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

O solo sob nossos pés raramente está imóvel. Mesmo quando não conseguimos senti-lo, a Terra emite um zumbido constante, uma vibração de baixo nível causada pelas ondas oceânicas, pelo vento e pelo estrondo distante da atividade humana, como o tráfego e a construção civil. Os sismólogos chamam esses tremores tênues de "microtremores". Ao ouvir atentamente esse ruído de fundo, os cientistas podem mapear as camadas ocultas de rocha e solo abaixo da superfície sem cavar um único buraco. Esta técnica, conhecida como o método da Razão Espectral Horizontal-Vertical, funciona comparando o quanto o solo oscila lateralmente versus verticalmente. A razão entre esses dois movimentos cria uma curva distinta que revela o ritmo natural, ou frequência predominante, de um local específico. Esta informação é vital para engenheiros que projetam edifícios resistentes a terremotos, pois diferentes camadas de solo amplificam o tremor de maneiras distintas. No entanto, o sinal é frágil. Como o zumbido da Terra é não estacionário — o que significa que muda constantemente ao longo do tempo — e é facilmente abafado por surtos repentinos de ruído, as curvas resultantes podem tornar-se distorcidas. Se os pesquisadores simplesmente calcularem a média de todos os dados coletados, essas distorções podem esconder o ritmo verdadeiro do solo, levando a mapas imprecisos do subsolo e, potencialmente, a decisões de engenharia inseguras.

Para resolver este problema, os pesquisadores Dexiang Kong, Lijing Shi e Junjie Huang, da Administração de Terremotos da China, desenvolveram uma nova maneira de limpar essas medições. Em vez de tirar a média de cada pedaço de dado coletado, que frequentemente inclui sinais ruins, eles criaram um método para identificar e remover automaticamente os segmentos ruidosos e não confiáveis antes de calcular o resultado final. A abordagem deles baseia-se em uma ferramenta matemática chamada Perfil de Matriz (Matrix Profile), que é projetada para encontrar padrões e detectar anomalias em longas sequências de dados. Imagine um longo cordão de contas onde a maioria é idêntica, mas algumas são de cores ou formatos diferentes; o Perfil de Matriz atua como um scanner que destaca instantaneamente as contas estranhas para que possam ser deixadas de lado. Neste estudo, as "contas" não são objetos físicos, mas sim as curvas espectrais geradas a partir de curtos intervalos de tempo de gravações de microtremores. Os pesquisadores testaram seu método usando três níveis diferentes de verificação: sinais matemáticos simples, dados de solo simulados por computador e medições do mundo real coletadas em locais de campo reais.

A equipe primeiro testou seu algoritmo em sinais idealizados para ver se ele poderia distinguir entre dados limpos e dados contaminados por ruído. Eles simularam um sinal constante e depois adicionaram quantidades variáveis de interferência aleatória, imitando a forma como o tráfego ou o maquinário industrial poderiam perturbar uma medição. Os resultados mostraram uma relação clara e direta: à medida que o ruído aumentava, o "escore de anomalia" do algoritmo subia em perfeito sincronismo. Isso provou que o método poderia medir quantitativamente o quanto uma janela de tempo específica foi perturbada, sem precisar saber antecipadamente qual era a aparência do ruído. Ele identificou com sucesso os segmentos mais limpos e sinalizou os mais caóticos, mesmo quando a interferência mudava gradualmente ou aparecia como picos súbitos e agudos.

Em seguida, os pesquisadores passaram para um cenário mais realista usando dados de microtremores gerados por computador baseados em estruturas subterrâneas conhecidas. Nesta simulação, eles sabiam a frequência "verdadeira" exata do local porque construíram o próprio modelo. Quando utilizaram o método tradicional de tirar a média de todos os dados, a frequência calculada divergia em mais de 10 por cento, e a forma da curva era ampla e obscura. No entanto, quando aplicaram o novo método do Perfil de Matriz para filtrar as janelas de tempo ruins, o erro caiu para apenas 5,1 por cento. A curva resultante tornou-se muito mais nítida e alinhou-se de perto com a verdade conhecida. Isso demonstrou que o método poderia eliminar efetivamente a distorção causada pelo ruído não estacionário, permitindo que o verdadeiro sinal geológico emergisse com muito mais clareza.

Finalmente, a equipe levou o método a campo, testando-o em dados de microtremores reais coletados em dois locais de engenharia diferentes. Em um local, eles tiveram acesso a dados de furos profundos, que forneceram uma referência confiável do que deveria ser a resposta real do solo. Em outro local, compararam seus resultados com um parâmetro derivado de registros de terremotos fortes, um padrão utilizado quando os dados de furos profundos não estão disponíveis. No primeiro caso, o método tradicional produziu um resultado que estava quase 18 por cento fora do valor real. Após filtrar os dados com o Perfil de Matriz, a dispersão dos resultados diminuiu dramaticamente, e a curva coincidiu muito mais proximamente com o modelo teórico. No segundo local, que carecia de dados de perfuração profunda, a abordagem tradicional rendeu uma frequência quase 25 por cento superior ao parâmetro de referência. Ao remover as janelas anômalas, o novo método reduziu o erro para menos de 3 por cento, um nível de precisão que atende aos rigorosos padrões de engenharia.

O estudo conclui que este processo de triagem automatizada oferece uma solução robusta para um problema de longa data na geofísica. Ao focar na forma geral e na consistência dos dados em toda a faixa de frequência, em vez de procurar apenas um pico único, o método garante que a análise final não seja enviesada por ruídos transitórios. Ele não requer inspeção manual por um especialista humano, nem conhecimento prévio da geologia local, nem ajuste complexo de parâmetros. Em vez disso, baseia-se inteiramente na consistência interna dos próprios dados para separar o sinal do ruído. Este avanço significa que engenheiros e sismólogos podem agora processar vastas quantidades de dados de microtremores com maior confiança, garantindo que os mapas que criam das camadas ocultas da Terra sejam precisos e confiáveis para proteger as comunidades contra riscos sísmicos.