来源：期刊VIP网 时间：
作者：韩复兴;刘水源;高正辉;韩江涛;张涛;尚浩;
单位：深部探测与成像全国重点实验室/吉林大学地球探测科学与技术学院;山东省地质调查院;中国地质学会北方岩溶城市地下空间精细探测与开发利用创新基地;
摘要：微动HVSR(horizontal-to-vertical spectral ratio)法是一种高效、非侵入式的地球物理探测手段，广泛用于城市地质调查与工程勘探。然而，行人、车辆等瞬态干扰会导致HVSR曲线畸变。现有瞬态干扰剔除方法存在局限：STA/LTA(short-term-average over long-term-average)法易误判且调参复杂，手动剔除法效率低，频域窗剔除法仅关注峰值频率信息。为此，本文提出一种基于机器学习的微动HVSR数据干扰信号压制方法。首先通过提取曲线形态特征训练曲线剔除模型，用于剔除HVSR数据中显著偏离平均趋势的离群HVSR曲线；随后提取峰值特征训练峰值识别模型，用于识别曲线中的有效共振峰值；最后结合DBSCAN(density-based spatial clustering of applications with noise)聚类算法对识别出的有效峰值进行聚类与二次剔除，去除频率和振幅异常的峰值所在曲线。曲线剔除模型和峰值识别模在测试集上的F_1分数分别为0.967和0.985,均表现出优异的分类性能。实际算例结果表明，本文方法在异常曲线剔除方面相较于STA/LTA法和频域窗剔除法具有更高的稳定性与准确性，处理后的曲线频谱分布更加集中，标准差曲线更加收敛，峰值更加清晰稳定。本文方法在实现高效自动处理的同时，剔除效果与手动剔除法高度一致。
关键词：微动HVSR法;;机器学习;;瞬态干扰;;剔除;;地球物理
基金资助：国家重点研发计划项目(2023YFC3707901,2023YFC2906704-5);; 国家自然科学基金项目(42074150,42304128);; 福田区地面坍塌综合监测和预警系统建设项目(FTCG2023000209)~~
