image
Home Journals Progress in Geophysics
Progress in Geophysics

Abbreviation (ISO4): Prog Geophy      Editor in chief:

About  /  Aim & scope  /  Editorial board  /  Indexed  /  Contact  / 
Online first  /  Current issue  /  All issues  /  Top access  /  RSS

Progress in Geophysics >

2025 , Vol. 40 >Issue 2: 448 - 459

DOI: https://doi.org/10.6038/pg2025II0133

Applicability analysis of improved STA/LTA algorithm for MEMS seismograph

  • GuoYong ZHAO , 1 ,
  • Lei QIU 1 ,
  • CaiHua LI , 2, * ,
  • Jian ZHANG 1
Expand
  • 1 R&D Center of Science and Technology, Sinopec Geophysical Corporation, Nanjing 211102, China
  • 2 Institute of Geophysics, China Earthquake Administration, Beijing 100081, China

Received date: 2024-07-12

  Online published: 2025-05-09

Copyright

Copyright ©2025 Progress in Geophysics. All rights reserved.
Fold

Abstract

The MEMS seismograph developed based on Micro-Electro-Mechanical System (MEMS) technology has the advantages of easy integration, low maintenance cost and low power consumption, and is widely used in the field of seismic monitoring. However, the integrated software and hardware resources of MEMS seismograph are limited, and it is greatly interfered by the instrument's own noise and other factors, resulting in low-quality seismic signal measurements, which requires higher embedding algorithm. To solve this problem, this paper proposes an improved Short Term Average/Long Term Average (STA/LTA) algorithm that is more suitable for MEMS seismographs. Firstly, the characteristic function of Anti-interference (AR) is constructed to suppress the interference of baseline drift and low-frequency noise, and improve the anti-interference ability of the STA/LTA algorithm to pick up seismic events. Secondly, the method of "delay time window" is proposed to improve the computational efficiency and picking accuracy of the STA/LTA algorithm, and reduce the occupation of MEMS integration resources by the STA/LTA algorithm. Finally, the influence of different time window sizes on the picking efficiency of STA/LTA algorithm is further explored by combining the time window position. The simulation results of actual seismic data show that the improved STA/LTA algorithm proposed in this paper has higher computational efficiency, stronger real-time and anti-interference ability, and is more suitable for integrating MEMS seismometers with limited resources.

Key words： MEMS seismograph; STA/LTA algorithm; Arrival-time picking; Characteristic function; Time window

Cite this article

GuoYong ZHAO , Lei QIU , CaiHua LI , Jian ZHANG . Applicability analysis of improved STA/LTA algorithm for MEMS seismograph[J]. Progress in Geophysics, 2025 , 40(2) : 448 -459 . DOI: 10.6038/pg2025II0133

0 引言

高密度地震台网建设是地震预警、震源参数快速估算、强震动地震运动图生成、震后灾害评估和应急救援等工作的关键(康涛，2018).传统地震台站仪器成本和维护成本高昂，而MEMS(Micro-Electro-Mechanical System)强震仪因其本身具有低功耗、便携和维护成本低且性能与传统力平衡加速度计相当等特点(Peng et al., 2013；梁若冰等，2023)，可大规模布设，在地震监测领域具有广阔的应用前景.
目前，已有一些MEMS强震仪在实际运行和测试中表现出了良好的性能和潜力.蔡莉等(2014)、胡星星等(2015)利用MEMS加速度传感器作为测震传感单元，结合ARM嵌入式处理器和Linux操作系统研制了MEMS强震仪，实现了地震事件实时检测、地震动参数自动提取和通讯传输一体化的功能，验证了地震数据处理算法嵌入设备的可行性.Peng等(2017, 2019)为了提升MEMS强震仪的信噪比和简化器件设计，开发并实测了一种高动态范围的MEMS三轴加速度计，内置了STA/LTA和Pd-τc预警参数自动提取算法，并实际投入到地震预警中.Fu等(2019)基于高性能低功耗多串口微控制器单元(MCU)控制整个地震传感器，研制了一种集成C类MEMS加速度计的低成本MEMS强震仪，在获取加速度计记录数据上与传统强震仪相比具有良好的一致性.
MEMS强震仪内置了地震数据实时处理算法，在识别地震事件后才会进行地震动参数计算和数据传输，实现了低功耗和低成本的地震监测功能.但由于MEMS强震仪的体积小，微控制器和储存单元有限，以及等效质量的制约，其在高精度强震动观测中噪声水平和低频特性较差(钟媛等，2021；杨江等，2022)，这对其嵌入的地震事件识别算法的简洁性和可靠性提出了更高的要求.目前，地震事件识别算法众多.例如，偏振分析算法(Meyer，1988; 林建民等，2012；金星等，2021)利用地震波偏振特征变化进行地震事件实时识别，具有较强的抗白噪声干扰能力，但这种基于三分量地震信号计算偏振度的算法，计算复杂度高，运算量大；赤池信息准则(Akaike Information
Criterion，AIC)算法(Akaike，1973; Chen et al., 2020; Li et al., 2022)利用地震波与背景噪声统计特性上存在较大差异，能够精确拾取地震波初至，但这种基于局部信息量熵的算法，计算效率低，无法单独用于地震事件实时检测；此外，还有一些基于地震信号多特征进行联合拾取的综合地震波识别算法，例如，基于STA/LTA和AIC两步走的地震波初至拾取算法(郭铁龙等，2017；Zhang et al., 2021); 联合STA/LTA法、偏振法与AIC的微地震波初至拾取算法(李洪丽和张晗，2020).这些算法在不同领域均取得了良好的应用效果，但也存在一些不足.
STA/LTA算法因原理简单、计算效率高、实时性强，在地震事件识别中应用最为广泛(刘晓明等，2017；邱磊和李彩华，2023).针对MEMS强震仪集成软、硬件资源有限，且受等效质量制约监测地震信号噪声水平偏高的问题.本文通过仿真信号存在基线漂移、低频干扰和不同包络变化，并结合实际地震信号进行实验，对比分析了不同参数下STA/LTA值曲线变化趋势和拾取效果，提出了一种更适用于MEMS强震仪进行地震事件实时识别的改进STA/LTA算法.该算法能够避免去基线、高通滤波等预处理冗余步骤，在保证算法拾取实时性的同时，提高算法的抗干扰能力、运算速度，减少对MEMS软、硬件资源的占用，具有较强的应用价值.

