23/6/2020 Selección automática de datos pasivos en el dominio del tiempo para obtener imágenes de ondas superficiales cercanas a la superficie

Página 1

Vea discusiones, estadísticas y perfiles de autor para esta publicación en: https://www.researchgate.net/publication/330995699

Selección automática de datos pasivos en el dominio del tiempo para obtener imágenes cerca de la superficie
ondas superficiales

Artículo en Journal of Applied Geophysics · Febrero de 2019

DOI: 10.1016 / j.jappgeo.2018.12.018

Citas LEA

3 288

6 autores , que incluyen:

Jingyin Pang Feng Cheng

Universidad de Zhejiang Universidad del arroz

6 PUBLICACIONES 14 CITACIONES 31 PUBLICACIONES 143 CITACIONES

VER EL PERFIL VER EL PERFIL

Chao Shen Tianyu Dai

Universidad de China Jiliang Universidad China de Geociencias

23 PUBLICACIONES 166 CITACIONES 4 PUBLICACIONES 9 CITACIONES

VER EL PERFIL VER EL PERFIL

Algunos de los autores de esta publicación también están trabajando en estos proyectos relacionados:

Análisis de dispersión de ondas finitas, topografía, ondas de Rayleigh Ver proyecto

ondas superficiales Ver proyecto

https://translate.googleusercontent.com/translate_f 1/11
23/6/2020 Selección automática de datos pasivos en el dominio del tiempo para obtener imágenes de ondas superficiales cercanas a la superficie

Todo el contenido que sigue a esta página fue subido por Jingyin Pang el 11 de julio de 2019.

El usuario ha solicitado la mejora del archivo descargado.

Página 2
Journal of Applied Geophysics 162 (2019) 108–117

Listas de contenidos disponibles en ScienceDirect

Revista de Geofísica Aplicada

página de inicio de la revista: www.elsevier.com/locate/jappgeo

Selección automática de datos pasivos en el dominio del tiempo para imágenes

ondas superficiales cercanas a la superficie
Jingyin Pang a, Feng Cheng a, , Chao Shen b , Tianyu Dai a, Ling Ning a , Kai Zhang c
un subsuperficial imágenes y de laboratorio de detección, Instituto de Geofísica y Geomática, Universidad China de Ciencias de la Tierra, 388 Lumo Rd., Wuhan, Hubei 430074, China
b Escuela de Ingeniería de Medición y Pruebas, Universidad Jiliang de China, Calle Xueyuan 258, Hangzhou, Zhejiang 310018, China
c Instituto de Exploración Geofísica y Geoquímica, Academia China de Ciencias Geológicas, Langfang, Hebei 065000, China

información del artículo resumen

Historia del articulo: El método de onda de superficie pasiva, como complemento válido del método de levantamiento activo para la obtención de imágenes más profundas,
Recibido el 12 de octubre de 2018 ha ganado cada vez más atención por parte de geofísicos y comunidades de ingeniería civil, particularmente en áreas urbanas
Recibido en forma revisada el 19 de diciembre de 2018
Plicaciones El análisis multicanal de ondas de superficie pasivas (MAPS), como método desarrollado recientemente, comprende
Aceptado el 24 de diciembre de 2018
bines interferometría sísmica y análisis multicanal de ondas de superficie y muestra un alto potencial en
Disponible en línea el 06 de febrero de 2019
extracción de energía de ondas superficiales de alta frecuencia en el entorno urbano. La fuente-distribución desconocida de
Sin embargo, el ruido ambiental y el complicado entorno antropogénico dificultan la obtención de
Palabras clave:
Ondas pasivas de superficie Imágenes de dispersión de calidad de ondas de superficie pasivas. Propusimos una técnica de selección de datos en el dominio del tiempo.

Selección de datos para el apilamiento selectivo de correlaciones cruzadas y lo aplicó para mejorar el método MAPS. El propuesto
MAPAS La técnica clasifica los segmentos de tiempo con el factor de relación causal-causal definido y detecta automáticamente
Correlaciones cruzadas Los segmentos de tiempo óptimos con la relación señal / ruido (SNR) más alta. Tres aplicaciones del mundo real.
SNR han demostrado la viabilidad de la técnica de selección de datos propuesta. Los resultados indicaron que nuestro
El método puede preservar los segmentos de tiempo con señales coherentes y rechazar los segmentos de tiempo contaminados
por fuentes de ruido no estacionarias y / o alias espacial. En comparación con el método MAPS convencional, el
uno mejorado puede ampliar la banda de frecuencia de ondas de superficie interesada y difuminar la imagen medida de distorsión
energía de persion. Finalmente, discutimos la influencia del parámetro de ventana de velocidad para el cálculo de SNR en el
rendimiento de la técnica propuesta, y sugirió que la ventana de velocidad debería ser apropiada
de ancho para garantizar la precisión de las imágenes de ondas de superficie.
© 2019 Elsevier BV Todos los derechos reservados.

1. Introducción
En las últimas décadas, el método de ondas de superficie de alta frecuencia
se ha convertido en una herramienta eficiente para obtener velocidad de onda cortante cerca de la superficie
estructura invirtiendo curvas de dispersión (Song et al., 1989; Park y col.
1999 ; Xia et al., 1999, 2003, 2009, 2012 ). En cuanto a la encuesta activa, dispersión
las curvas están determinadas por transformaciones matemáticas como la
cambio de fase (Park et al., 1998) o la descomposición de frecuencia y
apilamiento inclinado ( Xia et al., 2007; Shen et al., 2015) Onda de superficie activa
Sin embargo, la encuesta no pudo satisfacer la creciente demanda del aumento de
profundidad de vestigio (varias decenas o cientos de metros). Para lidiar con esto
problema, el método pasivo de ondas superficiales se ha desarrollado rápidamente
y cada vez más atenciones obtenidas de geofísicos y ingenieros civiles
comunidades cercanas, especialmente en aplicaciones urbanas. Debido a la in
cantidad cada vez mayor de ruido generado por actividades humanas como
tráfico de vehículos y la presencia de actividad microsísmica como mareas
Autor correspondiente.
Dirección de correo electrónico: marscfeng@cug.edu.cn (F. Cheng).
movimiento dentro del suelo, las ondas de superficie pasivas son generalmente de
naturaleza de baja frecuencia con longitudes de onda que van desde varios kilómetros
Ters a unas pocas decenas o cientos de metros ( Okada, 2003) En urbano
áreas, el ruido del tráfico es sin duda considerado como una fuente ideal para recuperar
ondas superficiales ( Park et al., 2004 ; Nakata et al., 2011; Behm et al., 2014 ;
Quiros et al., 2016; Cheng et al., 2018d ).
Los orígenes de los métodos pasivos de ondas de superficie se remontan a
trabajo pionero de Aki (1957) quien propuso una técnica innovadora
por la inversión de curvas de autocorrelación espacial utilizando sísmica
registros de ruido para determinar las estructuras de velocidad del subsuelo. Pero el regu-
A la geometría lar (circular o triangular) del conjunto sísmico le resulta difícil
ser aplicado a entornos urbanos complejos. Louie (2001) presentó el
técnica de microtremor de refracción (ReMi) que se puede implementar
con la matriz convencional de receptores lineales 1-D. Indica que la dis-
La curva de persion de las ondas de superficie se puede recoger a lo largo de la velocidad mas baja
Envuelva en las imágenes de energía de dispersión. Park y col. (2004, 2008) introducción
condujo tres esquemas de imágenes de dispersión para adaptarse a diferentes formas de prop
agitación incluyendo plano en línea, plano fuera de línea y cilíndrico fuera de línea para
Ondas de superficie pasivas en carretera.

