Известия Саратовского университета. Новая серия.

Серия Математика. Механика. Информатика

ISSN 1816-9791 (Print)
ISSN 2541-9005 (Online)

Для цитирования:

Бурцев Г. Е., Немирович-Данченко М. М. Описание существующих подходов к автоматизации определения первых вступлений на сейсмических трассах // Известия Саратовского университета. Новая серия. Серия: Математика. Механика. Информатика. 2026. Т. 26, вып. 1. С. 106-131. DOI: 10.18500/1816-9791-2026-26-1-106-131, EDN: RCZMNH

Статья опубликована на условиях лицензии Creative Commons Attribution 4.0 International (CC-BY 4.0).
Опубликована онлайн: 
02.03.2026
Полный текст:
скачать
(downloads: 33)
Язык публикации: 
русский
Рубрика: 
Информатика
Тип статьи: 
Обзорная статья
УДК: 
550.834
DOI: 
10.18500/1816-9791-2026-26-1-106-131
EDN: 
RCZMNH

Описание существующих подходов к автоматизации определения первых вступлений на сейсмических трассах

Авторы: 
Бурцев Григорий Евгеньевич, Томский государственный университет систем управления и радиоэлектроники
Немирович-Данченко Михаил Михайлович, Томский государственный университет систем управления и радиоэлектроники
Аннотация: 

Для обработки зарегистрированных исходных сейсмических сигналов требуется предварительно определить в них моменты времени первых вступлений полезной информации. В статье приводятся сведения обзорного вида о существующих подходах к автоматизации определения первых вступлений волн в сейсмических сигналах, разделяемых данными вступлениями на область шумов-микросейсмов и на область полезных данных. Все описываемые подходы к пикированию вступлений в статье разделены на два вида: с использованием нейронных сетей и классические подходы без нейронных сетей, при этом нейронные сети могут включать в себя  классические подходы. Также с течением времени по мере развития информационных технологий и вычислительной техники установлен рост количества публикаций по теме автоматического обнаружения первых вступлений, в которых используются машинное обучение и нейронные сети. К классическим подходам к пикированию отнесены пороговый алгоритм, $STA/LTA$-алгоритм оценки фрактальной размерности, расчет статистики более высокого порядка, авторегрессионный подход, пикирование с накопительным фильтром, корреляционный подход, алгоритм динамического искривления времени, нечеткая кластеризация. К нейросетевым подходам отнесены полносвязные нейронные сети, нейронные сети Кохонена, сверточные нейронные сети. Краткое описание каждого подхода приводится в тексте статьи с указанием ссылок-источников для получения более подробной информации о подходе при необходимости. В заключении статьи приводится обобщающая схема существующих подходов к автоматическому пикированию первых вступлений с таблицей полученных значений точности пикировок авторами исследований.

