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

हमारे पैरों के नीचे की ज़मीन शायद ही कभी स्थिर होती है। भले ही हम इसे महसूस न कर सकें, पृथ्वी समुद्र की लहरों, हवा और यातायात तथा निर्माण जैसे मानवीय गतिविधियों की दूरगामी गड़गड़ाहट के कारण एक निरंतर, निम्न-स्तरीय कंपन के साथ गूँजती रहती है। भूकंपविज्ञानी इन मंद झटकों को "माइक्रोट्रेमर्स" (microtremors) कहते हैं। इस पृष्ठभूमि के शोर को ध्यान से सुनकर, वैज्ञानिक बिना एक भी गड्ढा खोदे सतह के नीचे चट्टान और मिट्टी की छिपी हुई परतों का मानचित्रण कर सकते हैं। यह तकनीक, जिसे 'हॉरिजॉन्टल-टू-वर्टिकल स्पेक्ट्रल रेशियो' (Horizontal-to-Vertical Spectral Ratio) विधि कहा जाता है, यह तुलना करके काम करती है कि ज़मीन कितनी अगल-बगल बनाम ऊपर-नीचे हिलती है। इन दोनों गतियों के बीच का अनुपात एक विशिष्ट वक्र (curve) बनाता है जो किसी विशिष्ट स्थल की प्राकृतिक लय, या प्रमुख आवृत्ति (predominant frequency) को प्रकट करता है। यह जानकारी भूकंप-रोधी इमारतों को डिजाइन करने वाले इंजीनियरों के लिए अत्यंत महत्वपूर्ण है, क्योंकि मिट्टी की विभिन्न परतें कंपन को अलग-अलग तरीकों से बढ़ा देती हैं। हालाँकि, यह संकेत नाजुक होता है। क्योंकि पृथ्वी की यह गूँज 'नॉन-स्टेशनरी' (non-stationary) है—जिसका अर्थ है कि यह समय के साथ लगातार बदलती रहती है—और अचानक होने वाले शोर के कारण आसानी से दब सकती है, इसलिए परिणामी वक्र विकृत हो सकते हैं। यदि शोधकर्ता केवल एकत्र किए गए सभी डेटा का औसत निकालते हैं, तो ये विकृतियाँ ज़मीन की वास्तविक लय को छिपा सकती हैं, जिससे सतह के नीचे के मानचित्र गलत हो सकते हैं और संभावित रूप से असुरक्षित इंजीनियरिंग निर्णय लिए जा सकते हैं।

इस समस्या को हल करने के लिए, चीन भूकंप प्रशासन के शोधकर्ताओं डेक्सियांग कोंग, लीजिंग शी और जुनजी हुआंग ने इन मापों को साफ करने का एक नया तरीका विकसित किया है। प्रत्येक प्राप्त डेटा का औसत निकालने के बजाय, जिसमें अक्सर खराब संकेत शामिल होते हैं, उन्होंने एक ऐसी विधि बनाई है जो अंतिम परिणाम की गणना करने से पहले शोर वाले, अविश्वसनीय खंडों की पहचान कर उन्हें स्वचालित रूप से हटा देती है। उनका दृष्टिकोण 'मैट्रिक्स प्रोफाइल' (Matrix Profile) नामक एक गणितीय उपकरण पर आधारित है, जिसे लंबे डेटा अनुक्रमों में पैटर्न खोजने और विसंगतियों का पता लगाने के लिए डिज़ाइन किया गया है। कल्पना कीजिए कि मोतियों की एक लंबी डोरी है जहाँ अधिकांश मोती समान हैं, लेकिन कुछ अलग रंग या आकार के हैं; मैट्रिक्स प्रोफाइल एक स्कैनर की तरह कार्य करता है जो तुरंत विषम मोतियों को उजागर करता है ताकि उन्हें अलग रखा जा सके। इस अध्ययन में, "मोती" भौतिक वस्तुएं नहीं हैं बल्कि माइक्रोट्रेमर रिकॉर्डिंग के लघु समय अंतराल से उत्पन्न स्पेक्ट्रल वक्र हैं। शोधकर्ताओं ने अपने तरीके का परीक्षण तीन अलग-अलग स्तरों के सत्यापन का उपयोग करके किया: सरल गणितीय संकेत, कंप्यूटर-सिम्युलेटेड जमीनी डेटा, और वास्तविक फील्ड साइटों से लिए गए वास्तविक दुनिया के माप।

टीम ने सबसे पहले अपने एल्गोरिदम का परीक्षण आदर्श संकेतों पर किया ताकि यह देखा जा सके कि क्या यह स्वच्छ डेटा और शोर से दूषित डेटा के बीच अंतर कर सकता है। उन्होंने एक स्थिर संकेत का अनुकरण किया और फिर उसमें परिवर्तनशील मात्रा में रैंडम इंटरफेरेंस (random interference) जोड़ा, जो यातायात या औद्योगिक मशीनरी द्वारा माप को बाधित करने के तरीके की नकल करता है। परिणामों ने एक स्पष्ट, सीधा संबंध दिखाया: जैसे-जैसे शोर बढ़ा, एल्गोरिदम का "विसंगति स्कोर" (anomaly score) बिल्कुल उसके साथ तालमेल बिठाते हुए ऊपर गया। इसने सिद्ध किया कि यह विधि बिना यह जाने कि शोर कैसा दिखता है, मात्रात्मक रूप से माप सकती है कि एक विशिष्ट समय अंतराल कितना बाधित हुआ था। इसने सफलतापूर्वक सबसे स्वच्छ खंडों की पहचान की और सबसे अराजक खंडों को चिह्नित किया, भले ही हस्तक्षेप धीरे-धीरे बदला हो या अचानक तीव्र उछाल के रूप में आया हो।

