Classification of signal sources based on seismic and acoustic measurements

Abstract

Die Notwendigkeit der automatischen Klassifizierung von Signalen in seismischen Daten hat zur Entwicklung von verschiedenen Klassifizierungsmethoden geführt. Jedoch nutzen die meisten dieser Methoden komplexe Hardware und Software-Komponenten. Die vorliegende Arbeit untersucht die Möglichkeit der Einführung einer Klassifizierungsmethode, die hauptsächlich auf unprozessierten Daten basiert. Dazu wurden fünf relativ allgemein beschriebene Klassen von Quellen definiert. Diese Klassen umfassen alle Arten von Quellen von denen bekannt ist oder vermutet wird, dass sie seismische Signal hervorrufen. Ausgehend von diesen Klassen wurden Klassifikationskriterien definiert. Um die Brauchbarkeit dieser Kriterien zu prüfen musste eine heterogene Datenbasis geschaffen werden. Die Datenbasis sollte Signale, die von verschiedenen Quellen produziert wurden, enthalten. Zu diesem Zweck wurden Experimente durchgeführt, bei denen sowohl seismische als auch akkustische Sensorarrays eingesetzt wurden. Zusätzlich wurden meteorologische Parameter gemessen. Aus den aufgezeichneten Daten konnten verschiedenste Parameter gewonnen werden, welche die Signalcharakteristiken beschreiben. Diese Parameter wurden verwendet, um die Klassifizierungskriterien zu berechnen. Das Verhältnis der seismischen und akkustischen Signalamplituden und die Ähnlichkeit der Amplitudenspektren haben sich als Kriterien mit dem größten Potential für eine Echtzeit-Anwendung erwiesen, da beide aus unprozessierten Daten gewonnen werden konnten. Die Langsamkeit, welche mittels fk Analyse berechnet wurde, konnte als drittes mögliches Kriterium gefunden werden. Jedoch benötigt die Durchführung der fk Analyse einen zumindest interaktiven Prozessierungsablauf und kann daher nicht unkontrolliert auf Rohdaten angewendet werden. Basierend auf diesen Kriterien wurden Klassifizierungsdiagramme erstellt. Aus diesen Diagrammen wurde die Eignung des Amplitudenverhältnisses als Echtzeit-Kriterium ersichtlich. Eine Kombination von Amplitudenverhältnis und Amplitudenspektrum-Ähnlichkeit wurde als der vielversprechendste Klassifizierungsansatz erkannt.Abschließend sind Vorschläge zur Verbesserung der Datenbasis und für ein effizientes Design von Sensorarrays angeführt.

The need for automated classification of signals recorded with seismic sensors led to the development of various classification approaches. However, most of these approaches use very complex hardware and software equipment. The present work investigates the potential of establishing a classification approach that mainly relies upon unprocessed data. Therefore, five rather generally described source types were defined. These source types cover all sources that are known or supposed to produced or induce seismic signals. Based upon these source types classification criteria relying on seismic and acoustic data were defined. In order to be able to verify the usability of these criteria a heterogeneous data set had to be generated that comprises signals produced by various sources. For this purpose in-situ experiments were carried out that incorporated seismic and acoustic sensors deployed in form of a sensor array. Additionally, meteorological parameters were observed. From the recorded data various parameters describing the signal characteristics could be obtained and were used to compute the defined classification criteria. The ratio of seismic and acoustic signal amplitudes and the amplitude spectrum similarity turned out to bear the highest potential for real-time classification procedures since both criteria were obtained from the unprocessed sensor data. The slowness computed via fk analysis was found to be a third possible classification criterion. However, it was shown that the fk analysis requires at least an interactive processing flow and thus cannot be applied unsupervised on raw data. Based on these criteria classification diagrams were generated. These diagrams clearly illustrated the high potential of the amplitude ratio as a real-time classification criterion. A combined usage of amplitude ratio and amplitude spectrum similarity turned out to provide the most promising classification approach. Finally, suggestions on how to improve the data basis and a efficiently design of a sensor array are given.