适应补充；

12、s10、基于自适应补充结果，将未覆盖地震事件集合自动加入至模板库，形成最终的模板集合，并基于最终的模板集合，输出模板目录，完成对地震模板的自动化筛选。

13、进一步地，所述s1包括：

14、读取地震事件目录，提取每个地震事件的发震时间、经度、纬度、震源深度、震级、各台站p波到时及s波到时信息；

15、基于提取的信息，为每个地震事件建立事件对象；

16、基于所有地震事件建立的事件对象，构建待筛选地震事件集合。

17、再进一步地，所述s2包括：

18、通过对待筛选地震事件数据采用基于参考点的等距圆柱投影转换，每个地震事件获取三维欧氏空间坐标；其中，全部

n个地震事件的三维欧氏空间坐标点集记为

p；

19、基于三维欧氏空间坐标点集构建三维空间索引。

20、再进一步地，所述s4包括：

21、针对每个地震事件的每个台站记录，读取三分量波形；

22、基于读取的三分量波形，以对应台站的p波震相到时为中心，截取预设时间窗口，获得波形片段，其中，表示台站记录的p波震相到时，表示p波到时前的窗口长度，表示p波到时后的窗口长度；

23、对每个波形片段进行标准化处理；

24、以四元组（事件id，台站标识，分量标识，预处理后的波形数据）为基本存储单元，将标准化处理后的波形序列写入波形缓存数据库中，同时构建波形有效性索引表，完成波形缓存数据库中缓存结构的设计，其中，波形有效性索引表以三元组（事件id，台站标识，分量标识）为键，记录对应的波形数据是否成功加载且有效；

25、在首次标准化处理阶段，将所有待处理地震事件的波形读取任务按（事件，台站，分量）粒度分解为独立子任务，单个子任务在执行过程中，检查缓存中是否已存在对应波形数据，若已存在则跳过处理；否则，执行地震台站记录的原始波形数据文件读取、截取和标准化处理，并写入缓存及有效性索引表，完成波形缓存数据库中缓存写入机制的设计，其中，每个子任务负责单一事件、单一台站、单一分量波形的读取、截取、标准化及缓存写入；且多个子任务并发执行；

26、在地震事件间波形相似性计算过程中，当需获取某地震事件的某台站某分量波形时，根据三元组（事件id，台站标识，分量标识）在缓存数据库中查找，若查到成功，则直接返回标准化波形序列，若未成功，则触发单次实时加载并同步写入缓存，完成波形缓存数据库中缓存读取机制的设计；

27、在所有波形片段完成标准化处理后，将缓存数据序列化存储至本地持久化文件，完成波形缓存数据库中缓存持久化的设计；其中，缓存方式采用内存缓存结合本地对象序列化文件pickle持久化的方案。

28、再进一步地，所述s5包括：

29、确定两地震事件共同记录的台站集合；

30、基于确定的台站集合，在波形缓存数据库读取地震事件对的标准化波形序列，其中，若读取成功，则返回标准化后的波形序列，若未成功，则执行一次实时地震台站记录的原始波形数据文件读取、时间窗截取及标准化处理，并写入缓存；

31、根据读取的标准化波形序列，计算得到时域互相关序列，并取时域互相关序列最大值作为各分量的波形相似性；

32、对两地震事件在共同台站上的三分量波形相似度取平均，得到台站相似度；

33、对所有台站的相似度进行统计，得到地震事件间综合波形相似度，完成多台站多分量波形相似性的计算。

34、再进一步地，所述s6包括：

35、将待筛选的每个地震事件定义为地震事件相似性网络的一个节点；

36、对于地震事件对，依据地震事件间综合波形相似度以及有效共有台站数量m进行连接判定，针对同时满足且时，则两个地震事件满足波形关联条件，并在对应节点之间建立一条无向连接边，其中，表示预设的波形相似度阈值，表示预设的最小共有台站数量阈值；任意一条无向连接边均依次满足三维空间邻近约束、最小共有台站约束以及波形相似性约束；

37、基于建立的无向连接边得到地震事件相似性网络，其中，地震事件相似性网络以三维空间邻近约束作为建边基础，以多台站、多分量波形综合相似度作为边权表达，以网络拓扑连通关系作为事件群体组织形式。

38、再进一步地，所述s8包括：

39、在地震事件相似性网络上，通过将地震事件间综合波形相似度转换为波形差异度，构建地震事件簇内部的波形差异空间；

40、对于当前地震事件簇，计算每个节点的连接度，并选择连接度最大的节点作为首个模板；

41、设当前已选模板集合为，在波形差异空间中，对于当前地震事件簇内未被选中的每个候选地震事件计算其到已选模板集合的最小波形差异，以进行最远点覆盖采样处理；其中，表示第个被选取的模板事件，表示当前已选模板数量；