https://translate.googleusercontent.com/translate_f 2/11
23/6/2020 Selección automática de datos pasivos en el dominio del tiempo para obtener imágenes de ondas superficiales cercanas a la superficie
https://doi.org/10.1016/j.jappgeo.2018.12.018
0926-9851 / © 2019 Elsevier BV Todos los derechos reservados.

Página 3
J. Pang y col. / Journal of Applied geofísica 162 (2019) 108 - 117 109

Fig. 1. Representación esquemática de la técnica de selección de datos propuesta para imágenes pasivas de ondas de superficie.

Claerbout (1968) demostró que la autocorrelación de una sísmica
grabar en la superficie libre transmitida desde el fondo de una horizontal
el medio en capas es equivalente al registro sísmico de desplazamiento cero. Esta
idea sienta las bases teóricas de la correlación cruzada de ruido ambiental
técnica (Wapenaar, 2003; Schuster et al., 2004 ; Wapenaar y col.
2010) Weaver y Lobkis (2001) demostraron que la función de Green puede ser
medido a partir de las propiedades de correlación de campos difusos en laboratorio
Experimentos con ruido ultrasónico y térmico. Después, muchos ...
estudios ortográficos y aplicaciones de campo también muestran que la correlación cruzada
ción de campos de onda difusos puede extraer la función de Green entre
receptores (Campillo y Paul, 2003; Sabra et al., 2005; Shapiro y col.
2005 ; Wapenaar y Fokkema, 2006; Halliday y Curtis, 2008 ;
Snieder et al., 2009 ; Cheng et al., 2018a) Cheng y col. (2015) propuesto
un nuevo método sísmico pasivo basado en interferometría sísmica y
análisis multicanal de ondas superficiales (MASW) para obtener cerca de la superficie
estructuras de velocidad. Considerando los efectos azimutales y el alias espacial de
fuentes de ruido direccional, Cheng et al. (2016) presentó multicanal
Análisis de ondas de superficie pasivas (MAPAS) basado en una secuencia de ruido larga
correlaciones cruzadas para levantamientos urbanos de ondas superficiales. Xia y col. (2017)
demostró las ventajas de MAPS en el entorno urbano y sugirió
Gestionó que MAPS podría usarse para obtener imágenes de forma precisa y rápida del
energía de dispersión de ondas superficiales, incluso por solo unos minutos de ruido
grabaciones
Sin embargo, es difícil obtener correlaciones cruzadas de alta calidad y /
o curvas de dispersión confiables de ondas superficiales debido a lo desconocido
fuente de distribución del ruido ambiental y el complejo antropogénico
ambiente. Varias técnicas como la descomposición de valores singulares
(Melo et al., 2013; Moreau et al., 2017) y apilamiento ponderado
(Schimmel y Paulssen, 1997; Thurber et al., 2014 ; Dou et al., 2017 )
se utilizaron para mejorar la relación señal-ruido (SNR) de la correlación cruzada
funciones de la sección Groos y col. (2012) emplearon una selección de datos en el dominio del tiempo
técnica basada en el dominio del tiempo de preservación de la forma de onda
normalizaciones para reemplazar la normalización temporal no lineal pero
no para mejorar la SNR de las funciones de correlación cruzada. Xu y col. (2017)
declaró un artefacto llamado "cruzado" que contaminaría el
Imagen de energía de dispersión a altas frecuencias (N10 Hz) para pasivo

https://translate.googleusercontent.com/translate_f 3/11
23/6/2020 Selección automática de datos pasivos en el dominio del tiempo para obtener imágenes de ondas superficiales cercanas a la superficie

Página 4
110 J. Pang y col. / Journal of Applied geofísica 162 (2019) 108 - 117

Fig. 2. (a) Diseño para el estudio pasivo de ondas de superficie en el ejemplo de Changsha. La alineación se colocó en el cinturón verde, con un intervalo de 5 metros. (b) Datos pasivos registrados durante aproximadamente 17 minutos
a lo largo de una carretera en la ciudad de Changsha. (Para la interpretación de las referencias al color en esta leyenda de la figura, se remite al lector a la versión web de este artículo).

levantamiento de ondas de superficie en mediciones ReMi. Cheng y col. (2018b, 2. Método

2018c) indicó la viabilidad de emplear la tecnología de selección de datos
niques para mejorar las mediciones pasivas de ondas superficiales. Adicionalmente, Cheng y col. (2016) señalaron que MAPS es un método híbrido de
Xu y Mikesell (2017) señalaron que la correlación cruzada multicomponente ruido ambiental correlación cruzada y pasivo en carretera MASW ( Park
iones podrían proporcionar una función de Rayleigh-wave Green más precisa y Miller, 2008) El preprocesamiento es un procedimiento importante para mejorar
que las correlaciones cruzadas de componentes verticales cuando las fuentes son desiguales La calidad de los resultados de apilamiento. Contiene división, de-significado,
repartido. de-tendencia, filtrado de paso de banda, normalización de dominio de tiempo y
En este artículo, proponemos un método de selección de datos en el dominio del tiempo para blanqueamiento espectral. Después de la preparación de la larga secuencia de ruido,
apilamiento selectivo de correlaciones cruzadas y aplicarlo para mejorar la las correlaciones cruzadas se calculan para los pares de receptores disponibles y se apilan
Mediciones de mapas. Primero, antecedentes teóricos de MAPS y el en el dominio del tiempo La matriz relativa de dispersión-energía sin
Se presentará el esquema de esta técnica de selección de datos. Entonces, utilizamos El ajuste azimutal se puede calcular en la siguiente ecuación,
lize tres ejemplos de campo para demostrar que el método propuesto
podría mejorar la SNR de las funciones de correlación cruzada. Además, podría X−1
N Xnorte + -
C
E (v , f ) = e i 2π fx jk / v jk f () + C jk f () , (1)
ampliar la banda de frecuencias de ondas de superficie interesadas y minimizar el
2
j=1 j +1
perturbación de fuentes de ruido no estacionarias o alias espacial. Finalmente,
Se discute la aplicabilidad y la estabilidad del método propuesto.
donde E ( v , f ) es la matriz de dispersión-energía relativa para un determinado
frecuencia f y una velocidad de fase de exploración v ; C jk + ( f ) y C jk - ( f ) son los

