.png){kind=icon}
返回
Seismic Event Detection and First Arrival Picking Using Continuous Wavelet Transform and Machine Learning Techniques
.png){kind=icon}
PRE
AI
DOI：10.1007/s13369-025-10121-0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
地震数据解释在理解地下结构方面发挥着关键作用，特别是在石油和天然气勘探、地震监测和地球物理研究等行业中。用于检测地震事件和识别初至波的传统技术通常在处理复杂数据模式和噪声时遇到挑战，导致结果不准确。本研究介绍了一种创新策略，结合连续小波变换与机器学习技术，以提高地震事件检测和初至波识别的准确性和有效性。连续小波变换提供稳健的时间-频率定位，从而改进从地震数据中提取特征，而机器学习算法（如K-means聚类）则自动化数据分割和模式识别。所提出的方法在合成和实际地震数据集上进行了评估。结果表明，连续小波变换与机器学习技术的结合显著提高了初至波拾取的准确性，即使在噪声环境中也超越了传统方法。具体而言，该算法在测试包含高达30%随机噪声的合成数据集时，保持了显著的准确率（82%），而对于涉及Aqaba和Yilmaz炮集的实际数据集，准确率高达92%，凸显了其稳健性和可靠性。这一发展可以改进地震解释实践，促进更高分辨率的地下成像和更可靠的地质建模。
Keyword:
Seismic event detection
First arrival picking
Continuous wavelet transform
Machine learning techniques
Subsurface imaging
期刊
IF:
5.7
论文数:
4.9K
被引数:
1.1W
机构
引用论文
分享收藏Deep-Learning-Based Seismic-Signal P-Wave First-Arrival Picking Detection Using Spectrogram Images基于深度学习的地震信号P波初至拾取检测：利用频谱图图像.png)
Electronics
OAAI
ElectronicsIF0
OAAI分享收藏An integrated approach for understanding global earthquake patterns and enhancing seismic risk assessment一种综合方法用于理解全球地震模式并提升地震风险评估OAAI
OAAI分享收藏
查看更多内容