42、基于最小波形差异，在所有候选地震事件中选择最小距离最大的事件作为新的模板；

43、将模型加入至模板集合，并重新计算剩余候选地震事件到模板集合的最小波形差异；

44、在每轮最远点覆盖采样结束后，计算所有未选地震事件中最大的最小波形差异，当满足时，停止模板选取，其中，表示预设的停止采样阈值，的取值对应于预设的最小允许波形相似度所转换的波形差异度上限值；

45、当最远点覆盖采样结束后，将当前模板集合作为当前地震事件簇的模板集合；其中，表示当前地震事件簇最终选取的第个模板事件，表示当前地震事件簇的模板总数；

46、将各地震事件簇获取的模板集合进行合并，其中，

k表示地震事件簇数量，表示表征地震事件簇波形特征的模板事件集合，表示第个地震事件簇对应的模板集合。

47、再进一步地，所述s9包括：

48、基于模板事件集合，对于原始地震事件目录中的每一个非模板事件，通过分别计算其与模板库所有模板之间的综合波形相似性，得到地震事件的最大覆盖相似度，其中，表示模板事件集合中的所有模板事件构成的全体模板库，表示模板事件集合中的第个地震模板事件；

49、设覆盖阈值为，满足时，判定当前模板库无法有效覆盖非模板事件，将非模板事件记录为未覆盖事件，得到未覆盖地震事件集合；

50、基于未覆盖地震事件集合，统计未覆盖地震事件数量，并结合原始地震事件目录的总事件数量，计算得到模板覆盖率；

51、针对模板覆盖率低于预设覆盖率阈值时，计算未覆盖地震事件两两之间的综合波形相似性，并基于未覆盖地震事件两两之间的综合波形相似性，构建未覆盖地震事件相似性网络；

52、对未覆盖地震事件相似性网络执行连通分量分析，划分得到未覆盖地震事件连通簇；

53、基于划分得到的各未覆盖地震事件连通簇，对每一个未覆盖地震事件簇，选取覆盖优化模板，完成自适应补充模板。

54、现有模板事件筛选方法主要依赖人工经验或基于波形互相关阈值进行筛选，普遍存在计算效率低、模板冗余度高、代表性不足以及缺乏覆盖能力验证等问题。当地震事件数量达到数千至数万级时，模板筛选过程不仅需要进行大量波形相似性计算，而且容易因模板选择不合理导致模板库规模过大或特殊波形事件遗漏，进而影响后续模板匹配检测的效率和目录扩展能力。针对上述问题，本发明提出一种融合三维空间约束、波形相似性网络构建、图覆盖优化模板筛选及模板覆盖反馈验证的微震模板事件自动筛选方法，解决了现有方法中模板筛选依赖人工经验、主观性强、模板冗余度高，以及缺乏有效的覆盖完整性验证和自动化筛选机制，导致模板库质量难以保障、后续微震检测效率受限的技术问题。该方法通过三维空间约束减少无效事件配对，以波形相似性网络表征事件之间的关联关系，并结合覆盖优化策略自动选取具有代表性的模板事件，最终利用模板覆盖反馈机制对模板库进行评估与自适应补充，在有效压缩模板数量的同时保证模板库对历史事件的覆盖能力，实现模板库规模、代表性和覆盖完整性的协同优化，本发明至少具有以下有益效果：

55、计算效率显著提升。通过引入三维kdtree空间预搜索，将互相关计算限制在空间邻近事件对上，避免全连接计算的o(n²)复杂度，大幅降低计算量和时间；深度坐标的融合进一步避免了不同深度事件的无效配对，使搜索更具物理意义。

56、降低模板冗余，模板代表性强。在图聚类基础上采用基于相似度距离的最远点采样，确保同一簇内选出的模板在波形上具有最大差异性，从而以少量模板覆盖该簇的波形多样性，避免冗余。

57、覆盖完备性好。反向检验机制定量评估模板库对所有初始事件的覆盖程度，自动捕获未被覆盖的特殊事件并补充为模板，显著提高了后续匹配检测对低频次、特异波形事件的召回率。

58、自动化程度高，仅需在配置区修改距离阈值、相关阈值、截取窗口等参数即可适配不同区域台网数据，无需人工干预。从初始震相文件到最终模板文件全流程自动完成，可处理数万级事件，可复用于不同区域、不同台网的数据。

59、结果可靠。自洽性检验和多重阈值保障了簇内一致性，结合最远点采样的停止条件，在保证簇内最低相似度的情况下最大化模板多样性，平衡了漏检与误检。

60、适配扩展性良好。参数模块化配置，深度权重α、各类阈值、采样数量均可灵活配置，既可用于小尺度矿山微震、火山地震模板筛选，也可用于大区域天然地震丛集批量处理，应用场景适配范围更广。