1 STA/LTA算法基本原理

长短时窗均值比(Short Term Average/Long Term Average，STA/LTA)是一种能量分析法，由Stevenson(1976)提出.其中短时窗平均(Short Term Average，STA)反映瞬时信息水平，长时窗平均(Long Term Average，LTA)反映背景噪声水平，STA/LTA值反映了信号的变化.当比值超过设定阈值时，即可判定该时刻为地震波初至时刻.具体公式为：
$\frac{\operatorname{STA}}{\operatorname{LTA}}(t)=\frac{\operatorname{STA}(t)}{\operatorname{LTA}(t)}=\frac{\frac{1}{N_{\text {sta }}} \sum\limits_{i=1}^{N_{\text {sta }}}|C F(t+i)|}{\frac{1}{N_{\text {lta }}} \sum\limits_{j=1}^{N_{\text {taa }}}|C F(t+j)|}, $
式中，t为采样时刻，Nsta为短时窗的长度，Nlta为长时窗的长度，CF为特征函数.

2 STA/LTA算法参数分析

由STA/LTA算法基本原理可知，该算法通过地震波初至时STA/LTA值达到预设阈值以拾取地震波初至.优化参数可使STA/LTA值曲线的变化幅度增大，从而提高了算法的灵敏度，并减少了对软、硬件资源的占用.本文所有实验仿真均在搭载Intel i5-12400 CPU的计算机上，通过Windows 11操作系统和Matlab (2018b)软件平台进行，分析不同参数对算法性能的影响.

2.1 特征函数分析

特征函数(Allen，1978)是表征地震信号幅值、频率等变化特征的重要参数，能够放大这些特征的变化.选取合适的特征函数有利于提高算法灵敏度，改善地震波初至拾取精度.例如，李昌珑(2013)将地震信号的绝对值作为特征函数，即CF1(i)；刘晗和张建中(2014)将地震信号的平方值作为特征函数，即CF2(i)；Khalqillah等(2018)将地震信号的差分值作为特征函数，即CF3(i)；钟媛等(2021)将平方和差分放大后的地震信号作为特征函数，即CF4(i).具体公式如下：
$C F_1(i)=|Y(i)|, $
$C F_2(i)=Y(i)^2, $
$C F_3(i)=|Y(i)-Y(i-1)|, $
$C F_4(i)=Y(i)^2+[Y(i)-Y(i-1)]^2, $
式中：Y(i)为地震信号，i为采样时刻.
传统特征函数通过平方或差分运算放大信号特征变化，但由于MEMS强震仪的低频特征较差(胡星星等，2013；杨江等，2022)，引入的低频噪声或被这些函数进一步放大，从而干扰STA/LTA算法的拾取效果.为此，本文通过Y(i)衡量当前时窗内噪声水平，Y(i)－Y(i) 反映有效信息变化，构建了抗干扰(Anti-interference，AR)特征函数CF5，如式(6)所示：
$C F_5(i)=[Y(i)-\bar{Y}(i)]^2, $
式中：Y(i)为地震信号，Y(i)为时窗内地震信号均值，i为采样时刻.
以采样频率均为200 Hz的模拟地震信号和真实地震信号为样本，仿真信号存在基线漂移和低频噪声干扰，对以上五种特征函数进行响应特性分析，比较它们拾取地震波初至的灵敏性和抗干扰能力.其中，模拟地震信号时长为8 s，在4 s处幅值或频率特征发生变化.设定STA/LTA算法的短时窗为80个采样点(0.4 s)，长时窗为800个采样点(4 s)，上述不同特征函数拾取结果分别如图 1、图 2所示.
图1 (a) 模拟地震信号；(b)不同特征函数计算相应地震信号的STA/LTA值曲线