Transformación de Fourier de las partes causal y acausal de la cruz.

correlación entre el rastreo j y el rastreo k de los registros preprocesados,
respectivamente; x jk corresponde a la distancia entre la traza j y la traza
k , y N significa el número de rastreo total.
Debido a la creciente demanda de ingeniería de observación a corto plazo o rápida
vación, secuencia de ruido limitada, como unas pocas decenas de minutos o una
Se registra un par de horas para la adquisición sísmica pasiva en zonas urbanas
zonas Las contribuciones de fuentes no estacionarias no serían canceladas
fuera debido al promedio temporal insuficiente, entonces la dispersión
las mediciones se untarían, especialmente para la banda de frecuencia
por debajo de 10 Hz. En este contexto, nos centramos en la función de correlación cruzada.
en sí y formular un criterio para el apilamiento selectivo de la cruz
funciones de relación.
Usamos SNR para calificar las correlaciones cruzadas recuperadas (Bensen y col.
2007 ; Cheng et al., 2015 ). Debido a la aleatoriedad de las grabaciones, aquí tenemos
definir SNR como,

SNR = señal media( \ \ )) / ruido medio

\ ( \)) (2)

donde la señal y el ruido representan la forma de onda correspondiente en el

Fig. 3. Una recopilación de correlación cruzada obtenida de un segmento de registros de ruido observados en
Figura 2si. La línea discontinua roja representa la velocidad mínima, y la línea discontinua azul
representa la velocidad máxima. La ventana de señal es la parte de las correlaciones cruzadas
entre las líneas discontinuas rojas y azules, y la ventana de ruido sigue el final de la señal
ventana. (Para la interpretación de las referencias al color en esta leyenda de la figura, el lector
se refiere a la versión web de este artículo).
ventana de señal y ventana de ruido, respectivamente, que son disuasivas
extraído por la ventana de velocidad interesada de las ondas de superficie observadas.
La ventana de señal corresponde a la parte de las correlaciones cruzadas elegidas
por la ventana de velocidad, y la ventana de ruido corresponde a la parte
de correlaciones cruzadas que siguen el final de la ventana de velocidad. En orden

Página 5

https://translate.googleusercontent.com/translate_f 4/11
23/6/2020 Selección automática de datos pasivos en el dominio del tiempo para obtener imágenes de ondas superficiales cercanas a la superficie
J. Pang y col. / Journal of Applied geofísica 162 (2019) 108 - 117 111

Fig. 4. (a) Valores ACR de todos los segmentos de tiempo obtenidos al dividir los registros continuos de ruido de la Fig. 2 b. Los puntos azules representan valores ACR _ (ACR N 1); mientras que los puntos verdes representan

Valores ACR + (ACR ≤ 1). (b) Los valores descendentes de ACR _ (la curva azul) y la SNR correspondiente - cambian con el número de ventana ordenada (la línea discontinua roja). (c) El ascenso

Los valores ACR + (la curva verde) y el SNR + correspondiente cambian con el número de ventana ordenado (la línea discontinua roja). Tenga en cuenta que el eje ACR + está invertido. (Para la interpretación de la
referencias al color en esta leyenda de la figura, se remite al lector a la versión web de este artículo).

para atenuar el efecto de dispersión geométrica, agregamos un factor de geometría no mayor que 1, llamado ACR + , la parte causal de la función de correlación cruzada
como un peso para calcular la media SNR ( SNR ) para cada pseudo-shot Se deben utilizar las opciones para determinar la energía de las ondas superficiales a través de

reunir, receptores Ordenamos segmentos de tiempo con un orden descendente de ACR _ series
para la parte acausal de las correlaciones cruzadas, y con un orden ascendente de
XMETRO Serie ACR + para la parte causal de las correlaciones cruzadas. En general, tanto el
SNR = SNR i 4 W i , (3)
tendencia descendente de los valores ACR _ y la tendencia ascendente de ACR +
i=1
los valores podrían reflejar una tendencia descendente de la calidad de la correlación cruzada
iones Para seleccionar correlaciones cruzadas con buena calidad, un umbral
donde SNR i representa el valor SNR de la i- ésima correlación cruzada; W i
/ / ffiffiffiffi para los valores ACR se deben proporcionar.
=1/ r i representa el parámetro de peso correspondiente, r i es la distancia
Como para la mayoría de los trabajos de selección de datos, un umbral experimental
entre el i ésimo par de receptores, y M significa el número total de re proporcionarse para activar el criterio de selección ( Cheng et al., 2018b,
pares de ceiver. 2018c; Zhou et al., 2018 ). Tenga en cuenta que, en comparación con el algoritmo de
De acuerdo con Stehly et al. (2006), la diferencia de amplitud entre
Zhou y col. (2018), el método propuesto toma cada toma virtual
las partes causales y acausales de cada correlación cruzada significativamente como un todo en lugar de un par de correlación cruzada individual durante la selección
Acteriza el flujo de energía de las olas que viajan de una estación a la iones En este trabajo, presentamos una técnica automática para detectar el
otro. Definimos un parámetro llamado relación acausal-causal (ACR) a
umbral óptimo para los valores ACR _ y ACR + ordenados . ① Definimos
cuantificar la proporción de energía de las ondas superficiales en ambas direcciones para
una función recursiva de correlación cruzada de apilamiento (SC) para cada tiempo seg-
cada segmento de tiempo de la siguiente manera, ment como

