本期概要

1、基于长短期记忆网络的微震周期噪声抑制方法

针对微震数据中周期性噪声难以抑制的问题，本研究提出了一种结合短时平稳性检验和长短期记忆（LSTM）算法的噪声抑制新方法。实验结果表明该方法能更有效地抑制周期性背景噪声，提高信噪比，增强有效信号的可识别性，对提升微震数据质量和监测准确性具有重要意义。

2、利用机器学习通过波形包络检测小地震

本研究提出一种基于机器学习的地震检测方法，通过全连接神经网络提取地震数据包络，再用卷积神经网络进行事件检测。该方法对检测小型地震事件效果显著，精确率和召回率高，尤其在低信噪比下优势明显，能检测出更多未记录事件，但存在误检和无法区分多事件等问题。

3、剪切局部化控制地震的动力学行为

本研究采用双尺度数值模拟方法模拟剪切破裂过程。结果表明，剪切应变在剪切带内的突然局部化导致经典裂纹形成，其驱动力是恒定的断裂能量，且局部化剪切宽度与破裂速度存在唯一标度关系。研究揭示了应变局部化对破裂动力学的影响，表明地震可能系统性地与应变极端局部化相关，为理解地震破裂机制提供了新视角。

基于长短期记忆网络的微震周期噪声抑制方法

地面微震数据的信噪比较低，目前大多数噪声抑制方法能够有效处理随机噪声，但忽略了微震数据中存在的周期性噪声，导致去噪效果不佳。针对该问题，研究人员提出一种结合短时平稳性检验和长短期记忆（LSTM）算法的噪声抑制新方法，来抑制微震数据中的周期性噪声。通过对模拟数据和现场数据的处理并与传统变分模态分解（VMD）算法的结果进行比较，实验结果证明提出的方法能够更为有效地抑制微震数据中的周期性背景噪声，从而提高数据的信噪比。相关研究成果发表在2024年12月的Pure and Applied Geophysics。

中国拥有丰富的未开发页岩气资源，但是页岩储层与常规油气储层不同，具有低连通性、低渗透性和低孔隙度，需采用压裂改造技术来实现商业化开发。目前，页岩储层的主要压裂方法是水力压裂，通过高压注入水、沙和化学物质，以打开或扩大地层裂缝。同时，使用地震仪接收信号，了解地下状况。分析发现，其中存在周期噪声与有效信号在频带上的重叠，且波形相似，难以通过简单的多通道叠加方法抑制，严重影响微震数据的有效识别。

因此，开发有效的去噪方法对提高微震数据质量和监测准确性具有重要意义。深度学习方法在信号去噪中表现出巨大潜力，而长短期记忆（LSTM）算法是一种特殊的循环神经网络架构，在时间序列分析、自然语言处理和其他需要捕获长期依赖关系的任务中表现出色，所需的数据样本更少，计算效率更高。

研究采用增强Dickey-Fuller检验（ADF）作为平稳性检测的方法。ADF检验包括时间序列的滞后项，可以更有效地检验序列的平稳性。去噪模型采用LSTM算法进行训练，最后，从原始微震数据中提取出的周期噪声得到抑制。

1. 新的方法

水力压裂、矿山震颤监测等工业活动中的微震监测数据中普遍存在周期性噪声，但目前对此类噪声的去噪效果并不理想。研究人员针对微震监测数据中的周期性噪声进行研究，提出一种新的噪声抑制方法。

图1  LSTM神经元结构

首先，需要计算微震信号整体上是否平稳，若平稳则说明微震数据中存在较强的周期噪声。然后，对地震信号进行分帧处理，确定每帧的窗口大小，通常取一个周期作为窗口大小，以便更好地分析信号。为降低傅里叶变换后的旁瓣（sidelobe）强度并提高频谱质量，每帧信号需要乘以一个平滑的窗函数，使信号在的两端平滑衰减到零。帧移大小通常取窗长的1/3到1/2，以保证帧间有适当的重叠，避免信号信息丢失。之后，对每个滑动窗口的平稳性进行单独判断，非平稳区域表示存在非周期噪声，同时该区域亦是有效微震信号出现的区域。此后，获取相邻和聚合的平稳时间区域作为LSTM算法的训练数据集，进一步利用LSTM算法训练模型，预测完整的周期噪声。最终，从原始微震数据中提取出的周期噪声得到抑制。

