齐鑫鑫1, 2, 钱亮1, 2, 宋晋东1, 2, 李山有1, 2, 刘赫奕1, 2, 闫昭阳1, 2, 王汉灵1, 2, 王辅臣3
振动与冲击. 2026, 45(19): 246-265.
准确区分天然地震与矿震在地震学研究中具有重要的科学意义,高可信度的矿震目录可为矿山安全监管、风险评估等提供可靠的依据。特征提取已被证明是实现两者有效区分的关键手段,然而该过程常常受到噪声干扰、模态混叠及其他外部因素的影响。为此,本文提出一种融合完全自适应噪声集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)与极端梯度提升算法(Extreme Gradient Boosting,XGBoost)的联合地震事件分类方法(CEEMDAN-XGBoost),用于从地震数据中高效提取能量特征并实现地震事件类型的准确分类。本文以辽宁地区矿震与天然地震数据为主要研究对象构建分类模型,并进一步引入日本K-NET台网天然地震数据开展扩展性对比分析。结果表明,在仅使用辽宁区域数据时,模型能够取得较高的分类精度;在引入跨区域的日本天然地震数据后,模型分类性能未发生明显变化,可用于评估数据区域差异对模型结果的影响。实验结果表明,CEEMDAN-XGBoost方法能够有效缓解信号中的噪声干扰与模态混叠问题,并显著提升矿震与天然地震的分类性能,其中最优分类准确率达到93%。从应用角度来看,方法可为其他地震事件的分类及事件目录的构建提供借鉴。