ACR = SNR - / SNR + , (4) (

- -
() = ∑ DEL
CAROLINA n SUR si ACR N1,
jk n i = 1 C jk i , n = 1 ..., N - (5)
+ +
() = ∑ mDEL SUR
CAROLINA si ACR ≤1,
donde SNR - y SNR + son la SNR media de la acausal y causal jk m i = 1 C jk i , m = 1, ..., N +

partes para cada reunión de pseudo-tiro, respectivamente. Suponemos que ACR

podría ser un criterio simple para calificar las correlaciones cruzadas, así como donde SC jk - ( n ) denota la correlación cruzada apilada del

indique la dirección de la energía de onda de superficie dominante. parte no causal para el n º segmento de tiempo; SC jk + ( m ) denota el apilado
A continuación, calculamos ACR para todos los segmentos de tiempo. Tenga en cuenta que, si ACR la correlación cruzada de la parte causal para el m ésimo segmento de tiempo; n y
el valor es mayor que 1, llamado ACR _ , indica que la onda de superficie m indica el número de índice de los segmentos de tiempo reordenados para el
ergy que propaga los receptores debe estar determinada principalmente por correlaciones cruzadas acausales y correlaciones cruzadas causales, respectivamente;
La parte acausal de las funciones de correlación cruzada. Mientras que si el valor ACR es C jk- iy C jk i + significa las partes acausal y causal de la correlación cruzada

Fig. 5. El pseudo-disparo se reúne con el disparo virtual ubicado en el primer trazo de la línea de reconocimiento en la ciudad de Changsha (a) antes de la selección de datos y (b) después de la selección de datos.

Página 6
112 J. Pang y col. / Journal of Applied geofísica 162 (2019) 108 - 117

https://translate.googleusercontent.com/translate_f 5/11
23/6/2020 Selección automática de datos pasivos en el dominio del tiempo para obtener imágenes de ondas superficiales cercanas a la superficie

Fig. 6. Imágenes de ondas de superficie basadas en las grabaciones de ruido de la Fig. 2b usando MAPS. (a) Una imagen de onda de superficie antes de la selección de datos. (b) Una imagen de onda superficial de la parte causal final. (c) A
Imagen de onda superficial de la parte acausal final. (d) Una imagen de onda de superficie después de la selección de datos. Ambos están normalizados a lo largo del eje de frecuencia para una buena visualización de la energía de dispersión en el
banda de frecuencia completa

función entre trace j y trace k ; N - y N + significan el número total Funciones SC ( SC jk - ( n ) y SC jk + ( m )) en lugar de la correlación cruzada original
para los valores ACR _ y ACR + . Tenga en cuenta que, SC -jk( n ) y SC jk + ( m ) son independientes-
lations. ③ Detectamos el pico (N 1 ) de SNR - valor y pico (N 2 ) de SNR +
series temporales de abolladuras que se apilan con un número de índice diferente; como para valor, y localice el correspondiente ACR _ y ACR + valor que será
SC jk- ( n ) apilamiento, seguimos el orden descendente de ACR _ , mientras seguimos El valor umbral óptimo para ACR _ y ACR + . Luego, tomamos el cor-
bajo el orden ascendente de ACR + para SC jk + ( m ) apilamiento. ② Calculamos respondiendo SC jk - (N 1 ) como la parte acausal final y la correspondiente

la SNR media ( SNR - y SNR + ) para calificar cada segmento de tiempo usando el SC jk+ (N 2 ) como la parte causal final, respectivamente. De hecho, la acausal final

Fig. 7. (a) Diseño para el estudio pasivo de ondas de superficie en el ejemplo de Nantong. La alineación se colocó en el espacio abierto, con un intervalo de 5 m. (b) Datos pasivos registrados alrededor de las 2 h siguientes
a una carretera en la ciudad de Nantong.

Página 7
J. Pang y col. / Journal of Applied geofísica 162 (2019) 108 - 117 113

https://translate.googleusercontent.com/translate_f 6/11
23/6/2020 Selección automática de datos pasivos en el dominio del tiempo para obtener imágenes de ondas superficiales cercanas a la superficie

Fig. 8. (a) Valores ACR de todos los segmentos de tiempo obtenidos al dividir las grabaciones continuas de ruido de la Fig. 7 b. Los puntos azules representan valores ACR _ (ACR N 1); mientras que los puntos verdes representan

Valores ACR + (ACR ≤ 1). (b) Los valores descendentes de ACR _ (la curva azul) y la SNR correspondiente - cambian con el número de ventana ordenada (la línea discontinua roja). (c) El ascenso

Los valores ACR + (la curva verde) y el SNR + correspondiente cambian con el número de ventana ordenado (la línea discontinua roja). Tenga en cuenta que el eje ACR + está invertido. (Para la interpretación de la
referencias al color en esta leyenda de la figura, se remite al lector a la versión web de este artículo).

y partes causales componen las funciones de correlación cruzada apiladas para donde SC jk - ( f ) y SC jk + ( f ) significa la transformación de Fourier de la

Imagen de dispersión adicional. función de correlación cruzada apilada final para la causal y causal
Finalmente, actualizamos la ecuación. (1) como, partes, respectivamente.
En la actualidad, el esquema de procesamiento de la selección de datos propuesta
La técnica ha sido descrita completamente. Aquí, resumimos aún más
X−1
N Xnorte X−1
N Xnorte la descripción anterior y dibuje una representación esquemática de nuestro
- +
E (v , f ) = e i 2π fx jk / v SC + e i 2π fx jk / v SC (6)
jk f () jk f (), método en la Fig. 1. En comparación con el método de apilamiento ponderado SNR
j=1 k = j +1 j = 1 k = j +1
en Cheng et al. (2015) , la técnica propuesta ofrece una alternativa
criterio de filtro de datos con un método de apilamiento selectivo, en lugar de un

Fig. 9. El pseudo-tiro se reúne con el tiro virtual ubicado en el primer trazo de la línea de reconocimiento en la ciudad de Nantong (a) antes de la selección de datos y (b) después de la selección de datos.

Fig. 10. Imágenes de ondas de superficie basadas en las grabaciones de ruido de la Fig. 7b usando MAPS. (a) Una imagen de onda de superficie antes de la selección de datos. (b) Una imagen de onda de superficie después de la selección de datos. Ambos
están normalizados a lo largo del eje de frecuencia para una buena visualización de la energía de dispersión en la banda de frecuencia completa.