图2  预测结果与实际数据的比较：（a）预测结果与实际数据；（b）误差图

需要注意的是，在平稳性评估中，研究采用基于帧的处理方法来提高检验的精度。该方法将整体数据分成多个窗口（帧），然后对每帧内的微震数据进行平稳性检验。这样，可以对整个微震数据集的平稳性特征有更全面的认识。LSTM可以简单理解为具有更复杂神经元的递归神经网络（RNN），在处理间隔和延迟较长的时间序列方面通常比RNN表现更好。LSTM的核心在于其独特的记忆单元，通过一系列门控机制控制信息的存储、更新和输出。

2. 模拟数据的分析

模拟数据包括带有随机噪声和周期噪声的微震数据，其中周期噪声采用狄利克雷函数（Dirichlet function）构建。研究人员将模拟周期噪声的参数设置为15。微震信号与周期噪声和随机噪声混合形成带噪模拟数据，信噪比为-14 dB。首先，对信号进行平稳性检验。考虑到现场微震数据的有效持续时间约为0.2 s，采样频率为500 Hz，对应采样点约为80~100个，研究人员将帧长设置为80个采样点，帧移设置为50。在平稳性检验过程中，如果某个窗口内的信号被判定为非平稳的，则标记为1；如果信号是平稳的，则标记为0。结果表明，微震信号出现之前，微震数据是平稳的。

由于微震数据中噪声干扰严重，噪声是数据的主要成分，研究人员采用方差贡献率自动区分信号和噪声。由于微震数据中噪声能量较大，波形显著，将方差贡献率较高（不小于0.05）的本征模态函数（IMF）部分视为信号的噪声，反之，方差贡献率较低的IMF部分为剩余的有效信号分量。因此，将方差贡献值大于0.05的IMF部分认定为噪声成分，并从原始数据中剔除。

在时域分析中，该方法去噪后的结果与原始干净信号的波形和相位具有很好的相似性，说明该方法能够有效保留有效信号的幅值，且不造成损伤。在频域分析中发现，在该方法处理后的结果中，周期性的噪声频谱得到了有效抑制，且没有破坏有效信号频谱的完整性，说明该方法对该类噪声的抑制精度较高，而VMD方法仍有残留噪声能量。基于新方法的去噪结果的均方误差（MSE）为0.0012，而基于VMD方法的去噪结果的MSE为0.0218，说明VMD方法对周期噪声的压制不够彻底，从而证实新方法相比VMD方法具有更优越的去噪效果。

图3  去噪结果频域对比：（a）微震数据；（b）VMD方法的去噪结果频谱；（c）新方法的去噪结果频谱

为验证这一研究方法对多道微震数据的处理效率和去噪效果，研究人员对不同信噪比的多道微震数据进行了处理。结果表明，该方法有效抑制了模拟数据中的周期性噪声，其去噪效果明显优于传统VMD方法。为保证实验结果的公正性和说服力，将该方法和VMD方法在同一多通道数据上迭代运行100次，测试指标包括去噪结果的信噪比、MSE以及计算效率。与传统方法相比，新方法在去噪效率上处于劣势，主要原因是其需要在时间序列数据上进行网络学习，但是，在去噪效果方面，其与传统VMD方法相比具有明显优势。这表明在处理低信噪比微震数据中的周期性背景噪声时，新方法具有更好的去噪效果。

3. 现场数据分析

研究人员用来自中国某水力压裂项目的微震数据进行实证分析。为深入了解微震事件特征，选取了压裂过程中9个相邻通道的微震数据，提取了有效信号的2 s数据段。由于受压裂设备作业和现场环境噪声干扰，噪声类型以强周期噪声为主，数据信噪比较低，严重影响信号的清晰度和分析的准确性。

图4  现场数据处理结果对比。（a）现场微震数据；（b）新方法的处理结果；（c）VMD方法的处理结果

研究分别采用所提出新方法和VMD方法对数据进行处理。在新方法的处理结果中，现场微震数据中存在的强周期噪声被明显抑制，其余噪声本质上为随机噪声。VMD方法虽然在一定程度上降低了背景噪声的影响，但无法有效抑制强周期噪声。

为了更清楚地展现新方法去除周期噪声的优势，选取一个通道的微震数据进行时域和频域去噪分析。结果表明，新方法有效抑制了周期噪声，从而增强了有效信号的可识别性。VMD方法通过选取有效的IMF进行噪声抑制，保留了有效信号，但背景噪声未能得到有效抑制，导致有效信号仍然被噪声淹没，识别效果不佳。

来源：Wang X, Lv M. Research on microseismic periodic noise suppression method based on long short-term memory network. Pure and Applied Geophysics, 2024: 1-17.

