0 引言

噪声是关系地球物理数据采集质量的长期话题。电磁噪声通常可分为人文环境噪声、观测系统噪声和地质噪声等^[1]。在人文活动区，如我国东部地区，人文噪声普遍存在。随着经济社会的发展，人文噪声的影响与日俱增，已成为电磁观测无法回避的重要关切问题。

要分析并有效压制电磁观测数据中的噪声，对电磁信号和噪声特征的研究是必不可少的工作。大地电磁法(magnetotellurics，MT)和音频大地电磁法(audio-frequency magnetotelluric，AMT)以天然电磁场为场源，主要包括太阳活动和天电活动等^[2]。天然电磁场的频谱有几个显著的特点，包括高频“死频带”极小、低频“死频带”极小及舒曼谐振的极大等^[3-5]。天然电磁场的强度随时间会发生周期性变化，如音频天然场信号在一年中呈现夏强冬弱、在一天中呈夜强日弱的变化规律^[5-6]。而且天然电磁场信号强度十分微弱，极易受到噪声污染^[3-4]。为提高观测数据信噪比，人工场源被引入以增强场源信号强度，如可控源音频大地电磁法。由于人工场源的引入，场源的影响随之出现，如非平面波效应等^[7]。并且在强干扰区，为压制强噪声，人工源电磁法常需要不断增大发送机功率，从而增加了数据采集成本。

人文电磁场源主要包括输电网络、交通网络、电力设备以及其他人文活动等。我国工业输电网络的频率为50 Hz，因此输电网络对电磁场的影响主要为50 Hz及其高次谐波，同时输电线路荷载的动态变化将引起低频调幅干扰^[8-9]。交通网络中的电气化铁路系统是另一重要的干扰源，电气化铁路常采用交流-直流结合型电力机车作为牵引动力，供电回路中嵌入路基的铁轨会向地下持续泄漏游散电流，造成高强度大范围的背景噪声^[10-11]。强人文电磁噪声会引起频域响应数据的严重畸变，降低观测数据的质量，并影响地质解释效果^[3]。为压制噪声，须对噪声进行识别，首先需认识含噪数据的特征。随着人文活动区电磁观测数据案例的增多，噪声特征研究逐渐加强^[12-15]，积累了许多含噪数据实例。但这些研究通常只关注单个测站时间序列的形态特征或阻抗视电阻率、相位曲线的畸变特点等信息，缺乏从时间域、频率域至空间域的系统分析。含噪数据的时间序列有哪些特征？高噪与低噪环境的电磁场时频谱有何异同？噪声的影响频带有哪些？噪声的空间分布与哪些因素相关？这些问题仍有待深入探究。

作者团队近十年在长江中下游地区等强干扰地区开展了大量观测研究^{[6, 13-14, 16-17]}，获得了大批含噪电磁数据。本文立足于我国东部强人文干扰区，以庐枞矿集区为例，基于大量典型含噪测站及实测面积性AMT数据，讨论人文噪声源及含噪电磁场数据的时频域及空间分布特征。并试图根据含噪数据的特征，提出针对性的处理建议或研究方向。

1 强干扰区的电磁噪声源

电磁噪声的分类中，观测系统噪声和地质噪声常可以通过改进观测方式、改进数据处理和反演算法等方式进行压制，对原始观测数据质量的影响相对较小。所谓“强干扰”一般指强人文电磁噪声，是影响电磁场观测数据质量，造成数据畸变最重要的一类噪声。本节以安徽省庐枞矿集区为例，对强干扰区的电磁噪声源进行归纳分析。

