A Matrix Profile Based Time Window Selection Method for Microtremors HVSR measurements

Der Boden unter unseren Füßen ist selten still. Selbst wenn wir es nicht spüren können, summt die Erde mit einer konstanten, niederfrequenten Vibration, die durch Meereswellen, Wind und das ferne Grollen menschlicher Aktivitäten wie Verkehr und Bauarbeiten verursacht wird. Seismologen bezeichnen diese schwachen Erschütterungen als „Mikrotremor“. Durch das sorgfältige Lauschen auf dieses Hintergrundrauschen können Wissenschaftler die verborgenen Schichten von Gestein und Boden unter der Oberfläche kartieren, ohne ein einziges Loch graben zu müssen. Diese Technik, bekannt als die Horizontal-to-Vertical Spectral Ratio-Methode (HVSR), funktioniert, indem sie vergleicht, wie stark der Boden seitlich gegenüber der vertikalen Bewegung schwankt. Das Verhältnis zwischen diesen beiden Bewegungen erzeugt eine ausgeprägte Kurve, die den natürlichen Rhythmus oder die dominante Frequenz eines bestimmten Standorts offenbart. Diese Information ist für Ingenieure, die erdbebensichere Gebäude entwerfen, von entscheidender Bedeutung, da unterschiedliche Bodenschichten das Schütteln auf unterschiedliche Weise verstärken. Das Signal ist jedoch fragil. Da das Summen der Erde nicht-stationär ist – das heißt, es ändert sich ständig über die Zeit – und leicht durch plötzliche Lärmausbrüche überdeckt werden kann, können die resultierenden Kurven verzerrt werden. Wenn Forscher einfach alle gesammelten Daten mitteln, können diese Verzerrungen den wahren Rhythmus des Bodens verbergen, was zu ungenauen Karten des Untergrunds und potenziell unsicheren ingenieurtechnischen Entscheidungen führen kann.

Um dieses Problem zu lösen, haben die Forscher Dexiang Kong, Lijing Shi und Junjie Huang von der China Earthquake Administration eine neue Methode entwickelt, um diese Messungen zu bereinigen. Anstatt jeden gesammelten Datenpunkt zu mitteln, was oft fehlerhafte Signale einschließt, haben sie eine Methode entwickelt, die unzuverlässige, verrauschte Segmente automatisch identifiziert und entfernt, bevor das Endergebnis berechnet wird. Ihr Ansatz stützt sich auf ein mathematisches Werkzeug namens Matrix Profile, das darauf ausgelegt ist, Muster zu finden und Anomalien in langen Datensequenzen aufzusporen. Stellen Sie sich eine lange Schnur aus Perlen vor, bei der die meisten identisch sind, aber einige eine andere Farbe oder Form haben; das Matrix Profile wirkt wie ein Scanner, der die seltsamen Perlen sofort hervorhebt, damit sie beiseitegelegt werden können. In dieser Studie sind die „Perlen“ keine physischen Objekte, sondern die spektralen Kurven, die aus kurzen Zeitfenstern von Mikrotremor-Aufzeichnungen generiert werden. Die Forscher testeten ihre Methode anhand von drei verschiedenen Ebenen der Verifizierung: einfachen mathematischen Signalen, computergestützten Bodendaten und realen Messungen an tatsächlichen Feldstandorten.

Das Team testete seinen Algorithmus zunächst an idealisierten Signalen, um zu sehen, ob er zwischen sauberen Daten und durch Rauschen kontaminierten Daten unterscheiden kann. Sie simulierten ein stetiges Signal und fügten dann variierende Mengen an zufälliger Interferenz hinzu, um die Art und Weise nachzuahmen, wie Verkehr oder Industriemaschinen eine Messung stören könnten. Die Ergebnisse zeigten eine klare, direkte Beziehung: Mit zunehmendem Rauschen stieg der „Anomaliewert“ des Algorithmus in perfekter Übereinstimmung an. Dies bewies, dass die Methode das Ausmaß der Störung eines spezifischen Zeitfensters quantitativ messen konnte, ohne im Voraus wissen zu müssen, wie der Lärm aussieht. Sie identifizierte erfolgreich die saubersten Segmente und markierte die chaotischsten, selbst wenn die Interferenz graduell verlief oder als plötzliche, scharfe Spitzen auftrat.