Fig 1 (a) Simulate seismic signals; (b) STA/LTA value curves of corresponding seismic signals calculated by different characteristic functions

图2 (a1) 原始地震信号；(a2)存在0.1 Gal基线漂移的模拟地震信号；(a3)存在0.1 Hz低频噪声的模拟地震信号；(b1)(b2)(b3)不同特征函数计算相应地震信号的STA/LTA值曲线

Fig 2 (a1) Original seismic signal; (a2) Simulated seismic signal with a baseline drift of 0.1 Gal; (a3) Simulated seismic signal with 0.1 Hz low-frequency noise; (b1)(b2)(b3) STA/LTA value curves of corresponding seismic records calculated by different characteristic functions

地震信号幅值变化时，包含平方项的特征函数CF2、CF4能够敏锐地捕捉到这一变化，其对应的STA/LTA值曲线变化幅度最大，如图 1a1、b1所示.当地震信号频率进一步变化时，包含差分项的特征函数CF3、CF4的STA/LTA值曲线变化幅度有所增加，如图 1a2、b2所示.说明构建平方项、差分项特征函数分别有利于放大信号幅值、频率的变化.
但当地震信号存在基线漂移或低频噪声干扰时，传统特征函数(除差分项特征函数CF3外)会出现STA/LTA值曲线受抑制以及背景噪声段STA/LTA值曲线明显增大的问题，如图 1a3、b3和图 1a4、b4所示.差分项特征函数CF3虽未受基线漂移和地震噪声干扰，但其放大地震信号特征变化能力有限.相比而言，本文提出的AR特征函数CF5能够在放大地震信号幅值、频率特征变化的同时抑制基线漂移和低频噪声干扰，具有较强的鲁棒性.如图 2所示，真实地震信号示例呈现了相同的规律.
为进一步分析不同特征函数对STA/LTA算法拾取效果的影响，本节以10条采样频率为200 Hz的2021年9月泸县地震信号为样本，采样上述大小时窗，设定触发阈值为5进行实验.特征函数CF2-CF5计算结果如表 1所示，其中，时间偏差为算法拾取初至与人工拾取初至的时间差.
表1 特征函数CF2(i)~CF5(i)的计算结果

Table 1 Calculation results of characteristic functions CF2(i)~CF5(i)

特征函数 数据序号 人工拾取初至/s 算法拾取初至/s 时间偏差/s 平均时间偏差/s 特征函数 数据序号 人工拾取初至/s 算法拾取初至/s 时间偏差/s 平均时间偏差/s
注：“—”表示该阈值下未能拾取任何地震波初至，或拾取结果偏差过大，“阈值过高”表示STA/LTA曲线上没有高于该阈值的点.
CF2 1 306.82 306.835 0.015 0.080 CF3 1 306.82 306.840 0.020 0.061
2 315.51 阈值过高 — 2 315.51 阈值过高 —
3 326.43 326.560 0.130 3 326.43 阈值过高 —
4 351.27 164.320 — 4 351.27 351.305 0.035
5 304.01 304.080 0.070 5 304.01 304.075 0.065
6 359.32 167.295 — 6 359.32 359.440 0.120
7 339.97 340.020 0.050 7 339.97 340.015 0.045
8 351.67 阈值过高 — 8 351.67 阈值过高 —
9 326.82 89.725 — 9 326.82 326.855 0.035
10 322.43 322.565 0.135 10 322.43 322.540 0.110
CF4 1 306.82 306.830 0.010 0.065 CF5 1 306.82 306.830 0.010 0.048
2 315.51 阈值过高 — 2 315.51 315.560 0.050
3 326.43 326.570 0.140 3 326.43 326.545 0.115
4 351.27 351.300 0.030 4 351.27 351.285 0.015
5 304.01 304.075 0.065 5 304.01 304.070 0.060
6 359.32 89.725 — 6 359.32 359.445 0.125
7 339.97 340.015 0.045 7 339.97 340.015 0.045
8 351.67 阈值过高 — 8 351.67 351.695 0.025
9 326.82 326.865 0.045 9 326.82 326.840 0.020
10 322.43 322.550 0.120 10 322.43 322.530 0.010
由表 1可见，包含平方项的特征函数CF2、CF4均存在漏拾取和误拾取情况，拾取正确率较低，分别为50%、70%;差分项特征函数CF3虽然不存在误拾取情况，但漏拾取情况最高，达到了30%;而本文构建的AR特征函数CF5拾取正确率为100%, 并且平均时间偏差为0.048 s，拾取精度最高，反应速度快.
综上所述，传统特征函数在地震信号未经过去基线、高通滤波等预处理的情况下，
无法正常地用于地震波初至拾取，拾取效果差；而本文构建的AR特征函数实时性和抗干扰能力强，提高了STA/LTA算法在MEMS强震仪中的适用性.

