地震信号降噪：STFT与自适应块阈值算法实践

1. 地震信号降噪的挑战与STFT基础

地震信号分析是地球物理勘探和地震监测中的核心环节。原始地震记录中通常混杂着各种噪声，包括环境噪声、仪器噪声和人为干扰等。这些噪声会严重掩盖有效信号，影响后续的地震定位、震相识别和震源机制分析。传统滤波方法（如带通滤波）虽然简单易用，但在处理非平稳信号时往往效果有限。

短时傅里叶变换（STFT）作为时频分析的基本工具，通过将长信号分割为短时窗口进行分析，有效解决了傅里叶变换在非平稳信号处理中的局限性。在地震信号处理中，STFT的窗口选择尤为关键：

• 窗口长度：通常选择0.5-2秒（对应50-200个采样点，假设采样率100Hz），这可以平衡时间分辨率和频率分辨率
• 窗口类型：汉宁窗（Hanning）是最常用选择，因其较好的主瓣宽度和旁瓣衰减特性
• 重叠率：一般设置为50%-75%，可减少窗口边缘效应

MATLAB中实现STFT的标准代码如下：

matlab复制[signal, fs] = audioread('seismic.wav'); % 读取地震信号
window = hann(128); % 汉宁窗
noverlap = 96; % 重叠点数
nfft = 256; % FFT点数
[S, f, t] = spectrogram(signal, window, noverlap, nfft, fs);
imagesc(t, f, 10*log10(abs(S))); % 绘制时频谱
axis xy; colorbar;

2. 自适应块阈值算法的核心思想

传统阈值降噪方法（如硬阈值、软阈值）对时频系数进行逐点处理，忽略了地震信号在时频域的局部相关性。块阈值技术将时频平面划分为多个块（block），以块为单位进行阈值决策，更好地保留信号的连续特征。

自适应块阈值的实现包含三个关键步骤：

2.1 时频块划分策略

采用四叉树结构动态划分时频平面：

1. 初始块大小通常设为8×8或16×16（时间×频率）
2. 计算每个块的L2范数能量：
   $$ E_b = \sqrt{\sum_{(m,n)\in b} |S(m,n)|^2} $$
3. 对能量高于预设阈值的块进行进一步细分，直到达到最小块尺寸限制

2.2 阈值计算模型

采用改进的BayesShrink阈值策略，考虑地震信号的统计特性：

matlab复制function threshold = compute_block_threshold(block)
    % 基于广义高斯分布的参数估计
    sigma_n = median(abs(block(:))) / 0.6745; % 噪声标准差估计
    sigma_x = sqrt(max(0, mean(block(:).^2) - sigma_n^2));
    threshold = sigma_n^2 / sigma_x;
end

2.3 块间相关性处理

引入马尔可夫随机场（MRF）模型考虑相邻块的关系：

matlab复制adjacent_weights = [0.25 0.5 0.25; 0.5 1 0.5; 0.25 0.5 0.25];
smoothed_blocks = conv2(block_energies, adjacent_weights, 'same');

3. MATLAB完整实现与参数优化

3.1 算法实现框架

完整的降噪流程包含以下步骤：

1. STFT分解
2. 时频块自适应划分
3. 块阈值计算与系数收缩
4. 逆STFT重构

核心处理函数如下：

matlab复制function denoised_signal = block_denoise(signal, fs)
    % 参数初始化
    win_len = round(0.1*fs); % 100ms窗口
    window = hann(win_len);
    noverlap = round(0.75*win_len);
    nfft = 2^nextpow2(win_len);
    
    % STFT分解
    [S, f, t] = spectrogram(signal, window, noverlap, nfft, fs);
    
    % 块阈值处理
    S_denoised = block_thresholding(abs(S), angle(S));
    
    % 信号重构
    denoised_signal = istft(S_denoised, window, noverlap, nfft, fs);
end

3.2 关键参数实验对比

通过实际地震数据测试不同参数组合的效果：

3.3 计算效率优化技巧

1. 使用MATLAB的pagefun进行块矩阵并行计算
2. 对STFT系数采用单精度存储
3. 预计算常用窗函数和FFT旋转因子
4. 对平稳段信号进行分段处理

4. 实际地震数据测试与效果评估

4.1 测试数据集

使用USGS公开的P波和S波记录：

• 采样率：100Hz
• 持续时间：30秒
• 信噪比范围：-5dB至15dB
• 包含天然地震和人工爆破信号

4.2 评价指标对比

与传统方法进行定量比较：

4.3 典型处理效果

处理前后的时频面对比显示：

1. 背景噪声（<5Hz）被有效压制
2. P波初至时刻的时频特征保持清晰
3. S波的高频成分得到较好保留
4. 未引入明显的端点效应和伪影

5. 工程应用中的注意事项

5.1 特殊信号处理

对于以下特殊情况需要调整策略：

• 近震信号：缩短窗口长度至0.05s
• 深源地震：增加初始块尺寸至32×32
• 台阵数据：考虑通道间相关性

5.2 常见问题排查

1. 重构信号出现周期性伪影：

   • 检查窗口重叠率是否足够
   • 验证逆STFT的相位处理是否正确

2. 高频有效信号被过度抑制：

   • 调整阈值因子至1.5-2.0范围
   • 检查块划分的最小尺寸设置

3. 计算时间过长：

   • 采用parfor替代循环
   • 使用MATLAB Coder生成Mex函数

5.3 与其他工具的集成

可将核心算法封装为MATLAB App或Python模块：

matlab复制classdef SeismicDenoiser < matlab.apps.AppBase
    properties
        SignalViewer
        ParameterPanel
        ResultAnalyzer
    end
    
    methods
        function applyDenoising(app)
            raw = app.SignalViewer.getData();
            params = app.ParameterPanel.getValues();
            processed = block_denoise(raw, params);
            app.ResultAnalyzer.display(processed);
        end
    end
end

在实际部署中发现，对于连续监测系统，建议预处理阶段采用本文方法，实时阶段结合简化的递归最小二乘滤波，可在保持90%以上降噪效果的同时将计算延迟降低到毫秒级。这种混合策略在多个台站的实际运行中表现出良好的平衡性。