Als Nächstes wechselten die Forscher zu einem realistischeren Szenario unter Verwendung computergenerierter Mikrotremor-Daten basierend auf bekannten unterirdischen Strukturen. In dieser Simulation kannten sie die exakte „wahre“ Frequenz des Standorts, da sie das Modell selbst erstellt hatten. Als sie die traditionelle Methode der Mittelung aller Daten anwandten, wich die berechnete Frequenz um mehr als 10 Prozent ab, und die Form der Kurve war breit und unklar. Als sie jedoch ihre neue Matrix-Profile-Methode anwandten, um die schlechten Zeitfenster herauszufiltern, sank der Fehler auf nur 5,1 Prozent. Die resultierende Kurve wurde viel schärfer und stimmte eng mit der bekannten Wahrheit überein. Dies demonstrierte, dass die Methode effektiv in der Lage ist, die durch nicht-stationäres Rauschen verursachte Verzerrung zu entfernen, sodass das wahre geologische Signal mit viel größerer Klarheit hervortritt.

Schließlich brachte das Team die Methode in das Feld und testete sie auf realen Mikrotremor-Daten, die an zwei verschiedenen Ingenieursstandorten gesammelt wurden. An einem Standort hatten sie Zugang zu tiefen Bohrlochdaten, die eine zuverlässige Referenz dafür lieferten, wie die wahre Antwort des Bodens aussehen sollte. An einem anderen Standort verglichen sie ihre Ergebnisse mit einem Benchmark, der aus starken Erdbebenaufzeichnungen abgeleitet wurde – ein Standard, der verwendet wird, wenn Bohrlochdaten nicht verfügbar sind. Im ersten Fall lieferte die traditionelle Methode ein Ergebnis, das fast 18 Prozent vom wahren Wert abwich. Nach der Filterung der Daten mit dem Matrix Profile verringerte sich die Streuung der Ergebnisse drastisch, und die Kurve entsprach dem theoretischen Modell viel genauer. Am zweiten Standort, an dem keine tiefen Bohrdaten vorhanden waren, lieferte der traditionelle Ansatz eine Frequenz, die fast 25 Prozent höher war als der Benchmark. Durch das Entfernen der anomalen Fenster senkte die neue Methode den Fehler auf weniger als 3 Prozent – ein Präzisionsniveau, das strengen technischen Standards entspricht.

Die Studie kommt zu dem Schluss, dass dieser automatisierte Screening-Prozess eine robuste Lösung für ein langjähriges Problem in der Geophysik bietet. Indem er sich auf die Gesamtform und die Konsistenz der Daten über den gesamten Frequenzbereich konzentriert, anstatt nur nach einem einzelnen Peak zu suchen, stellt die Methode sicher, dass die endgültige Analyse nicht durch transiente Störungen verzerrt wird. Sie erfordert keine manuelle Inspektion durch einen Experten, kein Vorwissen über die lokale Geologie und keine komplexe Abstimmung von Parametern. Stattdessen beruht sie vollständig auf der internen Konsistenz der Daten selbst, um das Signal vom Rauschen zu trennen. Dieser Fortschritt bedeutet, dass Ingenieure und Seismologen nun große Mengen an Mikrotremor-Daten mit größerer Zuversicht verarbeiten können, um sicherzustellen, dass die von ihnen erstellten Karten der verborgenen Erdschichten genau und zuverlässig sind, um Gemeinschaften vor seismischen Gefahren zu schützen.