Página 8
114 J. Pang y col. / Journal of Applied geofísica 162 (2019) 108 - 117

https://translate.googleusercontent.com/translate_f 7/11
23/6/2020 Selección automática de datos pasivos en el dominio del tiempo para obtener imágenes de ondas superficiales cercanas a la superficie

Fig. 11. (a) Una fotografía aérea de la encuesta junto a un ferrocarril, Yueyang, China. La línea de reconocimiento (una línea continua roja) está diseñada a lo largo de la dirección del ferrocarril. El intervalo espacial es de 10 m.
(b) Grabaciones de ruido observadas durante 30 min. (Para la interpretación de las referencias al color en esta leyenda de la figura, se remite al lector a la versión web de este artículo).

método de apilamiento ponderado. Más detalles sobre cómo funciona serán pre todos los segmentos en dos partes: la parte acausal (puntos azules en la Fig. 4una)
presentado en el siguiente primer experimento. y parte causal (puntos verdes en la Fig. 4a). Fig. 4b presenta el ordenado
ACR _ valores con un orden descendente (la curva azul). Para seleccionar
3. Ejemplos de datos de campo los segmentos con correlaciones cruzadas de alta calidad, aplicamos el pro-
planteó la técnica y calculó los valores SNR - y SNR + (el rojo
Demostramos la mejora de la calidad de la selección de datos línea discontinua en la Fig. 4by Fig. 4 c) utilizando las funciones SC en lugar de
descrito anteriormente por tres aplicaciones de campo.
Las correlaciones cruzadas originales. El SNR - los valores aumentan con la pila
ing de las correlaciones cruzadas de alta calidad ( valores ACR _ altos), mientras que
3.1. Experimento Changsha
se vuelven para disminuir con el apilamiento de baja calidad (menor ACR _
valores) correlaciones cruzadas. Por lo tanto, podemos determinar automáticamente
El experimento se llevó a cabo en la ciudad de Changsha, Hunan.
Protéjalo la ubicación del pico de la SNR - los valores en la ventana 38, y el
provincia de China. Los 24 digitalizadores RefTek de componentes verticales fueron desarmados
los primeros 38 segmentos de tiempo se conservarán y se apilarán como resultado final
ployed en el cinturón verde (Fig. 2 a) en un intervalo espacial de 5 m con un sam-
de la parte acausal. Del mismo modo, la Fig. 4c presenta los valores ACR + ordenados
frecuencia de corte de 500 Hz. Ruido de tráfico continuo de 17 minutos de duración
con un orden ascendente (la curva verde). Tenga en cuenta que el eje Y izquierdo es
se registraron datos (Fig. 2 b) y utilizada para el método MAPS. En esto
invertido para presentar que la tendencia ascendente de los valores ACR + podría
contexto, el esquema de preprocesamiento descrito anteriormente se ha aplicado antes de
También reflejan una tendencia descendente de la calidad de las correlaciones cruzadas. Nosotros
correlación cruzada anterior en los tres experimentos. Tenga en cuenta que aplicamos un
también podría detectar la ubicación máxima de los valores SNR + en la 13ª victoria
filtro de paso de banda Butterworth de fase cero de cuatro órdenes de 1 a 30 Hz,
dow, y los primeros 13 segmentos de tiempo se conservarán y se apilarán como
y elegí una ventana de tiempo de 10 segundos para la operación de división
El resultado final de la parte causal. La correlación cruzada apilada final
en este experimento luego de una serie de pruebas preliminares. Pan y col. (2016) pre
funciona antes (Fig. 5 a) y después de la selección de datos (Fig. 5b) mostrar tiempo
dijo que la duración de una ventana de tiempo se eligió después de un minucioso
Mejora de la resolución. Ambas señales coherentes y buena simetría.
conjunto de pruebas sobre la relación entre la ventana de tiempo y
destacan en las funciones mejoradas de correlación cruzada (Fig. 5b). El sur-
SNR de correlaciones cruzadas apiladas.
la imagen de la onda facial antes de la selección de datos se muestra en la Fig. 6a. La superficie-
Para mejorar las mediciones de MAPS, aplicamos el pro-
imágenes de onda de la parte causal final ( Fig. 6b) y la parte acausal final
técnica planteada para el apilamiento selectivo de correlaciones cruzadas. Aquí nosotros
( Fig.6c) indicar que las partes causales y causales de las correlaciones cruzadas
establecer empíricamente un rango de velocidad para el cálculo de SNR de 100 m / sa
se utilizan para obtener imágenes de la energía de dispersión de ondas superficiales. Fig. 6d show
800 m / s (Fig. 3 ) y calcule los valores de ACR para todos los segmentos de tiempo
la imagen de onda de superficie después de la selección de datos. Presenta que el
( Fig. 4 a). De acuerdo con la definición de ACR _ y ACR + , nos separamos

Fig. 12. (a) Valores ACR de todos los segmentos de tiempo obtenidos al dividir los registros continuos de ruido de la Fig. 11si. Los puntos azules representan valores ACR _ (ACR N 1); mientras que los puntos verdes representan

Valores ACR + (ACR ≤ 1). (b) Los valores descendentes de ACR _ (la curva azul) y la SNR correspondiente - cambian con el número de ventana ordenada (la línea discontinua roja). (c) El ascenso

Los valores ACR + (la curva verde) y el SNR + correspondiente cambian con el número de ventana ordenado (la línea discontinua roja). Tenga en cuenta que el eje ACR + está invertido. (Para la interpretación de la
referencias al color en esta leyenda de la figura, se remite al lector a la versión web de este artículo).

Página 9
J. Pang y col. / Journal of Applied geofísica 162 (2019) 108 - 117 115

https://translate.googleusercontent.com/translate_f 8/11
23/6/2020 Selección automática de datos pasivos en el dominio del tiempo para obtener imágenes de ondas superficiales cercanas a la superficie
Fig. 13. El pseudo-disparo se reúne con el disparo virtual ubicado en el primer trazo de la línea de reconocimiento en la ciudad de Yueyang (a) antes de la selección de datos y (b) después de la selección de datos.