庐枞矿集区位于中国东部，是长江中下游七大矿集区之一。庐枞矿集区矿产资源丰富，拥有多个大中型矿床，是我国重要的铁、铜、铅锌矿产区。该地区的整体海拔一般在300 m以下，地势相对平缓，大部分为低山丘陵区。火山岩盆地内广泛分布着相对低阻的火山岩地层和高阻的侵入岩^[17]。区内交通发达，由高速、各级公路、铁路、水运等构成了复杂的交通网络；人烟稠密、城镇密布、电网交错，构成了复杂而多变的人文电磁噪声环境。以往在本区开展的大量电磁勘探工作^{[6, 13-14, 16-17]}表明，受噪声影响，观测电磁场信号受到了严重的污染，增加了数据处理与解释的难度。

为查明庐枞矿集区内主要电磁干扰源的分布情况，对工区进行了实地调查。调查结果如图 1所示。人文噪声源的主要类型可总结如下。

1) 噪声源按频率成分可分为3种类型：①直流电及游散电流。电气化铁路常采用交流-直流结合型电力机车作为牵引动力，矿集区内诸多矿场的井下矿石运输多采用大功率直流电力牵引机车，供电回路包含铺设于地面或直接嵌入基岩的供电轨道，在直流电力牵引机车工作过程中可形成大规模的持续性地下游散电流，其电流可达几十到数百安培^[10-11]，其传播过程中低频成分衰减较慢，影响范围大。②宽频交流电。变电站、变压器、大型电力设备的启停及高压输电网络的荷载变化都将形成具有丰富频率成分的感应电磁场^[8]。③工频交流电。包括高压线、工业及民用供电网络，在我国主要影响50 Hz的窄带及其高次谐波等频点^[9]。

2) 噪声源按活动时长可分为3种类型：①持续性噪声源，如变压器、高压线及输电网络；②间歇性噪声源，如铁路、公路及开采中的矿场等；③短时性或随机性噪声源，如城镇人文活动、某些大型电器的开闭等。随着噪声活动时长的增加，其对观测数据的影响也更为严重。根据噪声源的活动时长，合理安排观测施工方案，可有效提高观测信噪比。

3) 噪声源按空间结构可分为3种类型：①点状噪声源，如变压器、发射塔等；②线状噪声源，如地下金属管线、铁路、高压线等；③网状噪声源，如城镇人文活动、城镇电网等。强干扰区内这些噪声源密集分布，常构成覆盖工区的立体干扰网络。一般而言，噪声源的空间结构越复杂，对电磁场观测的影响也越大。由于电磁场传播的能量会随空间距离的增大快速衰减^[7]，因此根据噪声源的空间结构和分布，优化布极位置与方向，是提高观测信噪比的手段之一。

4) 噪声源按位置属性可分为固定场源和移动场源2种类型：顾名思义，固定场源主要包括变电站等位置固定的电力设施，它们的影响常具有持续性，强度常具稳态特征；而移动场源则主要包括火车、矿场电力机车及汽车等交通工具，它们的影响常具有间歇性或随机性，观测强度常具非稳态特征。一般而言，固定场源的影响频率相对较窄，而移动场源的影响时段常常有限，因此通过布设远参考站，延长采集时间，采用时频域联合分析的方式对数据进行精细处理可望提高数据质量。

5) 此外，噪声源按其在观测系统中的定位，可分为输入端场源和输出端场源。大地电磁法的输入场源为天然场源，人工源电磁法的输入场源为可控人工场源；在这两类观测系统中，人文噪声常被视作输出端噪声进行处理，往往得不到满意的结果。实际上，强干扰区内的电磁噪声源更应被视作输入端场源，并开发相应的处理手段。

2 含噪电磁场数据的时频域特征

什么是噪声？它与信号有什么分别？这是进行电磁数据处理，开展噪声压制、信噪分离工作的首要问题。本节以典型含噪数据为例，通过分析含噪电磁场的时间序列、时频功率谱、电磁场极化方向以及频域曲线等数据，总结噪声的时频域特征。

2.1 含噪电磁场数据的时间域特征

时间序列是野外观测的第一手资料，噪声在时间序列的表现原始且直观。图 2、图 3给出了庐枞矿集区内典型含噪测站的时间序列截取数据及其时频谱。从形态、强度、结构及相关性等方面，分析含噪电磁场的时间域序列数据，可总结噪声的特征如下。