Ключевые слова: 
Первые вступления сейсмических волн
автоматическое пикирование первых вступлений
микросейсмы
машинное обучение
нейронные сети
Список источников: 
  1. Souza W. E., Cerqueira A. G., Porsani M. J. First-break prediction in 3-D land seismic data using the dynamic time warping algorithm // Geophysical Journal International. 2024. Vol. 237, iss. 1. P. 402–418. DOI: https://doi.org/10.1093/gji/ggae048
  2. Yin Y., Han L., Zhang P., Lu Z., Shang X. First-break picking of large-offset seismic data based on CNNs with weighted data // Remote Sensing. 2023. Vol. 15, iss. 2. Art. 356. DOI: https://doi.org/10.3390/rs15020356
  3. Trnkoczy A. Understanding and parameter setting of STA/LTA trigger algorithm // New Manual of Seismological Observatory Practice 2 (NMSOP-2) / ed. by P. Bormann. Potsdam : Deutsches GeoForschungsZentrum GFZ, 2012. P. 1–20. DOI: https://doi.org/10.2312/GFZ.NMSOP-2_IS_8.1
  4. Sharma B. K., Kumar A., Murthy V. M. Evaluation of seismic events detection algorithms // Journal of the Geological Society of India. 2010. Vol. 75, iss. 3. P. 533–538. DOI: https://doi.org/10.1007/s12594-010-0042-8
  5. Vassallo M., Satriano C., Lomax A. Automatic picker developments and optimization: A strategy for improving the performances of automatic phase pickers // Seismological Research Letters. 2012. Vol. 83, iss. 3. P. 541–554. DOI: https://doi.org/10.1785/gssrl.83.3.541
  6. Küperkoch L., Meier T., Diehl T. Automated event and phase identification // New Manual of Seismological Observatory Practice 2 (NMSOP-2) / ed. by P. Bormann. Potsdam : Deutsches GeoForschungsZentrum GFZ, 2012. P. 1–52. DOI: https://doi.org/10.2312/GFZ.NMSOP-2_ch16
  7. Li X., Shang X., Wang Z., Dong L., Weng L. Identifying P-phase arrivals with noise: An improved kurtosis method based on DWT and STA/LTA // Journal of Applied Geophysics. 2016. Vol. 133. P. 50–61. DOI: https://doi.org/10.1016/j.jappgeo.2016.07.022
  8. Akram J., Eaton D. W. A review and appraisal of arrival-time picking methods for downhole microseismic data // Geophysics. 2016. Vol. 81, iss. 2. DOI: https://doi.org/10.1190/geo2014-0500.1, EDN: WUPDSV
  9. Shen T., Tuo X., Li H., Liu Y., Rong W. A first arrival picking method of microseismic data based on single time window with window length independent // Journal of Seismology. 2018. Vol. 22, iss. 6. P. 1613–1627. DOI: https://doi.org/10.1007/s10950-018-9789-y
  10. Lomax A., Satriano C., Vassallo M. Automatic picker developments and optimization: FilterPicker-A robust, broadband picker for real-time seismic monitoring and earthquake early warning // Seismological Research Letters. 2012. Vol. 83, iss. 3. P. 531–540. DOI: https://doi.org/10.1785/gssrl.83.3.531
  11. Vaezi Y., Van der Baan M. Comparison of the STA/LTA and power spectral density methods for microseismic event detection // Geophysical Journal International. 2015. Vol. 203, iss. 3. P. 1896-1908. DOI: https://doi.org/10.1093/gji/ggv419
  12. Souza W. E., Manenti R. R., Porsani M. J. Automatic first-breaks picking using linear moveout correction and complex seismic traces // 15th International Congress of the Brazilian Geophysical Society. 2017. P. 1538–1543. DOI: https://doi.org/10.1190/sbgf2017-300
  13. Nippress S. E., Rietbrock A., Heath A. E. Optimized automatic pickers: Application to the ANCORP Data Set // Geophysical Journal International. 2010. Vol. 181, iss. 2. P. 911–925. DOI: https://doi.org/10.1111/j.1365-246X.2010.04531.x