La banda de frecuencia aceptable de las ondas de superficie recuperadas ha sido ex
tienden de [8 Hz, 18 Hz] a [7 Hz, 25 Hz]. Además, la dispersión fundamental
La energía siónica de las ondas superficiales se vuelve más prominente y
continuo. La imagen de dispersión después de la selección de datos proporciona más
confianza para escoger la curva de dispersión de las ondas superficiales.
3.2. Experimento Nantong
El experimento se llevó a cabo a lo largo de una carretera principal en la ciudad de Nan-
tong, provincia de Jiangsu de China (Fig. 7una). Una matriz lineal de 48 vertical-
Se desplegaron digitalizadores RefTek de componentes en un intervalo espacial de 5 m
registrar continuamente el ruido sísmico urbano durante hasta 2 h con un muestreo
frecuencia de 100 Hz. De hecho, tres digitalizadores (No.8, No.22
y No.32) no estaban bien conectados y solo 45 restantes funcionaban
bien (Fig. 7si).
Como se describió anteriormente, estas grabaciones se dividen experimentalmente
en 240 segmentos con una ventana de tiempo de 30 s, y la ventana de velocidad
para el cálculo de SNR se selecciona de 100 m / sa 600 m / s. Aplicamos el
técnica propuesta y valores de ACR calculados para todos los segmentos
(Fig. 8 a). Todos los segmentos se dividen en dos partes: la parte acausal
(puntos azules en la Fig. 8 a) y parte causal (puntos verdes en la Fig. 8 a). Los primeros 7
segmentos de tiempo para la parte acausal ( Fig. 8 b) y los primeros 21 segmentos de tiempo
mentos para la parte causal ( Fig. 8c) fueron preservados. Comparado con
funciones de correlación cruzada antes de la selección de datos (Fig. 9 a), correlación cruzada
funciones después de la selección de datos ( Fig. 9b) tener una señal coherente más fuerte
Nals y mejor simetría. La imagen de la energía de dispersión antes de los datos.
selección ( Fig. 10a) aparece varias interrupciones a 8,7 Hz, 9,3 Hz y
11,0 Hz. Además, la energía de dispersión de las ondas superficiales por encima de 12 Hz
estaba terriblemente manchado por alias. La energía de dispersión mejorada
imagen (Fig. 10b) con una energía mucho más amplia y clara demuestra la fe-
posibilidad de la técnica de selección de datos propuesta. La selección de datos
La técnica proporciona un filtro para preservar los segmentos de tiempo con coherencia
señales, y rechazar los segmentos de tiempo contaminados por ruido no estacionario
fuentes.
3.3. Experimento Yueyang
El experimento se llevó a cabo junto a un ferrocarril en Yueyang,
China (Fig. 11una). Los 24 receptores de componentes verticales con un spa de 10 m
el intervalo de prueba se desplegó a lo largo de una carretera con una frecuencia de muestreo de 500 Hz
para grabar ruido de tráfico continuo (Fig. 11 b) de la hora local 13:00 a
alrededor de las 13:30 del 6 de mayo de 2016. Estas grabaciones se dividen experimentalmente
en 160 segmentos con una ventana de tiempo de 10 s.
Aplicamos la técnica propuesta y los valores de ACR calculados para todos
los segmentos ( Fig. 12 a) con la ventana de velocidad para el cálculo de SNR
desde 100 m / s hasta 600 m / s. Dividimos todos los segmentos en dos partes:
la parte acausal (puntos azules en la Fig. 12 a) y la parte causal (puntos verdes en
Fig. 12una). Los primeros 12 segmentos de tiempo para la parte acausal ( Fig. 12 b)
y los primeros 9 segmentos de tiempo para la parte causal (Fig. 12 c) fueron
preservado con la técnica de selección de datos propuesta. La comparación
entre las funciones finales de correlación cruzada apiladas antes (Fig. 13 a)
y después de la selección de datos (Fig. 13b) indique la SNR de la mejora
funciones de correlación cruzada (Fig. 13b) se mejora significativamente. Fig. 14
muestra imágenes de ondas de superficie antes (a) y después (b) de la selección de datos. Eso
demuestra que la técnica propuesta podría mejorar significativamente
Método MAPS ampliando la banda de frecuencia aceptable de

Fig. 14. Imágenes de ondas de superficie generadas por MAPS basadas en las grabaciones de ruido de la Fig. 11 b. (a) Una imagen de onda de superficie antes de la selección de datos. (b) Una imagen de onda de superficie después de los datos
selección.

