基于机器学习的微动HVSR数据干扰信号压制方法

韩复兴; 刘水源; 高正辉; 韩江涛; 张涛; 尚浩

doi:10.13278/j.cnki.jjuese.20250194

吉林大学学报(地球科学版) ›› 2025, Vol. 55 ›› Issue (6) : 2153 -2163. DOI: 10.13278/j.cnki.jjuese.20250194

基于机器学习的微动HVSR数据干扰信号压制方法

韩复兴, 刘水源, 高正辉, 韩江涛, 张涛, 尚浩

作者信息 +

Author information +

文章历史 +

PDF

摘要

微动HVSR（horizontal-to-vertical spectral ratio）法是一种高效、非侵入式的地球物理探测手段，广泛用于城市地质调查与工程勘探。然而，行人、车辆等瞬态干扰会导致HVSR曲线畸变。现有瞬态干扰剔除方法存在局限：STA/LTA（short-term-average over long-term-average）法易误判且调参复杂，手动剔除法效率低，频域窗剔除法仅关注峰值频率信息。为此，本文提出一种基于机器学习的微动HVSR数据干扰信号压制方法。首先通过提取曲线形态特征训练曲线剔除模型，用于剔除HVSR数据中显著偏离平均趋势的离群HVSR曲线；随后提取峰值特征训练峰值识别模型，用于识别曲线中的有效共振峰值；最后结合DBSCAN（density-based spatial clustering of applications with noise）聚类算法对识别出的有效峰值进行聚类与二次剔除，去除频率和振幅异常的峰值所在曲线。曲线剔除模型和峰值识别模在测试集上的F₁分数分别为0.967和0.985,均表现出优异的分类性能。实际算例结果表明，本文方法在异常曲线剔除方面相较于STA/LTA法和频域窗剔除法具有更高的稳定性与准确性，处理后的曲线频谱分布更加集中，标准差曲线更加收敛，峰值更加清晰稳定。本文方法在实现高效自动处理的同时，剔除效果与手动剔除法高度一致。