Abstract

本文提出了一种新型的自动化工具，旨在提高大规模地震数据集的分析效率与客观性。

1. 自动化XKS分裂分析工具的创新

对SplitRacer工具箱（基于MATLAB）进行扩展，使其能够自动化整个XKS分裂分析过程。包含以下功能：

2. 大规模数据集的处理与应用

本文所介绍的自动化工具特别适用于这种大规模的数据集。通过在USArray数据集（包含约1900个站点，数据时间跨度为2至15年）上进行测试，研究团队验证了该方法的有效性，并发现自动分析能够较为准确地重现以往研究中的结果。由于自动化工具能够处理更多的数据点，并且包含了空测量结果，它在统计上能够提供更为有力的证据，进一步验证了XKS分裂分析的有效性。

3. 对地幔流动与地球深层结构的洞察

XKS分裂方法常被用来研究地幔的流动和变形过程，尤其是通过剪切波分裂反映地幔中矿物（如橄榄石）的晶体学优选取向（CPO）。这种优选取向与地幔流动密切相关，因此XKS分裂成为研究地球深层流动机制的重要工具。通过引入自动化分析，本文提供了一种更为精确且高效的方式来分析这些地震数据，从而帮助科学家更好地理解地幔的动力学过程。

1.Introduction

在现代地震学中，地震各向异性被广泛用于研究地球深层的复杂结构和内部过程，尤其是与变形过程和深层结构特性密切相关。内在各向异性矿物（如橄榄石）能够沿应变方向排列，这种排列在地幔中产生大尺度特征，并为研究地球内部的变形过程提供了重要线索。

剪切波分裂分析

剪切波分裂是地震各向异性的最显著表现之一，分裂波的极化方向与地幔矿物的优选取向平行，滞后时间（分裂时间）则与各向异性的强度和分布范围成正比。分析这些分裂波通常依赖于核心-地幔转换的S波（如PKS、SKS等）进行研究，这些波相经过核心-地幔边界转换后，表现出径向极化特征。

常用分析方法

自动化与半自动化分析

有许多软件工具可用于处理XKS波相的剪切波分裂分析，包括手动、半自动化和自动化处理的方法（如Reiss和Rümpker 2017；Silver和Chan 1991）。这些工具的关键任务包括选择合适的波相和时间窗口，以及分类分析结果。

1. SplitLab分析工具

SplitLab（Wüstefeld等，2008）是最广泛使用的远震剪切波分裂分析工具，提供了MATLAB环境中的图形用户界面（GUI）。该工具最初是手动操作的，但后来作者引入了两种独立分析方法结果的比较，用以估计测量质量（Wüstefeld等，2010）。SplitLab的最新扩展还支持通过叠加单独的误差面，联合分析不同事件的分裂数据，这样可以稳定单层各向异性的反演结果（Grund 2017）。

2. 窗口选择方法

**Walther等（2014）**提出了一种窗口选择程序，通过fk分析来识别核心-地幔转换波相的起始点。然后，从不同长度的滑动窗口中选择最佳窗口，适用于多个滤波器的分析。

3. 基于弹性张量的模型分析

**Walker和Wookey（2012）**开发了一种基于MATLAB的工具箱，用于在两个各向异性层中建模剪切波分裂。这种方法允许考虑倾斜对称轴和更真实的各向异性矿物特性。然而，分裂参数需要单独推导，并可以与模型结果进行比较。

4. 本地S波分裂分析的挑战

将分裂分析应用于本地S波时，会面临更多挑战，特别是由于震源机制和频率内容的影响，极化方向不确定（与远震事件相比）。**Teanby等（2004）**提出了一种集群搜索方法，通过随机应用不同长度的时间窗口来自动化窗口选择并提高客观性。

5. 自动化的本地事件分析

**Savage等（2010）**提出了一种自动化流程，仅需手动选择S波相位。窗口选择方法基于Teanby等（2004）的方案，窗口长度依赖于事件的主频率。同时，他们提出了分裂结果的质量评估方法，主要通过结果的统计散布，或基于误差面形状的稳定性来评估。大多数空测量（null-measurements）会在集群比较中被舍弃，但剩余的空测量通过另一个标准进行识别，比较极化方向和快速轴方向。