2.2 时窗位置分析

早期的传统STA/LTA算法通过设置传统时窗，即短时窗置于长时窗之内，两者共享部分时间序列，导致算法对信号微小变化检测不够敏感；标准STA/LTA算法(Ruud and Husebye, 1992；段建华等，2015)则采用左右时窗布局，通过并列放置长短时窗，无间隔地紧密排列，使短时窗在捕捉瞬时信息变化时，长时窗内信息完全表征背景噪声能量，有效地突出了信号的变化，如式(7)所示；延时STA/LTA算法(Ruud and Husebye, 1992；邱磊，2023)采用延时长窗的方式，即将长时窗置于短时窗左侧并使时窗间保留一段间隔，如式(8)所示.式(7)、(8)为：
$\frac{\operatorname{STA}}{\operatorname{LTA}}(t)=\frac{\operatorname{STA}(t)}{\operatorname{LTA}(t)}=\frac{\frac{1}{N_{\text {sta }}} \sum\limits_{i=1}^{N_{\text {sta }}}|C F(t+i)|}{\frac{1}{N_{\text {lta }}} \sum\limits_{j=1}^{N_{\text {lta }}}\left|C F\left(t+j+N_{\mathrm{sta}}\right)\right|}, $
$\frac{\operatorname{STA}}{\operatorname{DLTA}}(t)=\frac{\operatorname{STA}(t)}{\operatorname{DLTA}(t)}=\frac{\frac{1}{N_{\text {sta }}} \sum\limits_{i=1}^{N_{\text {sta }}}|C F(t+i)|}{\frac{1}{N_{\text {lta }}} \sum\limits_{j=1}^{N_{\text {lta }}}|C F(t+j+d)|}, $
其中，t为采样时刻，Nsta、Nlta分别为短、长时窗的长度，d为延时采样点个数(d>Nsta)，DLTA(t)为延时长时窗平均(Delayed Long Term Average).
实际观察发现，地震波初至时的地震信号包络呈现出不同的变化趋势，可能会对地震事件识别产生影响.本节模拟了地震波初至时的三种典型变化趋势：即振幅突增后保持平稳、振幅突增后衰减以及振幅缓慢上升，并找到了符合这些变化规律的真实地震信号.进一步地，结合地震波初至时的信号包络变化，对比分析了不同时窗位置对STA/LTA算法拾取效果的影响.
分别设定短时窗为80个采样点(0.4 s)，长时窗为800个采样点(4 s)，基于不同时窗位置拾取采样频率均为200 Hz的模拟地震信号和真实地震信号.其中，地震信号相关的实验及其结果如图 3和图 4所示.
图3 (a) 不同包络模拟地震信号；(b)不同时窗位置计算相应地震信号的STA/LTA值曲线

Fig 3 (a)Simulated seismic signals with different envelops; (b)STA/LTA value curves of the corresponding seismic signals are calculated at different window positions

图4 (a) 不同包络真实地震信号；(b)不同时窗位置计算相应地震信号的STA/LTA值曲线

Fig 4 (a) Actual seismic signals with different envelopes; (b) STA/LTA value curves of the corresponding seismic signals are calculated at different window positions

由图 3和图 4可见，不同时窗拾取模拟地震信号与真实地震信号的STA/LTA值曲线呈现出了相同的变化规律.相较于传统STA/LTA算法，采用左右时窗的标准STA/LTA算法拾取地震信号的STA/LTA值曲线幅度有了巨大的提升.在此基础上，采用延时长窗的STA/LTA算法在起始段能与标准STA/LTA算法拾取的STA/LTA值曲线重合，但延时STA/LTA算法所拾取的STA/LTA值曲线更为‘宽’，且在信号包络缓慢上升的情况下，其拾取的STA/LTA曲线幅度又有所提高.
因此，标准STA/LTA算法采用的左右时窗，使短时窗在捕获瞬时信息变化时，长时窗完全表征背景噪声特征，优化了时窗的功能，增强了算法的灵敏性，降低了算法的反应时间；在此基础上，延时STA/LTA算法通过采用延时长窗的方式，增加了长时窗接触瞬时信息变化的时间，延时了长时窗对STA/LTA值曲线变化的抑制作用，可以在减少算法占用MEMS资源的基础上，进一步降低算法的漏拾取率.

2.3 时窗大小分析

STA/LTA算法通过计算短时窗均值(STA)与长时窗均值(LTA)的比值来拾取地震波初至.时窗大小的选取直接影响STA/LTA值曲线的变化趋势，从而影响算法的灵敏度和准确性.本节结合传统时窗和延时长窗，探究不同时窗位置下时窗大小的取值规律.
以上述实际地震信号为样本，设定STA/LTA算法阈值为5，分别固定长时窗大小为80(0.4 s)，设定短时窗为40(0.2 s)、80(0.4 s)和160(0.8 s)；固定短时窗大小为80(0.4 s)，设定长时窗为400 (2 s)、800(4 s)和1600(8 s)，使用传统时窗和延时长窗计算地震信号对应的STA/LTA值曲线并拾取地震波初至，如图 5和表 2所示.
图5 (a) 传统时窗位置下，不同大小长、短时窗拾取地震信号的STA/LTA值曲线；(b)延时长窗位置下，不同大小长、短时窗拾取地震信号的STA/LTA值曲线