  14. Kuperkoch L., Meier T., Lee J., Friederich W. Automated determination of P-phase arrival times at regional and local distances using higher order statistics // Geophysical Journal International. 2010. Vol. 181, iss. 2. P. 1159–1170. DOI: https://doi.org/10.1111/j.1365-246X.2010.04570.x
  15. Liang Z., Wei J., Zhao J., Liu H., Li B., Shen J., Zheng C. The statistical meaning of kurtosis and its new application to identification of persons based on seismic signals // Sensors. 2008. Vol. 8, iss. 8. P. 5106–5119. DOI: https://doi.org/10.3390/s8085106
  16. Stampa J., Eckel F., Keers H., Lebedev S., Meier T. Automated measurement of Teleseismic P-, SH- and SV-wave arrival times using autoregressive prediction and the instantaneous phase of multicomponent waveforms // Geophysical Journal International. 2024. Vol. 239, iss. 2. P. 936-949. DOI: https://doi.org/10.1093/gji/ggae307
  17. Diehl T., Deichmann N., Kissling E., Husen S. Automatic S-wave picker for local earthquake tomography // Bulletin of the Seismological Society of America. 2009. Vol. 99, iss. 3. P. 1906–1920. DOI: https://doi.org/10.1785/0120080019
  18. Li H., Tuo X., Wang R., Courtois J. A reliable strategy for improving automatic first-arrival picking of high-noise three-component microseismic data // Seismological Research Letters. 2019. Vol. 90, iss. 3. P. 1336–1345. DOI: https://doi.org/10.1785/0220190038
  19. Irnaka T. M., Suryanto W., Wardhani P. W. K. High accuracy automatic phase picking method in earthquake and microearthquake for earthquake early warning system (EEWS) and geothermal f ield in Indonesia // 3rd Jogja International Conference on Physics. 2012.
  20. Ахметсафин Р. Д., Ахметсафина Р. З. Статистические методы оценки времен первых вступ лений по записям волнового акустического каротажа // Каротажник. 2014. Т. 18, вып. 4. С. 54–60. DOI: https://doi.org/10.21455/gr2017.4-5, EDN: SAXANF
  21. Sedlak P., Hirose Y., Enoki M., Sikula J. Arrival time detection in thin multilayer plates on the basis of Akaike information criterion // Journal of Acoustic Emission. 2008. Vol. 26. P. 182–188.
  22. St-Onge A. Akaike information criterion applied to detecting first arrival times on microseismic data // SEG Technical Program Expanded Abstracts. 2011. DOI: https://doi.org/10.1190/1.3627522
  23. Zhou Z., Cheng R., Rui Y., Zhou J., Wang H. An improved automatic picking method for arrival time of acoustic emission signals // IEEE Access. 2019. Vol. 7. P. 75568–75576. DOI: https://doi.org/10.1109/ACCESS.2019.2921650
  24. Judson R. D., Sherwood J. W. Static corrections for seismic traces by cross-correlation method. United States Patent Appl. No.: US00134099A; filed: 1971-04-05; application granted: 1973-05-01; published: 1973-05-01.
  25. Campillo M., Roux P., Shapiro N. M. Seismic, ambient noise correlation // Encyclopedia of Solid Earth Geophysics. Encyclopedia of Earth Sciences Series / ed. by H. K. Gupta. Dordrecht : Springer, 2011. P. 1230–1236. DOI: https://doi.org/10.1007/978-90-481-8702-7_218
  26. Asuero A. G., Sayago A., Gonzalez A. G. The correlation coefficient: An overview // Critical Reviews in Analytical Chemistry. 2006. Vol. 36, iss. 1. P. 41–59. DOI: https://doi.org/10.1080/ 10408340500526766
  27. Molyneux J. B., Schmitt D. R. First-break timing; arrival onset times by direct correlation // Geophysics. 1999. Vol. 64, iss. 5. P. 1492–1501. DOI: https://doi.org/10.1190/1.1444653