利用机器学习通过波形包络检测小地震

对地震数据的分析帮助人们获得了大部分关于地球内部的知识，然而，中到大规模地震的数量有限，大多数小型地震虽然对监测主要地震之间的动态过程至关重要，但却难以从地震记录中检测到。在此背景下，研究人员提出了一种检测方法，即通过机器学习捕捉地震数据的包络模式。波形包络提供了可靠的特征和低频模式，能够代表任何地震事件，而并非被噪声和信号的细节所主导。研究人员首先应用全连接神经网络从记录中提取数据包络，然后使用卷积神经网络以包络作为输入进行事件检测。在日本地震数据上的应用表明，与先前已发布的方法相比，新方法识别出了最多的小型地震事件。在测试数据集中，新方法检测事件的精确率（查准率）和召回率（查全率）分别为98.73%和96.54%，检测噪声的精确率和召回率分别为97.41%和99.05%。研究表明，该方法在不同信噪比（SNR）和滤波频段测试中表现良好。对于信噪比较低的地震事件（0~6 dB），该方法的检测准确率比已发布的深度学习方法高约10%。除了地震目录中的大多数事件外，该方法还能够从连续数据中检测出更多未记录在目录中的事件。相关研究发表在2024年12月的Bulletin of the Seismological Society of America。

分析地震数据对于研究地球结构、地下活动和断裂过程至关重要。人们认为，开发更有效的数据处理技术尤为重要，特别是在实时捕捉小规模地震方面。传统的地震事件检测方法对于时间窗口和阈值参数敏感，且在实际应用中可能产生误报。近年来，许多机器学习方法被提出，以解决检测和定位问题，这些方法有助于识别许多之前未被报告的小规模地震，进而推动了人们对地震的理解。

深度学习在地震检测中的应用取得了显著成果，生成对抗网络（GAN）被设计用于学习P波特征，随机森林分类器被用于区分地震与噪声。另外，结合卷积神经网络（CNN）和循环神经网络（RNN）的方法，已成功应用于微小地震的检测。U-Net模型已被用于地震波形的P波和S波到达时间的拾取。计算机视觉领域的图像分割方法在地震学中被借鉴，科学家们已经提出可通过提取地震信号的包络来识别地震事件的形态，而不是关注波形的细节。

该研究采用图像分割思想，使用事件的整体形状来检测地震事件。研究人员通过提取信号的包络并训练检测系统，来从噪声中识别地震事件的主要特征，进而实现事件的检测。研究人员开发了一个两阶段流程，称为包络检测（ENVDET），主要使用CNN和完全卷积神经网络（FCN）进行地震检测。ENVDET的输出包括任何检测到的事件的估计震中距离。

图1  包络检测方法的思想。在图像识别中，最常见的方法是图像分割。（a）自动驾驶汽车中的人和动物识别；（b）在医学诊断中，识别肿瘤的癌变区域；（c）对于地震事件检测，也采用了图像分割的思想，只关注信号的包络信息

ENVDET管道架构由两个网络模型组成。一个是FCN，名为ENVnet，它将三通道波形数据作为输入，并预测相应的包络。另一个是CNN，名为DETnet，它将ENVnet预测的包络作为输入，并预测其标签是噪声还是特定距离处的事件。

1. 模型训练和测试

（1）模型训练与验证。ENVnet训练持续约48小时，DETnet持续约18小时。ENVnet在第50代后验证集损失趋于稳定，表明训练已收敛，最佳模型的训练损失为0.0012，验证损失为0.0013。DETnet在第10代后验证集准确率不再提升，最佳模型的训练和验证准确率分别为0.9051和0.9130。