Fig 5 (a) STA/LTA value curves of seismic signal are picked up by different sizes of long and short time windows at traditional time window position; (b)STA/LTA value curves of seismic signal are picked up by different sizes of long and short windows at the position of long delayed window

表2 传统时窗和延时长窗位置下不同大小长、短时窗拾取地震波初至结果

Table 2 Arrival results of seismic event are picked up by long and short time windows of different sizes under the traditional time window and the delayed time window position

时窗类型 长时窗/s 短时窗/s 算法拾取初至/s 人工拾取初至/s 时间偏差/s
传统时窗 4.0 0.2 15.010 14.990 0.020
0.4 15.040 0.050
0.8 15.075 0.085
2.0 0.4 15.065 0.075
4.0 15.040 0.050
8.0 15.035 0.045
延时长窗 4.0 0.2 15.010 14.990 0.020
0.4 15.040 0.050
0.8 15.055 0.065
2.0 0.4 15.035 0.045
4.0 15.035 0.045
8.0 15.035 0.045
由图 5和表 2可见，当长时窗固定不变时，短时窗选取越小，算法拾取地震信号的STA/LTA值曲线变化幅度越大，拾取初至越接近于人工拾取结果，时间偏差越小.另外，当短时窗固定不变时，传统时窗位置下，长时窗取值越大，STA/LTA值曲线变化越大，时间偏差越小.而在延时长窗位置下，长时窗选取变化，STA/LTA值曲线几乎完全重合，拾取初至结果完全一致.
因此，选取较小的短时窗能够提高算法检测瞬时信息变化的灵敏性，有利于提升算法的反应速度和拾取精度.但是，如果短时窗选取过小，算法可能会对噪声变化过于敏感，从而容易误拾取.同时，时窗大小选取应该结合时窗位置.在采用传统时窗的情况下，应尽可能选取较大的长时窗，以便长时窗更充分地反映背景噪声水平；在采用延时长窗的情况下，长时窗可适当选取小些，降低算法的运算量，减少对MEMS资源的占用.

3 算法验证

为进一步验证AR特征函数和延时长窗对STA/LTA算法的改进效果，并分析算法在MEMS强震仪中的适用性.本文以采样频率为50 Hz的‘谛听’数据集中随机选取的2763条未经预处理的地震信号为样本，对比分析传统STA/LTA算法(钟媛等，2021)、采用AR特征函数的AR-STA/LTA算法与同时采用AR特征函数、延时长窗的改进STA/LTA算法拾取地震波初至的效果.此外，补充对比偏振分析算法(林建民等，2012)、0.075 Hz巴特沃斯高通滤波后的偏振分析(High-Pass Filtered Polarization Analysis，HPPA)算法、STA/LTA-AIC算法(郭铁龙等，2017).其中，地震记录的震级、SNR和频次分布情况如图 6所示.
图6 选取地震事件的震级、信噪比SNR及地震记录数的分布

Fig 6 Number of earthquakes corresponding to different magnitudes and SNR

设定三种STA/LTA算法和STA/LTA-AIC算法的短时窗为20个采样点(0.4 s)，长时窗为200个采样点(4 s)，AIC算法的固定时窗为STA/LTA算法初步拾取初至前25个采样点(0.5 s)和后10个采样点(0.2 s).针对此组地震记录样本，偏振分析算法和HPPA算法的偏振度计算公式为1－(λ2/λ1+λ3/λ1)，在遍历偏振度阈值后，算法选择最佳偏振度阈值0.85进行实验分析.不同算法拾取地震记录样本的误差分布如图 7所示.
图7 不同算法拾取地震波初至误差分布图

Fig 7 Error distribution of first arrival picks in seismic records using different algorithms

由图 7a可见，传统STA/LTA算法漏拾取情况较多，拾取初至的误差标准差达到了0.201 s，显示出了较大的离散性.引入AR特征函数的AR-STA/LTA算法虽然运算量有所增加，运算耗时从传统STA/LTA算法的10.733 s增加到11.311 s，但漏拾取情况明显减少，离散性大幅收敛，拾取准确率有了显著提高.进一步采用延时长窗的改进STA/LTA算法拾取结果离散性最小，拾取精度得到了进一步提升，误差标准差仅为0.076 s，兼顾了拾取准确性和运算量.
由图 7b可见，偏振分析和HPPA这两种基于三分量地震信号计算偏振度的算法，运算量极大，运算耗时远高于STA/LTA算法，并且漏拾取和误拾取情况多，拾取正确率低.STA/LTA-AIC算法与传统STA/LTA算法初至拾取结果几乎一致，误差标准差有略微减小，但运算量有所增加，运算耗时约增加一半，拾取效率和准确率均不及改进STA/LTA算法.
图 8展示了上述算法拾取10条原始地震记录的具体效果.为了方便展示，原始地震记录经过了归一化处理.由于HPPA算法无法实时拾取，因此没有显示该算法实时性的反应用时色条.
图8 10条归一化垂直向地震记录与不同算法拾取原始地震波初至结果对比图

网状色条两端分别表示人工拾取初至和算法拾取初至结果、纯色色条表示算法反应用时.

