基于自适应时窗的矢量分解去噪方法

基于有效信号与噪声的矢量存在差异的特点,发展并形成了一种自适应时窗矢量分解(adaptive time window vector decomposition, ATW-VD)去噪方法。该方法将地震记录瞬时属性引入到时窗系数求解中,根据瞬时属性反映的地震记录特征自适应调节时窗尺度,以平衡不同区域地震记录矢量分解去噪和有效信号振幅保护的能力。将该方法应用于一套含噪声模型地震数据的处理,并与经典的固定时窗矢量分解(fixed time window vector decomposition, FTW-VD)去噪结果进行了比较,验证了方法的正确性和有效性,并将该方法应用于实际地震数据处理中。研究结果表明,该方法能够更加精确地提取地震信号的矢量方向特征,有效利用了有效信号与噪声之间的矢量角度差异压制噪声;在压制空间上无方向特性、延续时间短的噪声时具有较大的优势,特别适用于随机噪声、50 Hz电缆波和尖脉冲等噪声的压制;在保护有效信号振幅、波形等特征的同时可大幅度提高地震资料的信噪比。

常熟市乡村地区外来人口的研究

利用2003-2006年常熟市公安局暂住人口统计数据与常熟市统计年鉴数据,对常熟市乡村地区外来人口进行特征分析。通过SPSS软件分析常熟市乡村地区外来人口空间分布的影响因素,从城市规划角度合理引导外来人口,统筹空间布局。

基于位移窗口自注意力网络和迁移学习的地震面波分离

反射地震资料中的面波也携带了丰富的地质信息,充分利用这类面波解决地质问题的前提条件是将其完整地分离出来。针对现有深度学习方法没有充分利用面波与体波表现在时空域图像中的分布位置和纹理细节等问题,提出一种基于深度学习的地震面波分离方法。通过融合位移窗口自注意力机制和U-net主干网络,构建出面波智能分离网络,并使用数据增广后的模拟数据与实际数据构建面波数据集来提升神经网络的泛化性;在充分利用面波全局数据特征的同时,为避免波场分离过程中的面波损伤问题,提出一种对边界、结构和纹理信息敏感的混合损失函数以进一步提高面波分离的质量。通过数值模拟地震记录测试了本文方法的正确性,进而将该方法应用于实际地震资料处理。研究结果表明,在模拟地震记录训练的模型基础上进行迁移学习,可进一步提升神经网络的泛化性;相较于低通滤波法和去噪卷积神经网络方法,本文方法分离的面波更为完整,能大幅度提高能量混叠区域的面波分离质量。