利用地震台网的地震波形快速计算准确的爆炸源位置及爆炸能量，对灾后应急救援具有重要的意义。国内外众多学者针对地震事件类型的识别开展了广泛而深入的研究，总结了许多时域和频域方面的识别判据^[1]。崔鑫等^[2]通过对天然地震和人工爆破的频谱分析，得出天然地震和人工爆破的记录具有明显不同的时频特征。霍祝青等^[3]发现天然地震高频部分主要集中在2~20 Hz，而人工爆破大于10 Hz的频谱与地震相似，在1 Hz左右存在明显的卓越峰值，衰减较天然地震快且频率较单调。刘希强等^[4]用小波变换能量线性度方法识别天然地震与爆破或塌陷事件，发现在精细结构小波分解信号“能量”线性度方面，天然地震主要集中在2.0~1.0 Hz，爆破或塌陷主要集中在2.0~3.4 Hz；在精细结构小波分解信号“能量”最大值对应的小波分解尺度方面，爆破或塌陷主要集中在4~5 Hz，频段集中在0.7~3.1 Hz，而天然地震主要集中在1~2 Hz，频段集中在6.25~25 Hz。边银菊^[5]将遗传(GA)算法与反向传播(BP)算法结合为GA-BP算法，并建立遗传BP神经网络对地震和爆破进行识别。Zhang等^[6]发展了一种match and locate的改进算法，实现了朝鲜地区多次核爆的检测。陈润航等^[7]从震源波形中提取梅尔频率倒谱系数(MFCC)图，再采用卷积神经网络(CNN)进行地震波形信号的震源类型的分类识别，最终得到97.1%的正确识别率。

震相识别是地震观测中最重要的环节，根据识别手段可划分为人工经验分析和计算机自动识别。传统的人工经验分析方法主要有直观拾取法、走时表检测法、综合检测法、和达曲线检测法、合成地震图检测法等。由于人工爆破与天然地震的波形具有较高的相似性(图 1)，仅在频率周期及能量分布上有一定的差别，分析人员根据经验和波形特征进行识别花费时间较多且缺乏时效性。因此，建立一种能够及时准确地识别天然地震与人工爆破的方法，能为快速开展爆破灾害的应急救援提供重要的科技支撑，也对开展地震学研究等具有重要意义。

1 利用基于波形互相关的模板匹配算法识别分析

互相关系数^[8](correlation coefficient，CC)表示的是2个时间序列之间的相关程度，假设2个时间序列分别为x(t)、y(t)，则二者的互相关系数为：

$ \begin{array}{c} {\rm{CC}}(i) = \\ \frac{{\sum\limits^n_i {\left[ {y(n) - \overline y } \right]\left[ {x(i + n - 1) - {{\overline{x}_i}} } \right]{\rm{d}}t} }}{{\sqrt {\sum\limits^n_i {{{\left[ {y(n) - \overline y } \right]}^2}\sqrt {{{\left[ {x(i + n - 1) - {{\overline{x}_i}} } \right]}^2}} } } }} \end{array} $

(1)

具体的分析识别步骤为：

1) 制作地震模板。从已有测震台网目录中获取地震事件，挑选信噪比高、震相清晰的地震事件作为模板。图 2和3为按震中距排列的爆破事件及天然地震事件的波形。可以看出，震中距越大的台站记录到的波形特征越不明显，而近台震相的波形特征明显，因此模板均选取近台地震事件。窗口长度选为10 s，包含P、S波的分界点，由于S波能量强、干扰小，模板时间的起始时间为S波到达前5 s左右，具体见图 4。

2) 互相关系数滑动扫描。模板事件制作好后，截取各台站的连续波形，令其待识别信号为x(t)，将x(t)与该台站的模板信号y(t)进行滑动互相关系数扫描。假设待识别信号x(t)和模板信号y(t)分别有N和M个采样点，以x(t)的起点为初始计算位置，截取一段长度为M的信号，并将所截信号与y(t)进行公式(1)的逐点滑动互相关计算，得到互相关系数序列CC(i)，式中，i=1, 2, …, N－M+1；n=1, 2, …, M。图 4为模板事件与模板所在的波形扫描的自相关系数，可用来检测CC的准确性，图中相关系数为对应的模板波形所在的位置，同时检验了程序计算CC的可靠性。

3) 待测事件的判别。互相关系数序列CC(i)计算完成后，将各台站三分量的互相关系数序列分别进行对应叠加并求平均值，按照震例特点设定合理阈值，当CC(i)超过阈值时即可将该信号段判定为人工爆破事件的信号。

2 数据处理与结果 2.1 数据选取

本文选取内蒙古台网监测到的16次地震事件，研究范围为内蒙古自治区阿拉善盟阿拉善左旗区域(37°~41°N，103°~108°E)。图 5为研究区内2012-01-01~2018-01-01所有地震及爆破事件的分布，每个事件记载台站平均为10个左右，即天然模板事件与待测事件的样本数据各为240条，波形数据选取P波到时前10 s到最大面波振幅出现后1 min内。为消除噪声对信号的干扰，本文所用数据均采用数字滤波器滤除频率低于1 Hz的信号。

首先从地震事件中选取信噪比SNR较好的波形数据作为模板进行预处理，再设定CC阈值为0.3，波形通道总数为80%进行爆破事件分类。由图 6可知，同台站记录的2个不同爆破波形之间的互相关系数值最高，为0.574 1，说明同一台站记录的爆炸波形相似度高，可确定为同类型事件。因此，本文在波形互相关计算中，原则上选取同台站记录的波形进行互相关计算，在台站数据不全或缺失的情况下则用相邻台站的波形代替。

2.2 识别结果

本文选取8个模板事件，均为已知的爆破事件，分别记为A、B、C、F、E、F、G、H，待检测事件为8个，分别记为1、2、3、4、5、6、7、8，其中1~6号事件为爆破事件，7、8号事件为天然地震事件，将CC值超过阈值总模板数6个以上作为判别依据。最终计算结果为准确识别人工爆破4个、天然地震2个，5号事件超过阈值台站数为5，没有达到判定条件，具体结果见表 1。

3 结语

本文使用基于波形互相关的模板匹配方法对内蒙古阿拉善左旗地区的6次人工爆破及2次天然地震事件进行震相识别，最终人工爆破的准确识别率为80.0%，天然地震为100%，相比其他波形区分方法有更好的识别率，为今后人工爆破事件的识别工作提供了可靠的参考。本文提出的爆破事件识别是基于波形的，可直接应用于测震台网实时波形监测中，相比于其他间接识别方法更直接，可通过波形第一时间判别出事件类型，具有更高的效率和可用性。

值得注意的是，在地震事件分类阈值设定过程中，阈值太高会降低识别率，阈值过低又将导致结果准确度不高，本文以多年震相分析结果为基础设定的阈值还需在今后的研究中进行验证。另外，区域地质背景及传播路径等的差异会使地震波形特征不同，本文获得的指标仅在内蒙古阿拉善左旗地区的地震类型识别中具有一定的参考价值，今后将收集更多区域的事件样本，进行更广泛的识别训练和研究，不断完善和验证判定指标的普适性。