Fig 8 Comparison of ten normalized vertical seismic records and the first arrival results of original seismic records picked by different algorithms

The extremities of the mesh color bars represent the manually picked first arrivals and the algorithm-picked first arrivals respectively, while the solid color bars represent the algorithm response times.

由图 8可见，当地震信号发生基线漂移或存在低频噪声干扰时，STA/LTA-AIC算法与传统STA/LTA算法通常会发生漏拾取情况.STA/LTA-AIC算法牺牲了一定的反应时间，大幅提高了初至的拾取精度，但拾取率与传统STA/LTA算法一致，仍然较低.同样地，对比偏振分析算法与HPPA算法拾取结果可知，基线漂移和低频噪声是干扰偏振分析算法正确拾取的重要因素，在地震信号不经过任何预处理的情况下，偏振分析算法很难用于地震波初至实时拾取，算法适用性差.引入AR特征函数的AR-STA/LTA算法拾取精度略逊于STA/LTA-AIC算法，但拾取准确率得到了极大提高，仅在第二道地震记录上发生了漏拾取情况，在第十道地震记录上拾取误差较大；进一步引入延时长窗的改进STA/LTA算法，拾取正确率、拾取精度和反应用时均表现良好.
此外，初至拾取结果的准确性和可靠性对于震级估算具有重要意义.选取上述样本中震级范围为ML3.5~6.9的地震记录.将上述算法拾取误差在0.5 s内的初至视为正确拾取，基于正确拾取的初至结果计算初至后3 s时窗内地震信号的特征周期τc(郝美仙等，2020；Wang et al., 2020)，并由τc值与震级的统计关系分析不同算法进行震级估算的适用性.
由图 9可见，基于初至后有限信息获取的地震预警参数会存在“小震离散，大震饱和”现象.即，对于震级较低的地震，信号弱且噪声大，导致震级估算结果离散性大；而对于震级较大的地震，初至后的有限信号不足以反映真实特征周期，导致震级被低估.
图9 (a)—(f)分别表示传统STA/LTA、AR-STA/LTA、改进STA/LTA、偏振分析、HPPA和STA/LTA-AIC算法计算出的τc值与震级在3 s时窗下的统计关系

红色实线表示线性拟合直线，品红色实线表示一倍标准差.

Fig 9 (a)—(f) Respectively show the statistical relationship between the τc values calculated by the traditional STA/LTA, AR-STA/LTA, improved STA/LTA, polarization analysis, HPPA, and STA/LTA-AIC algorithms and the magnitude within a 3 s window

The red solid line represents the linear fit line, and the magenta solid line represents one standard deviation.

传统STA/LTA、AR-STA/LTA、偏振分析和HPPA算法基于正确拾取初至结果计算出的τc值均存在严重的“大震饱和”现象，与震级拟合直线斜率偏低.其中，偏振分析和HPPA算法对小震事件和大震事件的拾取率分别较低，拟合直线标准差最大或斜率最低.此外，STA/LTA-AIC算法相较于传统STA/LTA算法，在拾取精度提高后，“大震饱和”现象得到了极大缓解.因此，初至拾取正确率和精度是影响震级估算的重要因素.
综上所述，偏振分析和HPPA算法的拾取准确率低、拾取精度不足，且运算量大，无法适用于集成资源有限的MEMS强震仪.STA/LTA-AIC算法实时性较差，虽然相较于传统STA/LTA算法拾取精度有所提升，但拾取正确率仍然较低.本文构建的AR特征函数能够抑制基线漂移和低频噪声的干扰，提高STA/LTA算法的拾取准确率，同时保证了算法的实时性和低运算量.采用延时长窗后，算法的拾取精度得到了进一步提升.改进的STA/LTA算法兼顾了实时性、准确性和低运算量，震级估算效果最佳.

4 结论

针对MEMS强震仪集成软、硬件资源有限且噪声水平较高的问题，本文分析了不同参数下地震信号STA/LTA值曲线的变化规律及STA/LTA算法的拾取效果.研究发现，差分项特征函数仅能反映地震信号的频率变化，而将当前地震记录作为有效信号并构建其平方项特征函数，会放大基线漂移和低频噪声的干扰.此外，传统时窗位置对STA/LTA值曲线变化具有一定的抑制作用，导致STA/LTA算法在拾取效率上存在一定的时滞.基于上述发现，本文提出了一种改进STA/LTA算法，分别通过构建抗干扰(Anti-interference，AR)特征函数与采用“延时长窗”方式来提高算法的拾取效果.
地震资料处理结果证明，相较于其他算法，本文提出的改进STA/LTA算法计算效率高、实时性和抗干扰能力强，更使用于集成资源有限的MEMS强震仪.然而，本文提出的改进STA/LTA算法仅增强了算法抗基线漂移和低频噪声干扰的能力，算法仍易受异常地震动噪声干扰，拾取准确率仍有待进一步提高.在MEMS强震仪集成资源提升后，可考虑联合多种算法，综合地震信号多特征进行地震波初至拾取.