1) 形态明显。噪声在时间域常具有显著可辨的形态^[19]，主要包括类脉冲噪声、类充放电噪声、类方波噪声、类三角波噪声、类阶跃噪声等。类脉冲是强干扰区最为常见的时间域噪声之一，在电道和磁道中都可以观察到。如图 2(a1—a4)所示，测站S1各测道中均包含明显的脉冲波。类方波噪声是影响强度最大的噪声之一，常出现于电道数据中。如图 2(b1—b4)所示，测站S2电道数据中包含明显的类方波，而相应的磁道表现为类三角波。类充放电噪声在矿集区内极为常见，常与矿场或城镇内电力设备的工作相关。如图 2(c1—c4)所示，测站S3电道、磁道中均包含类充放电波形。类阶跃波一般与大型供电设备的启停相关，造成观测电磁场振幅的剧烈变化，常出现在电道中。如图 2(d1—d4)所示，测站S4电道数据中包含明显的类阶跃波，而相应的磁道表现为类三角波。根据噪声的这些特点，可以将具有上述明显畸变形态特征的数据视作噪声，采用数学形态学方法，提取出噪声的形态，进行信噪分离^[19]。

2) 振幅突出。“强干扰”之“强”，主要是指噪声的能量强，在时间域的表现即为观测电磁场振幅远高于天然电磁场信号。在图 2所示的时间域信号中，都可以看出具有明显畸变形态的含噪时段振幅显著强于其他时段。例如，类脉冲的幅值是正常信号的若干倍甚至几个数量级(图 2(a1—a4))；更清晰的对比是图 2(c3—c4)所示测站S3的H_y测道，在所截取的观测时段内，前半段信号振幅较低；后半段受类充放电噪声的影响，时间序列的强度呈数量级式飙升，直接淹没了正常信号。根据这一特点，结合噪声形态，可以从时域中识别出噪声信号，继而采用数据挑选^[16]、人机交互^[12]、阈值法^[20]、数据替换法^[21-22]等方法进行去噪处理。

3) 结构稀疏。天然电磁场一般为随机信号，而强人文噪声常常具有一定的规律，噪声的畸变结构常可通过更为简单的方式进行表达。最为典型的例子是工频噪声，其在时间序列中表现为连续的正弦波，形态规则，幅值较大，甚至可能完全湮没天然电磁场信号；但转化到频率域以后，它的影响一般限于工业频率及其谐波频率。类方波噪声、类充放电噪声、类脉冲噪声基本结构简单，在实测数据中反复出现，表现出一定的规律性(图 2)。根据这一特点，可以将这些相似的结构通过一定的特征结构进行稀疏表示，进而采用基于稀疏表示类的处理方法进行信噪分离^[23-24]。

4) 相关性高。强电磁干扰多为相关噪声，这种相关性不仅体现在同一测站不同测道间，也体现在不同测站之间。在有限的观测尺度范围内，不同测道、不同测站间常共享同一类信噪场源环境，因此强相关噪声的影响绝不仅存在于单一测道或单一测站。如图 2所示，噪声在同一测站不同测道间的出现时刻具有高度的吻合性。图 3显示了测站S5、S6的同步时间序列及时频谱片段。结合图 1，S5、S6均位于罗河铁矿附近，其数据可能均受到了矿场内电力设备的影响，S5距矿区更近，两测站相距约2 km。尽管S5的观测数据(图 3(a1—a4))强度明显高于S6(图 3(b1—b4))，但两个同步测站的时间序列具有高度的相似性，噪声波形的出现时刻相吻合，频谱随时间的变化趋势基本一致。现有的各类时间域数据处理方法多是对各个测道、各个测站数据进行独立处理，实际上忽略了数据间的相关性，处理尺度的不一致易破坏这种相关性，引入新的系统噪声。针对信噪的相关性特点，将多测站含噪数据置于统一的框架下，开发同时处理多道信息的时间域信噪分离算法，具有可预见的研究前景。例如压缩感知类^[24]和盲源分离类^[25]算法可向这一方向深入拓展。