  28. Чернышов Г. С., Карпухин В. И. Подход к автоматизации этапов обработки сейсморазведочных данных метода преломленных волн // Геофизические технологии. 2020. Вып. 1. С. 28–39. DOI: https://doi.org/10.18303/2619-1563-2020-1-28, EDN: ZOSFHO
  29. Yu Z., He C., Hou G., Tan Y. Arrival picking and refinement for microseismic events based on waveform cross-correlation // International Geophysical Conference. Beijing, China, 2018. P. 1354-1357. DOI: https://doi.org/10.1190/IGC2018-332
  30. Tan Y., He C. Improved methods for detection and arrival picking of microseismic events with low signal-to-noise ratios // Geophysics. 2016. Vol. 81, iss. 2. P. KS93–KS111. DOI: https://doi.org/10.1190/geo2015-0213.1
  31. Kummerow J. Joint arrival time optimization for microseimic events recorded by seismic borehole arrays // 75th EAGE Conference & Exhibition incorporating SPE EUROPEC. 2013. DOI: https://doi.org/10.3997/2214-4609.20130401
  32. Senin P. Dynamictimewarpingalgorithm review // Information and Computer Science Department University of Hawaii at Manoa Honolulu. 2008. P. 1–23.
  33. Gao L., Jiang Z., Min F. First-arrival travel times picking through sliding windows and fuzzy C-means // Mathematics. 2019. Vol. 7, iss. 3. Art. 221. DOI: https://doi.org/10.3390/math7030221
  34. Bao Y., Lu H., Gao Q. Fuzzy K-means clustering without cluster centroids. arXiv:2404.04940v2 [cs.LG] 7 Nov 2024. 9 p. DOI: https://doi.org/10.48550/arXiv.2404.04940
  35. Al-Augby S., Majewski S., Majewska A., Nermend K. A comparison of K-means and fuzzy C-means clustering methods for a sample of Gulf Cooperation Council Stock Markets // Folia Oeconomica Stetinensia. 2014. Vol. 14, iss. 2. P. 19–36. DOI: https://doi.org/10.1515/foli-2015-0001
  36. Wang D., Tan D., Liu L. Particle swarm optimization algorithm: An overview // Soft Computing. 2017. Vol. 22, iss. 2. P. 387–408. DOI: https://doi.org/10.1007/s00500-016-2474-6
  37. Kahrizi A., Hashemi H. Neuron curve as a tool for performance evaluation of MLP and RBF Architecture in first break picking of seismic data // Journal of Applied Geophysics. 2014. Vol. 108. P. 159–166. DOI: https://doi.org/10.1016/j.jappgeo.2014.06.012
  38. Basheer I. A., Hajmeer M. Artificial neural networks: Fundamentals, computing, design, and application // Journal of Microbiological Methods. 2000. Vol. 43, iss. 1. P. 3–31. DOI: https://doi.org/10.1016/S0167-7012(00)00201-3
  39. LeCun Y., Bengio Y., Hinton G. Deep learning // Nature. 2015. Vol. 521. P. 436–444. DOI: https://doi.org/10.1038/nature14539
  40. Dubey S. R., Singh S. K., Chaudhuri B. B. Activation functions in deep learning: A comprehensive survey and benchmark. arXiv:2109.14545v3 [cs.LG] 28 Jun 2022. 18 p. DOI: https://doi.org/10.48550/arXiv.2109.14545
  41. Feng J., Lu S. Performance analysis of various activation functions in artificial neural networks // Journal of Physics: Conference Series. 2019. Vol. 1237, iss. 2. Art. 022030. DOI: https://doi.org/10.1088/1742-6596/1237/2/022030
  42. Лазаренко М. А., Герасименко О. А., Остапчук Н. Н. Нейросетевая модель поля времен первых вступлений сейсмических волн в Украине // Геофизический журнал. 2016. Т. 38, вып. 1. С. 97–103. DOI: https://doi.org/10.24028/gzh.0203-3100.v38i1.2016.107726, EDN: ZMIZMH
  43. Ilcea Fischetti A., Andrade A. Automatic first break picking in seismic traces by neural network // 6th International Congress of the Brazilian Geophysical Society. 1999. Art. cp-215-00370. DOI: https://doi.org/10.3997/2214-4609-pdb.215.sbgf068