（2）ENVnet性能测试。经过测试，证明ENVnet能有效提取波形包络。存在缺失数据时，包络仍能保持稳定，不受异常脉冲影响。处理噪声数据时，将超过三倍方差的数据设为零，然后计算其包络，这样预测的包络就可以尽可能避免脉冲信号的影响。

图2  ENVnet和DETnet的架构（Conv2D代表2D卷积层）。（a）ENVnet架构，输入是三通道上由6 000个样本组成的波形，输出是与波形对应的包络；（b）DETnet架构，输入的是ENVnet输出的包络，输出的是向量

（3）DETnet性能测试。在48万条未参与训练数据上的测试表明，DETnet预测准确率（accuracy）为91.39%，损失函数值为0.1581。噪声类别的精确率（precision）和召回率（recall）均可达99%，表明其噪声分类效果极佳。在整体地震事件检测性能上，总体准确率为99.67%。地震事件和噪声分类的精确率与召回率均达到99%以上，表明DETnet在事件与噪声检测方面表现优异。

2. 检测能力分析

（1）高灵敏度地震台网（Hi-net）数据集测试。基于200 000条Hi-net数据的测试表明，在噪声召回率和事件精确率方面，EQT（earthquake transformer的简称，一种用于同时进行地震检测和震相拾取的全球性深度学习模型）表现优于ENVDET，但在噪声精确率和事件召回率方面，ENVDET的表现优于EQT。在Hi-net数据集中，ENVDET和EQT分别检测到113 864和109 942个地震事件。值得注意的是，测试数据的信噪比（SNR）相对较低，这在一定程度上表明ENVDET具有较强的小震检测能力。然而，ENVDET的误检数量为4 084，显著高于EQT的1 058，表明ENVDET能检测到更多的地震事件，但同时带来了更高的误检率。总体而言，EQT和ENVDET各有优势，同时也存在一定的误检问题。值得注意的是，部分被误检为地震事件的数据可能实际上是传统方法未能识别的真实地震事件。

图3  DETnet的混淆矩阵。（a）DETnet与斯坦福地震数据集（STEAD）的混淆矩阵；（b）DETnet与Hinet测试数据集的混淆矩阵

（2）不同信噪比（SNR）及滤波频带下的检测能力。不同SNR条件下的检测测试表明，该方法在小震检测方面表现良好。对于高SNR（≥15 dB）的事件，ENVDET能够检测到几乎所有地震事件，检测准确率高达99%，与EQT方法相当。对于低SNR（<15 dB）的事件，ENVDET的检测准确率高于EQT。在连续地震数据的检测中，ENVDET能够检测出与EQT相当数量的地震事件。

（3）ENVDET的局限性。ENVDET可能将某些振荡波形误识别为地震事件。此外，在处理时间窗口内存在多个事件时，ENVDET存在局限性。研究发现，该方法只能判断时间窗口内是否存在地震事件，但无法区分事件数量。另一个限制是，ENVDET无法识别P波和S波的地震相位信息。

（4）在日本Hi-net连续数据记录中的应用。研究人员对ENVDET方法在日本Hi-net连续地震数据上的适用性进行了测试，并将其检测结果与EQT方法进行了对比。总体来看，ENVDET的检测能力与EQT相当，甚至在某些方面有所提升。另外，ENVDET对低频数据的适用性较差，且检测效果受到ENVnet预测包络质量的影响。

图4  不同情况的波形及不同方法的检测结果。（a）不同信噪比的波形；（b）不同滤波频段下的包络预测

3. 小结

该研究结果证实了自动驾驶领域的已有结论：通过目标形态特征进行识别能够提高目标检测的全局有效性。设计的ENVnet可获得适合的波形包络，提高事件检测能力并减少误报。然而，在某些情况下，如交通噪声和人为活动噪声，ENVnet可能会将其误判为远震，这也是误检的主要原因之一。由于ENVnet依赖于波形形态，因此需要对波形进行滤波，否则低频信号会影响包络提取过程，进而影响检测结果。

该方法适用于本地和区域性地震事件的检测，因为时间窗口被限制为60秒。当检测窗口内存在多个地震事件时，ENVDET会将其视为单一事件，无法区分同一窗口内的多个事件。Hi-net数据集的测试结果表明，ENVDET具有较强的泛化能力，并在未见数据集上仍能表现出较高的检测能力。

此外，地震数据的包络还可用于事件定位和震源机制反演，这一功能可通过深度学习进一步实现。ENVDET处理单个地震台站数据的完整流程（包括数据下载、预处理和预测）大约需要100毫秒。未来，该方法可进一步扩展至多个地震台站的联合训练和测试，以避免对各个台站进行循环处理，从而在单步操作中完成事件检测，提高检测效率。

来源：Zhang J, Zhu H, Zhang J. Detection of small earthquakes by waveform envelope using machine learning. Bulletin of the Seismological Society of America, 2024, 114(6): 2946-2962.