感谢国家地震科学数据中心(https://data.earthquake.cn)提供的数据支持，感谢审稿专家提出的修改意见.

References

Publishing order | Descend order by publishing year | Descend order by cited within
Akaike H. 1973. Information theory and an extension of the maximum likelihood principle. //Proceeding in Second International Symposium on Information Theory. Budapest: Akademiai Kiado, 267-281.

Allen R V . Automatic earthquake recognition and timing from single traces. Bulletin of the Seismological Society of America, 1978, 68 (5): 1521- 1532.

DOI

Cai L , Zhan W W , Wang X , et al. A type of seismic intensity meter based on MEMS accelerometers. Seismological and Geomagnetic Observation and Research, 2014, 35 (1-2): 240- 246.

Chen Y N , Li J , Wang Z J , et al. Quick phase identification for dense seismic array with aid from long term phase records of co-located sparse permanent stations. Earthquake Research Advances, 2020, 34 (3): 328- 342.

Duan J H , Cheng J Y , Wang Y H , et al. Automatic identification technology of microseismic event based on STA/LTA algorithm. Coal Geology & Exploration, 2015, 43 (1): 76- 80. 76-80, 85

DOI

Fu J H , Li Z T , Meng H , et al. Performance evaluation of low-cost seismic sensors for dense earthquake early warning: 2018-2019 field testing in southwest China. Sensors, 2019, 19 (9): 1999

DOI

Guo T L , Zhang X M , Zou L Y . Influence of the STA/LTA-AIC algorithm on the stability of P-wave pickups. Seismological and Geomagnetic Observation and Research, 2017, 38 (3): 13- 17.

DOI

Hao M X , Zhou Y X , Zhang J Z , et al. Application of τc method in the early warning magnitude calculation in inner mongolia region. Earthquake Research in China, 2020, 36 (1): 136- 145.

Hu X X , Teng Y T , Xie F , et al. Research on MEMS velocity seismometer technology. Progress in Geophysics, 2013, 28 (1): 515- 522.

DOI

Hu X X , Gao M T , Teng Y T , et al. Design of ground motion parameters rapid report device. Chinese Journal of Geophysics, 2015, 58 (3): 1024- 1034.

DOI

Jin X , Lin B H , Cai H T , et al. Study on automatic discrimination of seismic phases based on polarization characteristics of air gun signals. Progress in Geophysics, 2021, 36 (1): 8- 18.

DOI

Kang T . Application of MEMS accelerometer in earthquake early warning. Shanxi Architecture, 2018, 44 (25): 39- 41.

DOI

Khalqillah A , Isa M , Muksin U . A GUI based automatic detection of seismic P-wave arrivals by using Short Term Average/Long Term Average (STA/LTA) method. Journal of Physics: Conference Series, 2018, 1116 (3): 032014

DOI

Li C L. 2013. Research and achievement on earthquake intensity monitoring technology based on MEMS accelerometer [Master's thesis](in Chinese). Wuhan: Institute of Seismology, China Earthquake Administration, 18-39.

Li H D , Yang Z S , Yan W . An improved AIC onset-time picking method based on regression convolutional neural network. Mechanical Systems and Signal Processing, 2022, 171: 108867

DOI

Li H L , Zhang H . Comparasion of three microseismic first arrival picking methods, based on ratio of short-term average and long-term average, polarization method and AIC method. Global Geology, 2020, 39 (3): 649- 655. 649-655, 663

DOI

Liang R B , Li M , Liu Z F . Review of MEMS Accelerometers used in seismic monitoring. Shanxi Electronic Technology, 2023, (3): 105- 107.

Lin J M , Yang W , Chen M , et al. The application of polarization analysis in seismic signal detection. Earthquake Research in China, 2012, 28 (2): 133- 143.

DOI

Liu H , Zhang J Z . STA/LTA algorithm analysis and improvement of microseismic signal automatic detection. Progress in Geophysics, 2014, 29 (4): 1708- 1714.

DOI

Liu X M , Zhao J J , Wang Y M , et al. Automatic picking of microseismic events p-wave arrivals based on improved method of STA/LTA. Journal of Northeastern University (Natural Science), 2017, 38 (5): 740- 745.

DOI

Meyer J H. 1988. First comparative results of integral and instantaneous polarization attributes for multicomponent seismic data. Institut Francais Du Petrole, France.

Peng C Y , Zhu X Y , Yan J S , et al. Development of an integrated onsite earthquake early warning system and test deployment in Zhaotong, China. Computers & Geosciences, 2013, 56: 170- 177.

Peng C Y , Chen Y , Chen Q S , et al. A new type of tri-axial accelerometers with high dynamic range MEMS for earthquake early warning. Computers & Geosciences, 2017, 100: 179- 187.

Peng C Y , Jiang P , Chen Q S , et al. Performance evaluation of a dense MEMS-based seismic sensor array deployed in the Sichuan-Yunnan border region for earthquake early warning. Micromachines, 2019, 10 (11): 735

DOI

Qiu L , Li C H . STA/LTA method for picking up the first arrival of natural seismic waves and its improvement analysis. Progress in Geophysics, 2023, 38 (4): 1497- 1506.