  44. Gentili S., Bragato P. A neural-tree-based system for automatic location of earthquakes in Northeastern Italy // Journal of Seismology. 2006. Vol. 10, iss. 1. P. 73–89. DOI: https://doi.org/10.1007/s10950-005-9001-z
  45. Shen Y.-J., Wang M.-S. Apply neural schemes to deformation objects // ICGST-GVIP Journal. 2005. Vol. 5, iss. 4.
  46. Kajan S., Sekaj I., Lajtman M. Cluster analysis aplications in Matlab using Kohonen network // Institute of Control and Industrial Informatics. 2011. URL: https://www2.humusoft.cz/www/papers/tcp11/060_kajan.pdf (дата обращения: 16.09.2025). 
  47. Приезжев И. И., Иванов П. Д., Гаврилов С. С., Мамаев Д. А., Калинин А. Ю., Стенина Ю. В. Автоматическая пикировка первых вступлений с использованием машинного обучения // Геофизика. 2022. Вып. 1. С. 90–96. DOI: https://doi.org/10.34926/geo.2022.65.65.001, EDN: TAUBKQ
  48. Приезжев И. И., Мамаев Д. А., Стенина Ю. В., Иванов П. Д. Использование элементов машинного обучения для автоматической пикировки первых вступлений // Геомодель 2021 : материалы 23-й конференции по вопросам геологоразведки и разработки месторождений нефти и газа. Москва : ООО «ЕАГЕ Геомодель», 2021. Ст. 114. DOI: https://doi.org/10.3997/2214-4609.202157135, EDN: HNWDZL
  49. Силкин А. М., Багрова И. А., Ревяко А. В. Mpick и ИИ: новые возможности в автоматической пикировке первых вступлений // Приборы и системы разведочной геофизики. 2024. Вып. 3 (82). С. 7–11. EDN: SZGJMI
  50. Wu H., Zhang B., Li F., Liu N. Semiautomatic first-arrival picking of microseismic events by using the pixel-wise convolutional image segmentation method // Geophysics. 2019. Vol. 84, iss. 3. DOI: https://doi.org/10.1190/geo2018-0389.1
  51. Munchmeyer J., Woollam J., Rietbrock A., Tilmann F., Lange D., Bornstein T., Diehl T., Giunchi C., Haslinger F., Jozinovi D., Michelini A., Saul J., Soto H. Which picker fits my data? A quantitative evaluation of deep learning based seismic pickers // Journal of Geophysical Research: Solid Earth. 2022. Vol. 127, iss. 1. DOI: https://doi.org/10.1029/2021JB023499
  52. Johnson S. W., Chambers D. J., Boltz M. S., Koper K. D. Application of a convolutional neural network for seismic phase picking of mining-induced seismicity // Geophysical Journal International. 2020. Vol. 224, iss. 1. P. 230–240. DOI: https://doi.org/10.1093/gji/ggaa449
  53. St-Charles P.-L., Rousseau B., Ghosn J., Nantel J.-P., Bellefleur G., Schetselaar E. A multisurvey dataset and benchmark for first break picking in hard rock seismic exploration // Fourth Workshop on Machine Learning and the Physical Sciences (NeurIPS 2021). 2021. URL: https://ml4physicalsciences.github.io/2021/files/NeurIPS_ML4PS_2021_3.pdf (дата обращения: 16.09.2025). 
  54. Chen Y., Zhang G., Bai M., Zu S., Guan Z., Zhang M. Automatic waveform classification and arrival picking based on convolutional neural network // Earth and Space Science. 2019. Vol. 6, iss. 7. P. 1244–1261. DOI: https://doi.org/10.1029/2018EA000466
  55. Rahman M. S. Understanding accuracy metrics in machine learning models // Daffodil International University. 2024. DOI: https://doi.org/10.13140/RG.2.2.16140.83841
  56. Cali C., Longobardi M. Some mathematical properties of the ROC curve and their applications // Ricerche di Matematica. 2015. Vol. 64, iss. 2. P. 391–402. DOI: https://doi.org/10.1007/s11587-015-0246-8
Поступила в редакцию: 
16.09.2025
Принята к публикации: 
19.12.2025
Опубликована: 
02.03.2026
  • 113 просмотров