इसके बाद, शोधकर्ताओं ने ज्ञात भूमिगत संरचनाओं पर आधारित कंप्यूटर-जनित माइक्रोट्रेमर डेटा का उपयोग करके अधिक यथार्थवादी परिदृश्य की ओर कदम बढ़ाया। इस सिमुलेशन में, वे साइट की सटीक "वास्तविक" आवृत्ति जानते थे क्योंकि उन्होंने स्वयं मॉडल बनाया था। जब उन्होंने सभी डेटा का औसत निकालने की पारंपरिक विधि का उपयोग किया, तो गणना की गई आवृत्ति 10 प्रतिशत से अधिक गलत थी, और वक्र का आकार विस्तृत और अस्पष्ट था। हालाँकि, जब उन्होंने खराब समय अंतराल को छानने के लिए अपनी नई मैट्रिक्स प्रोफाइल विधि का उपयोग किया, तो त्रुटि घटकर केवल 5.1 प्रतिशत रह गई। परिणामी वक्र बहुत अधिक तीक्ष्ण हो गया और ज्ञात सत्य के साथ निकटता से संरेखित हुआ। इसने प्रदर्शित किया कि यह विधि नॉन-स्टेशनरी शोर के कारण होने वाले विरूपण को प्रभावी ढंग से हटा सकती है, जिससे वास्तविक भूवैज्ञानिक संकेत कहीं अधिक स्पष्टता के साथ उभर कर आता है।

अंत में, टीम ने वास्तविक माइक्रोट्रेमर डेटा का उपयोग करके दो अलग-अलग इंजीनियरिंग साइटों पर इस पद्धति का परीक्षण करने के लिए क्षेत्र में कदम रखा। एक स्थान पर, उनके पास गहरे बोरहोल डेटा तक पहुंच थी, जो एक विश्वसनीय संदर्भ प्रदान करता है कि ज़मीन की वास्तविक प्रतिक्रिया क्या होनी चाहिए। दूसरे स्थान पर, उन्होंने अपने परिणामों की तुलना मजबूत भूकंप रिकॉर्ड से प्राप्त बेंचमार्क से की, जो उस मानक का उपयोग है जब बोरहोल डेटा उपलब्ध नहीं होता है। पहले मामले में, पारंपरिक विधि ने वास्तविक मान से लगभग 18 प्रतिशत कम सटीक परिणाम दिया। मैट्रिक्स प्रोफाइल के साथ डेटा को फिल्टर करने के बाद, परिणामों का फैलाव नाटकीय रूप रूप से कम हो गया, और वक्र सैद्धांतिक मॉडल के बहुत करीब आ गया। दूसरे स्थल पर, जिसमें गहरा ड्रिलिंग डेटा नहीं था, पारंपरिक दृष्टिकोण ने बेंचमार्क से लगभग 25 प्रतिशत अधिक आवृत्ति वाला परिणाम दिया। विसंगत खिड़कियों को हटाकर, नए तरीके ने त्रुटि को 3 प्रतिशत से कम कर दिया, जो इंजीनियरिंग के कड़े मानकों को पूरा करने वाला स्तर है।

अध्ययन निष्कर्ष निकालता है कि यह स्वचालित स्क्रीनिंग प्रक्रिया भूभौतिकी की एक दीर्घकालिक समस्या का एक मजबूत समाधान प्रदान करती है। केवल एक एकल शिखर (peak) को खोजने के बजाय, पूरे फ्रीक्वेंसी रेंज में डेटा के समग्र आकार और निरंतरता पर ध्यान केंद्रित करके, यह विधि सुनिश्चित करती है कि अंतिम विश्लेषण क्षणिक शोर (transient noise) से प्रभावित न हो। इसके लिए किसी मानव विशेषज्ञ के मैनुअल निरीक्षण, स्थानीय भूविज्ञान के पूर्व ज्ञान, या मापदंडों के जटिल ट्यूनिंग की आवश्यकता नहीं है। इसके बजाय, यह शोर से संकेत को अलग करने के लिए पूरी तरह से डेटा की आंतरिक निरंतरता पर निर्भर करता है। यह प्रगति का अर्थ है कि इंजीनियर और भूकंपविज्ञनी अब अधिक विश्वास के साथ माइक्रोट्रेमर डेटा के विशाल मात्रा को संसाधित कर सकते हैं, यह सुनिश्चित करते हुए कि उनके द्वारा बनाए गए मानचित्र पृथ्वी की छिपी हुई परतों के सटीक और विश्वसनीय हों ताकि भूकंपीय खतरों से समुदायों की रक्षा की जा सके।