DOI

Qiu L. 2023. Research and application of seismic wave recognition algorithm in earthquake early warning [Master's thesis](in Chinese). Langfang: Institute of Disaster Prevention, doi: 10.27899/d.cnki.gfzkj.2023.000021.

Ruud B O , Husebye E S . A new three-component detector and automatic single-station bulletin production. Bulletin of the Seismological Society of America, 1992, 82 (1): 221- 237.

Stevenson P R . Microearthquakes at Flathead Lake, Montana: A study using automatic earthquake processing. Bulletin of the Seismological Society of America, 1976, 66 (1): 61- 80.

DOI

Wang Y , Li S Y , Song J D . Threshold-based evolutionary magnitude estimation for an earthquake early warning system in the Sichuan-Yunnan region, China. Scientific Reports, 2020, 10 (1): 21055

DOI

Yang J , Fan T , Huang W , et al. Development of engineering strong vibration accelerometer based on MEMS sensor. Journal of Natural Disasters, 2022, 31 (4): 181- 189.

DOI

Zhang Q , Fan R X , Wang Z S . An improved method for picking up microseismical P waves for earthquake monitoring by communication signal. Journal of Physics: Conference Series, 2021, 2033: 012045

DOI

Zhong Y , Hu X X , Teng Y T , et al. The applicability analysis of STA/LTA algorithm for MEMS seismic intensity instruments. Journal of Seismological Research, 2021, 44 (2): 208- 215.

蔡 莉 , 占 伟伟 , 王 秀 , 等. 基于微机电加速度计的地震烈度计. 地震地磁观测与研究, 2014, 35 (1-2): 240- 246.

段 建华 , 程 建远 , 王 云宏 , 等. 基于STA/LTA方法的微地震事件自动识别技术. 煤田地质与勘探, 2015, 43 (1): 76- 80. 76-80, 85

DOI

郭 铁龙 , 张 雪梅 , 邹 立晔 . STA/LTA-AIC算法对地震P波震相拾取稳定性影响. 地震地磁观测与研究, 2017, 38 (3): 13- 17.

DOI

郝 美仙 , 周 银兴 , 张 建中 , 等. τc方法在内蒙古地区预警震级计算中的应用. 中国地震, 2020, 36 (1): 136- 145.

胡 星星 , 滕 云田 , 谢 凡 , 等. 基于MEMS传感器的速度型地震计技术研究. 地球物理学进展, 2013, 28 (1): 515- 522.

DOI

胡 星星 , 高 孟潭 , 滕 云田 , 等. 地震动参数速报仪的研制. 地球物理学报, 2015, 58 (3): 1024- 1034.

DOI

金 星 , 林 彬华 , 蔡 辉腾 , 等. 基于气枪信号偏振特征的震相自动判别研究. 地球物理学进展, 2021, 36 (1): 8- 18.

DOI

康 涛 . MEMS加速度计在地震预警中的应用研究. 山西建筑, 2018, 44 (25): 39- 41.

DOI

李昌珑. 2013. 基于MEMS加速度传感器的地震烈度监测技术研究与实现[硕士论文]. 武汉: 中国地震局地震研究所, 18-39.

李 洪丽 , 张 晗 . 基于长短时均值比法、偏振法和AIC法三种微地震初至拾取方法的对比. 世界地质, 2020, 39 (3): 649- 655. 649-655, 663

DOI

梁 若冰 , 李 媚 , 刘 忠富 . MEMS加速度传感器在地震监测中的应用综述. 山西电子技术, 2023, (3): 105- 107.

林 建民 , 杨 微 , 陈 蒙 , 等. 偏振分析在地震信号检测中的应用. 中国地震, 2012, 28 (2): 133- 143.

DOI

刘 晗 , 张 建中 . 微震信号自动检测的STA/LTA算法及其改进分析. 地球物理学进展, 2014, 29 (4): 1708- 1714.

DOI

刘 晓明 , 赵 君杰 , 王 运敏 , 等. 基于改进的STA/LTA方法的微地震P波自动拾取技术. 东北大学学报(自然科学版), 2017, 38 (5): 740- 745.

DOI

邱 磊 , 李 彩华 . STA/LTA方法拾取天然地震波初至及其改进分析. 地球物理学进展, 2023, 38 (4): 1497- 1506.

DOI

邱磊. 2023. 地震预警中地震波识别算法研究及应用[硕士论文]. 廊坊: 防灾科技学院, doi: 10.27899/d.cnki.gfzkj.2023.000021.

杨 江 , 范 涛 , 黄 蔚 , 等. 基于MEMS传感器的工程强震动加速度计研制. 自然灾害学报, 2022, 31 (4): 181- 189.

DOI

钟 媛 , 胡 星星 , 滕 云田 , 等. STA/LTA算法在MEMS烈度计中的适用性分析. 地震研究, 2021, 44 (2): 208- 215.

Options
Outlines

/

〈 〉