剪切局部化控制地震的动力学行为

地震是由构造断层上快速滑移的传播所引发的，其传播动力学受储存在周围岩体中的弹性能量与滑移区传播前缘的耗散能量之间的平衡所控制。能量耗散由断层的力学行为决定，而断层的力学行为本身是毫米至亚毫米尺度上的热-流体-力学过程的反馈结果。来自挪威和德国的研究者采用双尺度数值模拟方法——该方法能够将亚毫米尺度的断层内部过程与千米尺度的弹性动力学耦合，对剪切破裂过程进行了模拟。研究结果表明，剪切应变在剪切带内的突然局部化导致了经典裂纹的形成，其驱动力是恒定的断裂能量。与假设剪切带内均匀剪切的理论和数值模型预测结果相比，由应变局部化产生的断裂能量显著较小。此外，该研究发现局部化剪切宽度与破裂速度之间存在唯一的标度关系。研究结果表明，地震可能系统性地与应变极端局部化相关。相关研究成果发表在2025年1月的Nature Communications。

地震震源对应于沿断层动态传播的滑移事件。在地壳尺度上，断层可视为二维不连续位移场的界面，但实际“滑移”是通过破碎、蚀变或部分熔融的岩石薄层内的剪切变形完成的。浅部地壳断层核心由细粒硅质碎屑和黏土断层泥组成，孔隙中充满加压水，其流变特性控制破裂的动力学。地震期间，断层高速滑移，导致断层泥显著弱化。在干燥条件下，弱化由摩擦热引起的温升和被热量激活的成岩矿物的流变性控制。在含水环境下，存在额外的弱化机制，热膨胀效应使流体压力上升、正应力下降，从而使摩擦强度降低。活动变形区的厚度影响剪切生热速率及流体和热量扩散的难易程度，进而影响破裂动力学。此外，剪切区宽度可能在地震滑移过程中演化，颗粒重排、剪切生热等机制可能导致应变局部化，显著降低剪切强度，进而影响破裂传播。

图1  控制局部剪切带传播的双尺度设置示意图

该研究展示并量化了应变局部化如何影响破裂动力学。首先，建立了一个双尺度数值计算框架，对剪切破裂过程进行模拟。然后，通过动态破裂模拟，找到破裂速度与断层泥内应变局部化程度之间的关系，并计算控制破裂传播的耗散能量，这通常被称为断裂能量（类似于脆性材料中的断裂动力学）。

1. 剪切局部化与断层滑移

剪切局部化并不仅限于地震断层，而是材料流变学中的普遍特征。为了进一步探讨剪切局部化的机理，研究引入了断层剪切应力的数学表达式：

上述方程表明，当摩擦生热导致温度或孔隙水压力的局部变化足够快时，剪切应变将自发局部化，并最终形成狭窄的滑移带。研究进一步探讨了剪切局部化不稳定性发生的数学条件。如果满足如下不等式，则剪切局部不稳定性将出现：

2. 多尺度断层破裂模型

在地震破裂过程中，断层滑移区域的物质表现出复杂的热-流体-力学耦合现象，其主导机制包括颗粒重排、粒径减小、热致增压以及热分解等。上述机制作用的空间尺度通常仅为亚毫米到毫米级，然而，地震破裂的传播过程涉及的尺度（千米级别）却远超此范围。因此，仅考虑单一尺度的模型难以准确描述断层滑移的整体动力学过程。基于此，研究人员建立了一个双尺度数值计算框架，分别求解剪切带内的热-流体演化（毫米尺度）和断层沿线的弹性波传播（千米尺度）。