Página 10
116 J. Pang y col. / Journal of Applied geofísica 162 (2019) 108 - 117

https://translate.googleusercontent.com/translate_f 9/11
23/6/2020 Selección automática de datos pasivos en el dominio del tiempo para obtener imágenes de ondas superficiales cercanas a la superficie
Fig. 15. La influencia del parámetro de la ventana de velocidad en la imagen mejorada de la energía de dispersión. (a) La ventana de velocidad es de 100 m / sa 1000 m / s; (b) La ventana de velocidad es
desde 50 m / s hasta 2000 m / s. (c) La ventana de velocidad es de 300 m / sa 600 m / s.
[4 Hz, 8 Hz] a [2 Hz, 10 Hz], y atenuando el alias espacial (el ra-
marque el cinturón de energía como se muestran los puntos negros en la Fig. 14 a). Más detalles sobre el
se introduce el alias espacial (Dai et al., 2018)
4. Discusión
De acuerdo con la descripción y el análisis anteriores, demostramos que
La técnica de selección de datos propuesta es capaz de preservar el tiempo seg-
Ment con señales coherentes, y rechazar los segmentos de tiempo contaminados por
fuentes de ruido no estacionarias y / o alias espacial. En nuestro esquema,
la ventana de velocidad para el cálculo de SNR es el único parámetro que
necesita ser definido subjetivamente por el analista de datos. En lo siguiente, usamos
El experimento de Yueyang como ejemplo para discutir la influencia de este
parámetro sobre el rendimiento de la técnica propuesta.
La figura 15 muestra las imágenes mejoradas de energía de dispersión después de la selección de datos.
Lección con diferentes ventanas de velocidad [100 m / s, 1000 m / s] (Fig. 15 a),
[50 m / s, 2000 m / s] (Fig. 15b) y [300 m / s, 600 m / s] ( Fig. 15 c), respec-
Tively En comparación con la figura 14b determinado a partir de la ventana de velocidad
[100 m / s, 600 m / s], Fig. 15 ayb reflejan pequeños cambios en las imágenes
de energía de dispersión. Indica que la técnica propuesta no es sen-
Sitiva con la ampliación razonable de la ventana de velocidad de parámetros
ter. Comparado Fig. 11c con la Fig. 9 b, sin embargo, resulta ser un poco
peor con la tendencia de energía de dispersión ligeramente distorsionada después
estrechando la ventana de velocidad. Se supone que es causado por el
criterio demasiado estricto que conduciría a una correlación cruzada insuficiente
apilamiento y no se pudieron cancelar las señales incoherentes
( Snieder, 2004 ; Snieder et al., 2008)
Como se muestran los resultados, sugerimos que la ventana de velocidad para SNR cal-
La formulación en la técnica propuesta debe ser un rango razonablemente amplio
Página 11
J. Pang y col. / Journal of Applied geofísica 162 (2019) 108 - 117
quisiera agradecer a Binbin Mi, Yue Hu y Xiaohan Hao por su constructivo
comentarios y sugerencias detalladas. Esta investigación es apoyada por el
Fundación Nacional de Ciencias Naturales de China (NSFC) bajo la Subvención No.
41830103, la Beca de Investigación del Instituto Nacional sin Fines de Lucro de China
Academia de Ciencias Geológicas bajo la Subvención No. YYWF201634, y
Proyecto BGP “Tecnología de supresión y extracción de ruido de ondas superficiales-
ogy "bajo Grant No. KZ15K808.
Referencias
Aki, K., 1957. Espectros espaciales y temporales de ondas estocásticas estacionarias, con especial referencia
a micro temblores. Toro. Earthq. Res. Inst. 35, 415–456 .
Behm, M., Leahy, GM, Snieder, R., 2014. Recuperación de las velocidades de las ondas de superficie locales de
ruido de tráfico, un ejemplo de la cuenca de La Barge (Wyoming). Geophys Perspectiva.
62, 223–243.
Bensen, GD, Ritzwoller, MH, Barmin, MP, Levshin, AL, Lin, F., Moschetti, MP, Shapiro,
NM, Yang, Y., 2007. Procesamiento de datos sísmicos de ruido ambiental para obtener datos confiables
medidas de dispersión de ondas de superficie de banda Geophys J. Int. 169, 1239-1260.
Campillo, M., Paul, A., 2003. Correlaciones de largo alcance en la coda sísmica difusa. Ciencias
299, 547–549.
Cheng, F., Xia, J., Xu, Y., Xu, Z., Pan, Y., 2015. Un nuevo método sísmico pasivo basado en seis-
interferometría de micrófono y multicanal de ondas superficiales. J. Appl. Geophys 117,
126-135.
Cheng, F., Xia, J., Luo, Y., Xu, Z., Wang, L., Shen, C., Liu, R., Pan, Y., Mi, B., Hu, Y., 2016. Mul-
Análisis de tichannel de ondas de superficie pasivas basadas en correlaciones cruzadas. Geofísica 81
(5), EN57 – EN66.
Cheng, F., Draganov, D., Xia, J., Hu, Y., Liu, J., 2018a. Estimación Q usando interferom sísmico
etry de datos de pozos verticales. J. Appl. Geophys 159, 16–22 .
Cheng, F., Xia, J., Xu, Z., Hu, Y., Mi, B., 2018b. Selección de datos basada en FK en alta frecuencia
Encuesta pasiva de ondas de superficie. Surv. Geophys 39 (4), EN57 – EN66.
Cheng, F., Xia, J., Behm, M., 2018c. Selección de datos basada en τp en alta frecuencia pasiva
https://translate.googleusercontent.com/translate_f
con la consideración de la estructura local de velocidad cercana a la superficie, que
Puede obtenerse mediante una encuesta sísmica activa. Proporciona una solución de compensación
entre la resolución y la precisión de la imagen medida de dispersión
Sion Energy.
5. Conclusiones
Establecimos un criterio de selección de datos para correlaciones cruzadas en el
dominio de tiempo, y aplicó la técnica propuesta para mejorar los MAPAS
método. Primero definimos un factor, ACR, para cuantificar la energía
proporción entre las partes acausal y causal del extraído
correlaciones cruzadas A continuación, clasificamos los segmentos de tiempo por el corre-
valores ACR de marca y seleccionó automáticamente los segmentos de tiempo
que podría poseer altos valores de ACR, así como altos valores de SNR de la
correlaciones cruzadas apiladas al mismo tiempo. Finalmente, utilizamos el se-
correlaciones cruzadas apiladas lectivas para una mayor medición de dispersión
para mejorar el método MAPS.
Tres aplicaciones del mundo real han demostrado la viabilidad de
La técnica de selección de datos propuesta. Tiene la capacidad de ampliar
banda de frecuencia tensada de ondas superficiales y minimiza la perturbación
de fuentes de ruido no estacionarias o alias espacial para proporcionar más reli
Información de dispersión capaz. Además, los resultados sugirieron que el
la ventana de velocidad debe ser razonablemente amplia teniendo en cuenta
estructura local de velocidad cercana a la superficie.
Expresiones de gratitud
Los autores desean agradecer al editor Jianghai Xia, dos anónimos
revisores por su sugerencia constructiva y detallada. Nosotros tambien
117
Park, CB, Miller, RD, Xia, J., 1998. Imágenes de curvas de dispersión de ondas de superficie en múltiples
registro de canal SEG Expandir. Abstr. 1377-1380.
Park, CB, Miller, RD, Xia, J., 1999. Análisis multicanal de ondas superficiales. Geofísica 64
(3), 800–808 .
Park, CB, Miller, RD, Xia, J., Ivanov, J., 2004. Curvas de dispersión de imágenes de superficie pasiva
Olas. Resumen ampliado de SEG.
Quiros, DA, Brown, LD, Kim, D., 2016. Interferometría sísmica de suelo inducido por ferrocarril