6. 结合手动与自动化分析

**Spingos等（2020）**的最新研究结合了手动和自动化程序，通过Python的用户友好图形界面，分析本地地震的剪切波分裂。

7. SplitRacer工具的自动化

本文的核心在于自动化SplitRacer工具（Reiss和Rümpker 2017）。该工具结合了用户友好的界面，并允许用户根据具体需求调整处理和分析标准。结合时频分析和时间窗口的随机变化，来选择最优的分析窗口。同时，使用分裂强度法来识别空测量，进一步通过描述能量最小化技术稳定性和质量的参数来确定质量标准（Silver和Chan 1991）。

2.Method

2.1 Summary SplitRacer

 专门用于处理地震数据中的剪切波分裂（shear wave splitting），并且通过用户友好的图形界面（GUI）能够高效、直观地进行数据分析。该软件支持从 FDSN（国际地震数据网络）服务下载数据，方便用户获取不同来源的地震数据进行进一步分析

1. 预处理与数据清洗

SplitRacer 的预处理过程分为三个关键步骤：

2. 质量检查与手动干预

在质量检查阶段，用户需要手动检查自动选择的时间窗口，并根据需要进行修改。这个环节的手动干预确保了自动化处理结果的准确性，避免了数据异常或自动化处理错误导致的偏差。此外，SplitRacer 还能够计算 传感器失调，通过长周期粒子运动的分析来修正传感器的潜在误差（Rümpker 和 Silver，1998），进一步提高分析结果的准确性。

3. 剪切波分裂分析

剩余的数据通过横向能量最小化方法（Silver 和 Chan，1991）进行分析。这种方法通过最小化横向能量来估算分裂时间和快速极化方向，从而有效地提取剪切波的分裂特征。分析过程会对多个随机选择的时间窗口进行重复，确保结果的稳定性和准确性。

分裂时间和极化方向的推导基于堆叠的横向能量网格的最小值，而误差则根据**Walsh等（2013）**提出的方法进行计算，从而提供更为准确的误差估计。

4. 手动评估与质量分类

分析完成后，用户需要手动评估修正各向异性效应前后的波形，并对结果进行质量分类。结果被分为四类：null（空测量）、good（好）、average（中等）或poor（差）。这一阶段的手动评估为自动化结果提供了可靠的验证和调整机制，确保分析的质量和精确度。

5. 单层与双层模型拟合

SplitRacer 还提供了单层和双层模型的拟合功能，帮助地震学家更深入地分析地震波在不同介质中的传播特性。通过拟合不同的模型，用户可以更加全面地理解地下结构的各向异性特征。

6. 联合分裂分析

为了提高结果的可靠性，SplitRacer 支持联合分裂分析。通过同时对所有事件进行分裂分析，并将所有事件的误差面值进行汇总，可以抑制单一测量的误差，融合不同事件的模糊性。这种方法能够提高分析结果的稳定性，并允许在构建模型时包括null测量结果。

7. 适用性验证与对比

为了验证自动化方法的有效性，SplitRacer 被应用于USArray数据集（可移动阵列，TA），并与以往的研究结果进行了对比（如Liu 2009；Refayee等，2014；Yang等，2014，2017；Liu等，2014；Liu 和 Gao，2013）。这一验证展示了SplitRacer在大规模地震数据分析中的强大功能，并表明其自动化分析能够与传统方法得到一致的结果。

自动化功能：
  数据预处理：自动进行数据缺失检查、传播时间计算和信噪比（SNR）计算，剔除不符合质量标准的数据。
  时间窗口选择：通过随机选择时间窗口来优化分裂分析，减少了用户手动选择时间窗口的工作量。
  分裂分析：自动使用横向能量最小化方法进行分裂分析，计算快速极化方向和分裂时间。
  误差计算：通过堆叠横向能量网格来推导分裂时间和极化方向，并自动计算误差。
手动干预：
  质量检查与调整：尽管大部分分析过程自动化，用户仍然需要手动检查和修改自动选择的时间窗口，确保其适合用于分裂分析。
  波形评估与质量分类：用户需要评估修正前后的波形，并根据结果的稳定性和精度将其分类为“null”、“good”、“average”或“poor”。
  联合分裂分析：尽管自动化可以对多个事件进行分裂分析，但用户仍需进行必要的质量评估和决策，尤其是当处理空测量（null measurements）时。
转载请注明出处