图2  用耦合模型模拟剪切局部化驱动的动态破裂

3. 剪切局部化驱动的破裂动力学

在研究人员的模拟中，剪切带最初以无震滑动速度蠕变，并在t = 0时通过提高断层中心处的孔隙压力来触发破裂。最初，滑移加速主要集中在成核区域，随后破裂前沿迅速向外传播，滑移速率在超出初始核区的区域内增加，同时伴随剪切应力下降，这与断层泥内孔隙流体的热致增压和强烈的应变局部化有关。

破裂加速与破裂前沿的高滑移速率、剪切应力下降以及整个断层泥内部高强度的局部化剪切形变相吻合。在断层泥中，高达四个数量级的应变率集中在不到5%的剪切带厚度上。更重要的是，在断层不同位置测量的峰值滑移速率和剪切应力下降均发生在相同的累积滑移量下，与剪切局部化的发生相一致。基于这一发现，可以利用先前建立的一维热致增压理论来预测局部化发生后的动力学行为。

图3  在图2中显示的传播破裂尖端附近的快照

剪切带内的摩擦弱化主要由两种机制控制。在第一阶段，应变局部化导致剪切区应力下降，在第二阶段，同震热致增压使摩擦弱化在更大的滑移值上逐渐延长，并导致剪切带内的应变率扩散。破裂传播主要由第一阶段的应变局部化驱动，即动态应变局部化主导了破裂传播的动力学特征。

在分析破裂传播过程的快照时，通过拟合分析发现，破裂传播表现为裂纹型（crack-like）动力学行为。此外，利用应力强度因子K计算断裂能Gc，发现破裂传播主要受断裂能Gc控制，且与动态断裂理论的预测相符。通过进一步分析局部化宽度Wrsf与破裂速度vr的关系，发现破裂传播中的最小剪切带宽度是峰值滑移速率的良好指示器，可用于估算潜在的动态破裂速度。

4. 动态应变局部化导致的裂纹型破裂的动力特性

数值模拟表明，应变局部化会导致剪切带的应力承载能力急剧下降，从而造成并维持地震破裂，此外还有其他影响断层长期强度的弱化机制。局部化导致剪应力骤降，使破裂呈裂纹状加速扩展，这与动态断裂力学预测的一致。研究发现，破裂传播受控于一个明确的断裂能量，对应于局部化过程中的近尖端能量耗散。这与仅由热致增压作用驱动的破裂模式不同。

为定量分析应变局部化的影响，该研究进行了另一种模拟，在该模拟中强制应变发生在恒定宽度上，以抑制局部化。前后两种模拟在小滑移和大滑移阶段表现相似，但允许应变局部化的模型表现出清晰的尺度分离，直接的后果是，对于抑制应变局部化的模拟，不再可能分离近尖端断裂能量Gc。这意味着，破裂动力学特征显著偏离动态破裂预测。因此，整个裂缝长度上的能量耗散会影响破裂扩展，从而导致更大的断裂能量，并且随着破裂尺寸的增加而增加。简而言之，应变局部化既导致断层带脆化，又导致破裂裂纹状动力学的出现，这与线弹性断裂力学（LEFM）预测的一致。因此，该研究认为，动态应变局部化在地震破裂的传播中发挥着重要作用。

图4  在使用相同参数但不同背景应力模拟的破裂传播过程中，最小应变率局部宽度Wloc与瞬时破裂速度vr的变化

该研究揭示了蠕变剪切带中出现的局部不稳定性如何导致剪切应力的急剧下降，从而促进经典动态破裂沿剪切带在长距离上传播。摩擦系统是由经典断裂力学还是非线性摩擦控制，是地球物理学中一个重要且存在争议的问题。应变局部化是一种突然的结构弱化机制，它提供了过程区和滑移区内部的明显分离，从而证明了小尺度屈服假设的合理性。然而，破裂尖端行为的相对简单性并不排除整体破裂类型的复杂性。远离破裂尖端，热扩散和水力扩散以及应变离域使剪应力保持缓慢衰减，这很容易影响地震破裂的停止方式。目前的结果促使进一步发展所提出的多尺度方法，以研究应变局部化对其他破裂模式的影响，这些破裂可能在成核时的不同边界和初始条件下出现。

来源：Barras F, Brantut N. Shear localisation controls the dynamics of earthquakes. Nature Communications, 2025, 16(1): 711.

主送：中国地震局领导

编发：中国地震局地震预测研究所