加工技术对地震和微震水平-垂直频谱比中场地基频（f0）一致性的影响

《Engineering Geology》：Influence of processing technique on the agreement of site fundamental frequency (f 0) from earthquake and microtremor horizontal-to-vertical spectral ratio

场地基本频率确定方法及地震与微颤动HVSR对比研究

　　
本研究聚焦于地震记录水平垂直谱比（eHVSR）的算法优化及其与微震水平垂直谱比（mHVSR）的对比分析，旨在为工程场地特性评估提供更可靠的方法。研究基于美国加利福尼亚州85个强震动观测站点的数据，结合地震记录和微震测量，系统评估了eHVSR计算中不同处理技术对场地基本频率（f?）提取精度的影响。

在数据处理层面，研究创新性地引入信噪比（SNR）筛选机制，发现采用SNR动态划分有效频带的算法相较于固定频带处理，能提升30%以上的f?识别准确率。具体而言，通过对比全频段处理与SNR>2的频段筛选，发现前者在复杂地质条件下易受噪声干扰，导致f?峰值偏移达±15%，而SNR动态调整可有效抑制这一现象。值得关注的是，当结合机器学习算法自动识别S波窗口时（如EQTransformer和PhaseNet），相较于传统人工选波，其f?提取的离散系数降低约40%，说明自动化处理在效率上具有显著优势。

在谱计算方法比较中，傅里叶幅值谱（FAS）与伪谱加速度（PSA）的计算结果存在系统性差异。研究显示，采用5%阻尼的PSA算法在低频段（<0.5Hz）的谱值会比FAS高约2-3倍，这导致f?识别存在0.1-0.3Hz的偏移。而通过将PSA计算范围限制在SNR>3的频段后，这一差异缩小至±0.05Hz，说明信噪比约束能有效提升两种方法的计算一致性。

关于波窗口的选择，对比全记录处理与S波窗口处理后发现：全记录处理在68%的站点中能识别出mHVSR的f?峰值，但存在15%的站点出现双峰现象；而S波窗口处理可将双峰率降至7%，但会牺牲12%的站点数据可用性。特别值得注意的是，在场地剪切波速V?30>500m/s的深层场地中，S波窗口处理使f?识别误差从±0.2Hz降低至±0.05Hz，显示出显著优势。

研究首次系统量化了不同处理方法对f?提取的影响权重。通过构建多因素决策模型发现：信噪比筛选（权重0.35）、谱计算方法（权重0.28）、波窗口选择（权重0.22）和场地坡度（权重0.15）共同构成f?提取的关键因素。其中，FAS算法与SNR>2.5的频段组合，在85个站点中实现了89%的f?与mHVSR峰值频率的匹配度（相关系数r>0.92）。

在对比分析中，研究揭示出地震记录与微震测量的f?存在系统性偏差。数据显示，当eHVSR和mHVSR同时检测到峰值时，其频率差超过0.2Hz的站点占比达23%。通过建立多元回归模型，发现场地高程梯度（每100m变化0.1Hz）、峰值地面加速度（PGA）的平方项（系数0.18）以及V?30的倒数（系数-0.12）是导致差异的主要因素。这一发现修正了传统认知中"eHVSR与mHVSR高度一致"的假设，为后续研究提供了重要方向。

在工程应用层面，研究提出三级筛选体系：一级通过SNR>2.5剔除低质量数据，二级利用机器学习自动识别S波窗口（误差率<5%），三级采用FAS算法并设置0.3-0.5Hz的频率滑动窗口。该体系在测试集上实现f?提取的总体准确率达91.7%，较传统方法提升约17个百分点。特别在深层场地（V?30>600m/s）中，该体系将f?识别误差从±0.25Hz压缩至±0.08Hz。

值得注意的是，研究发现了机器学习算法的局限性。在复杂地形区域（坡度>5%），自动识别S波窗口的误判率上升至18%，而人工复核可将这一数值降至3%以下。这提示在算法应用中需保留专家复核环节，尤其在评估类场地（如软土、破碎带）时，建议将人工复核作为必要步骤。

关于未来研究方向，学者们特别强调需要建立跨方法的数据融合机制。现有研究表明，当将FAS计算的f?与PSA计算的场地卓越周期（T?）进行耦合分析时，可使深层场地的f?识别精度提升至±0.03Hz。此外，研究建议开发基于迁移学习的自动化处理平台，通过整合日本K-NET、美国NGA-West2和欧洲EMSC等三大数据库的10万+组数据，可望将f?的识别标准差降低至0.05Hz以内。

该研究的重要启示在于：虽然eHVSR在浅层场地（V?30<300m/s）表现出与mHVSR的高度一致性（r>0.96），但在深层场地（V?30>500m/s）两者的f?匹配度骤降至0.68。这要求在工程实践中，必须针对场地条件选择合适的方法：对于V?30<300m/s的场地，可采用标准化的FAS算法；而对于V?30>400m/s的场地，建议采用PSA算法并辅以机器学习识别S波窗口，同时引入至少3组不同震级的地震记录进行交叉验证。

在技术实现层面，研究团队开发了名为HVSRPro的集成处理平台，集成了信噪比自动筛选、S波窗口机器学习识别（准确率92.3%）、多谱方法计算（FAS/PSA/SA）和结果校验模块。实测数据显示，该平台在处理加州85个典型场点时，f?的相对误差控制在±8%以内，且计算效率比传统方法提升3倍以上。

最后需要指出的是，尽管研究取得显著进展，但仍存在关键问题需要解决：1）如何量化不同处理方法引入的不确定性；2）微震与地震记录在非平稳地质条件下的差异机制；3）如何将场地基本频率（f?）与剪切波速（V?30）等传统参数建立统一评估体系。这些问题的突破将推动场地分类标准的革新，为地震动预测模型的优化提供理论支撑。