movimientos: imágenes de ondas corporales y de superficie. Geophys J. Int. 205, 301–313 .
Sabra, KG, Gerstoft, P., Roux, P., Paulssen, WA, 2005. Extracción del dominio del tiempo Green's
función estimada a partir del ruido ambiental. Geophys Res. Letón. 32 L03310 .
Schimmel, M., Paulssen, H., 1997. Reducción de ruido y detección de señales débiles y coherentes.
a través de pilas ponderadas en fase. Geophys J. Int. 130, 497–505.
Schuster, GT, Yu, J., Sheng, J., Rickett, J., 2004. Imágenes sísmicas interferométricas / diurnas.
Geophys J. Int. 157, 838–852 .
Shapiro, NM, Campillo, M., Stehly, L., Ritzwoller, MH, 2005. Superficie de alta resolución
tomografía de onda del ruido sísmico ambiental. Science 307, 1615-1618 .
Shen, C., Wang, A., Wang, L., Xu, Z., Cheng, F., 2015. Equivalencia de resolución de dispersión.
métodos de imagen para datos de ondas de superficie de alta frecuencia sin ruido. J. Appl. Geophys
122, 167-171.
Snieder, R., 2004. Extrayendo la función de Green de la correlación de las ondas coda: a
derivación basada en fase estacionaria. Phys. Rev. Lett. 69, 046610 .
Snieder, R., Van Wijk, K., Haney, M., Calvert, R., 2008. Cancelación de llegadas espurias en
Extracción de la función de Green y el teorema óptico generalizado. Phys. Rev. Lett. 78,
036606.
Snieder, R., Miyazawa, M., Slobm, E., Vasconcelos, I., Wapenaar, K., 2009. Una comparación de
estrategias para interferometría sísmica. Surv. Geophys 30, 503-523 .
Song, YY, Castagna, JP, Black, RA, Knapp, RW, 1989. Sensibilidad al cizallamiento cerca de la superficie.
determinación de velocidad de onda de Rayleigh y ondas de amor. Programa técnico con
Biografías SEG, 59ª Reunión Anual, Dallas, Texas, págs. 509–512.
Stehly, L., Campillo, M., Shapiro, NM, 2006. Un estudio del ruido sísmico de su larga trayectoria.
propiedades de correlación de rango. J. Geophys. Res. 111 B1306-1-B1306-12.
Thurber, CH, Zeng, X., Thomas, AM, Audet, P., 2014. Apilamiento ponderado por fase aplicado a
terremotos de baja frecuencia. Toro. Seismol Soc. A.m. 104, 2567-2572 .
Wapenaar, K., 2003. Síntesis de un medio no homogéneo a partir de su transmisión acústica.
10/11
23/6/2020 Selección automática de datos pasivos en el dominio del tiempo para obtener imágenes de ondas superficiales cercanas a la superficie
encuesta de ondas faciales: hacia el ruido del tráfico. SEG Extiende. Abstr. 3077-3081.
Cheng, F., Xia, J., Shen, C., Hu, Y., Xu, Z., Mi, B., 2018d. Imponiendo fuentes activas durante
frecuencia pasiva de medición de ondas de superficie. Ingeniería 4, 685–693.
Claerbout, J., 1968. Síntesis de un medio en capas a partir de su transmisión de transmisión acústica
esponja Geofísica 33 (2), 264–269.
Dai, T., Hu, Y., Ning, L., Cheng, F., Pang, J., 2018. Efectos debidos al alias en la onda de superficie
extracción y supresión en dominio frecuencia-velocidad. J. Appl. Geophys 158,
71-81 .
Dou, S., Lindsey, DN, Wagner, AM, Daley, TM, Freifld, B., Robertson, M., Peterson, J.,
Ulrich, C., Martin, ER, Ajo-Franklin, JB, 2017. Detección acústica distribuida para sísmica
monitoreo de la superficie cercana: un estudio de caso de interferometría de ruido de tráfico. Sci. Rep. 7
(1), 11620.
Groos, JC, Bussat, S., Ritter, JRR, 2012. Desempeño de diferentes esquemas de procesamiento en
correlaciones cruzadas de ruido sísmico. Geophys J. Int. 188, 498-512 .
Halliday, D., Curtis, A., 2008. Interferometría sísmica, ondas superficiales y distribución de fuentes.
ción Geophys J. Int. 175, 1067-1087 .
Louie, JN, 2001. Más rápido, mejor: velocidad de onda cortante a 100 metros de profundidad desde la refracción
matrices de microtremor. Toro. Seismol Soc. A.m. 91, 347–364.
Melo, G., Malcolm, A., Mikesell, D., Van, Wijk.K., 2013. Uso de SVD para mejorar la interfero-
recuperación de la función de Green de la métrica. Geophys J. Int. 194, 1596-1612 .
Moreau, L., Stehly, L., Boué, P., Larose, E., Campillo, M., 2017. Mejora del ruido ambiental
relación funciona con un filtro Wiener basado en SVD. Geophys J. Int. 211, 418–426.
Nakata, N., Snieder, R., Tsuji, T., Larner, K., Matsuoka, T., 2011. Imágenes de ondas de corte de
ruido de tráfico mediante interferometría sísmica por coherencia cruzada. Geofísica 76 (6),
SA97 – SA106.
Okada, H., 2003. El método de encuesta de microtremor. Geophys Monografía Ser. 12 .
Pan, Y., Xia, J., Xu, Y., Xu, Z., Cheng, F., Xu, H., Gao, L., 2016. Delimitación de ondas de onda S poco profundas
estructura locity utilizando múltiples métodos de ondas de superficie de ruido ambiental: un ejemplo
del oeste de Junggar, China. Toro. Seismol Soc. A.m. 106, 327–336 .
Park, CB, Miller, RD, 2008. Análisis pasivo multicanal en carretera de ondas superficiales
(MASW) J. Eng. Reinar. Geophys 13 (1), 1–11.
Ver estadísticas de publicación
https://translate.googleusercontent.com/translate_f
respuesta de sion. Geofísica 68, 1756–1759 .
Wapenaar, K., Fokkema, J., 2006. Representaciones de la función de Green para interferom sísmico.
etry. Geofísica 71 (4), SI33 – SI46 .
Wapenaar, K., Draganov, D., Snieder, R., Campman, X., Verdel, A., 2010. Tutorial sobre sísmica
interferometría: parte 1 - principios básicos y aplicaciones. Geofísica 75,
A195 – A209.
Weaver, RL, Lobkis, OI, 2001. Ultrasonidos sin fuente: correlación de fluctuación térmica
iones a frecuencias MHZ. Phys. Rev. Lett. 87, 134301–1-134301-4.
Xia, J., Miller, RD, Park, CB, 1999. Estimación de la velocidad de la onda cortante cerca de la superficie por
versión de las ondas de Rayleigh. Geofísica 64 (3), 691–700.
Xia, J., Miller, RD, Park, CB, Tian, G., 2003. Inversión de ondas superficiales de alta frecuencia
con modos fundamentales y superiores. J. Appl. Geophys 52, 45–57 .
Xia, J., Xu, Y., Miller, RD, 2007. Generaron una imagen de energía dispersiva por frecuencia
composición y apilamiento inclinado. Aplicación pura Geophys 164, 941–956.
Xia, J., Miller, RD, Xu, Y., Luo, Y., Chen, C., Liu, J., Ivanov, J., Zeng, C., 2009. Alta frecuencia
Método de onda de Rayleigh. J. Earth Sci. 20 (3), 563–579.
Xia, J., Xu, Y., Luo, Y., Miller, RD, Cakir, R., Zeng, C., 2012. Ventajas de usar Multichan-
nel Análisis de ondas de amor (MALW) para estimar la velocidad de la onda cortante cerca de la superficie.
Surv. Geophys 33, 841–860 .
Xia, J., Cheng, F., Xu, Z., Liu, R., 2017. Ventajas del análisis multicanal de la supervivencia pasiva
Olas de la cara (MAPAS). Conferencia internacional sobre ingeniería geofísica, AI Ain,
Emiratos Árabes Unidos, págs. 94–97.
Xu, Z., Mikesell, TD, 2017. Sobre la fiabilidad de la estimación directa de ondas de Rayleigh de
correlaciones cruzadas multicomponentes. Geophys J. Int. 210, 1388-1393.
Xu, Z., Mikesell, TD, Xia, J., Cheng, F., 2017. Una comparación exhaustiva entre
método de microtremor de fracción e interferometría sísmica para estimar la velocidad de fase
ción Geofísica 82, 1–43 .
Zhou, C., Xi, C., Pang, J., Liu, Y., 2018. Selección de datos de ruido ambiental basada en la asimetría.
Prueba de funciones de correlación cruzada para aplicaciones cercanas a la superficie. J. Appl. Geophys 159,
803–813.
11/11