高噪声时域数据融合的大地电磁去噪方法.docxVIP

高噪声时域数据融合的大地电磁去噪方法 1 传统数据处理方法 地球磁体成像（m）是一种研究自然磁体传播规律的勘探方法，采用了研究自然磁体结构的传播规律（cagnetic533）。在该方法开始时，由于缺乏小型自然现场信号的高精度采集技术的限制，发展缓慢。20世纪90年代，随着科学技术的快速发展，mt设备得到了很大发展（魏文博，2002）。目前，mt已成为研究区域的断层结构（谢成良等，2012）、运动运动（wetal.，2001；bai等人，2010）、板块结构和大陆动力学（金胜等，2012；张天佑等，2012）和其他重要的地球物理方法之一。 通常认为大地电磁测深的高频信号主要来自于雷电等中高空天气活动，低频则来自太阳风与地球磁层的相互作用，这些场源距地球很远；当它传播到达地球表面时，可以认为基本满足平面波场的理论条件，而其他不满足平面波场条件的电磁场信号，则是MT的干扰噪声（Junge,1996）．实际上，大地电磁测深（MT）的实测数据必然包含了大地电磁场信号和噪声．因此，如何从受干扰的信号中求取精确的MT阻抗张量是通过大地电磁测深数据反演获取较准确的地下介质电性结构模型的关键．尽管最小二乘法可以有效去除高斯随机噪声；但对于实测数据而言，噪声却往往是非高斯分布的情况，因而利用常规的最小二乘算法通常很难得到理想的结果．为此，1986年Egbert和Booker在最小二乘法的基础上提出了Robust估计．Robust的实质是离差加权估计，在统计过程中对离差大的数据给予较小的权，离差小的数据给予较大的权，从而使曲线连续圆滑，剔除“飞点”，但对输入端的磁场噪声无能为力．1978年Gamble等提出远参考技术，基于一定距离内同步信号相关而噪声不相关的原理，抑制不相关噪声，得到阻抗的无偏估计．随着卫星同步采集技术的成熟，远参考技术得到了广泛应用，该方法对不相关的磁场噪声抑制效果明显，但会增大误差棒（Gamble et al.,1979b）；实际应用中我们发现，对于电场噪声和低频噪声的处理效果不佳，还存在参考距的影响等问题（Shalivahan and Bhattacharya,2002）．加拿大PHEONIX公司的处理系统，通过人工挑选，删除受干扰时段的功率谱，提高MT响应数据的质量，但处理过程非常耗时，处理人员须具有一定经验．随着我国工业化进程日益加快，人文电磁噪声对大地电磁场的干扰日趋严重；在某些经济发达地区，微弱的MT信号几乎被强干扰噪声淹没（汤井田等，2012b），尤其当MT电场信号受到强相关噪声的干扰时，传统的MT数据处理方法得不到令人满意的处理结果． 在传统MT信号处理方法中，时频转换是以傅里叶变换（FFT）为基础的技术，而FFT主要用于对“平稳信号”的变换；但MT信号具有较强的“非平稳性”，针对MT信号非平稳性的特点（王书明和王家映，2004），近些年来，更多处理“非平稳”信号的方法被引入到MT数据处理中，如小波变换（Wavelet）、希尔伯特-黄变换（HHT）和广义S变换．小波变换的优点在于对信号局部特征的分析，可以有效抑制随机噪声和局部相关噪声，但小波变换的处理效果依赖于母波的选取（徐义贤和王家映，2000;Daniel and Travassos,2000).HHT的优点是自适应性和时频分析能力，其最小二乘法处理结果与FFT经Robust估计的结果相当，显示出了优越的噪声处理潜力（Chen et al.,2012），缺点在于对信号进行经验模态分解时，窗口的首尾端会引入误差，而且分解速度慢，实用性不强（蔡剑华，2010）．广义S变换是一种优于小波变换的时频分析方法，在时频谱中分析噪声，可以改善低频段数据质量，但窗函数易引起边缘效应（景建恩等，2012). 在时域中对时间序列进行预处理，直接滤除强干扰噪声，可以防止短时间的强干扰噪声影响到频域中的多个频点甚至整个频带的信号质量．时域大地电磁场的噪声处理方法主要有：人工神经网络滤波、Kalman滤波、经验模态分解（EMD）、形态滤波以及IARWR．人工神经网络滤波利用神经网络的学习和自适应功能，对数据进行分类，区分噪声与信号，分类的正确性与训练网络时的输入信号和噪声特征息息相关，该方法只能去除特征固定的噪声（Manoj and Nagarajan,2003).Kalman滤波的优点是可以去除不相关的脉冲噪声（Andrzej et al.,2009），实践过程中我们发现，过程噪声和测量噪声的协方差难以确定．EMD可以按频率高低自适应地分解复杂的非平稳信号，去除频率固定的噪声，如工频干扰，但对于频率成分复杂的噪声，阀值的设定往往难以把握，分解速度慢，实用性不强（蔡剑华，2010）．形态滤波可以有效提取MT信号中的基线漂移和大尺度强干扰噪声，计算速度快，但依赖于结构元素形态和大小的选