2.2 含噪电磁场数据的时频谱特征

时间序列数据经过时频转换，可以获得数据的时频谱。从数据时频谱中，可以获得关于信号与噪声更为丰富的信息。例如，利用电场和磁场的频谱数据，可以计算出电磁场信号的极化方向^[26]。一般来说，天然场源的极化方向是随机且均匀的，没有明确的极化方向。而相对的，噪声源的极化方向往往更为稳定，不同时段的极化方向数据易呈现出相对集中的特点。因此，极化方向是进行信噪识别的重要参数。

针对S1—S6所示的时间序列，我们采用常规快速傅里叶分析方法，计算出含噪数据的时频谱，如图 2、图 3所示。同时，图 4给出了典型低噪测站S0、含噪测站S7和S8的时频谱及极化方向对比。含噪电磁场数据的时频谱特征可总结如下。

1) 不同类型时间域噪声的功率谱规律不同。如图 2—4所示，噪声功率谱强度常远高于天然电磁场强度；功率谱变化的时刻一般与时间序列出现剧变的时刻一致，并且噪声的时间域幅值越大，其频谱能量越强。类脉冲波的影响频率极宽，几乎可以贯穿整个目标频带；但影响时段相对较窄，仅在脉冲激励的时段范围内造成功率谱显著增强。类方波不仅影响频带宽，而且影响时段长，在方波存在的时段内，中低频信号几乎全被噪声覆盖。类充放电和类阶跃噪声的影响与脉冲类似，但影响时段相对更宽。关于时间序列噪声结构、幅度及宽度对频域数据影响的规律，徐志敏^[14]已进行较详细的分析，此处不再赘述。

2) 短时性或随机性噪声的影响时段相对有限。当环境背景噪声相对较低时，电磁场的极化方向不明显；天然或低噪电磁场的功率谱在频率域呈现出一定的分带性，即在时频谱图中表现出相对可辨的横向条带，其标志是舒曼谐振频率的相对高值。当环境中出现短时性高强度噪声时，电磁场的极化方向相对集中；含噪时段电磁场噪声的能量显著增强，常常掩盖天然场的频率分带性；在时频谱图中表现为明显的纵向条带，条带的宽带表征了含强噪声的时段、长度表征了噪声的影响频带范围。如图 4a所示，测站S0处于低噪环境中，其1 000~3 000 s时段信噪比较高，700 s左右时段受到了高强度短时性噪声的影响。可以看出，低噪时段电磁场极化方向均匀分布；电磁场功率谱在舒曼谐振各频率点(如7.8 Hz)处为相对高值，并且在时间上具有连续性，即在各时段内不同频率成分的相对强弱保持稳定。这些特征均符合天然电磁场规律。而高噪时段极化方向相对集中，功率谱在时频图上表现为横向的条带转变为纵向的条带。由于短时性或随机性噪声的影响时段相对有限，因此其处理相对容易，可通过延长采集时间、稳健阻抗估计^[27]等方式提高数据质量。

3) 间歇性噪声的功率谱和极化方向呈现出分段特征，其存在增加了低频信息的获取难度。含间歇性噪声数据在低噪和高噪时段内的时频谱和极化方向分布特征与上述短时性或随机性噪声相似。不同的是，间歇性噪声具有反复性，在有限的观测时段内，大比例的时段都受到了影响。这使得低频信息的获取变得困难，因为低频功率谱的计算有赖于更长时段观测数据的参与。如图 2所示，受噪声影响，高频段功率谱中尚可分辨出功率谱的时变信息，低频段则几乎完全被噪声功率谱淹没。图 4b中S7测站受到了间歇性噪声的影响，低噪和高噪时段内的极化方向分别呈现出离散和相对集中的形态，而功率谱则分别呈现出可分辨的横向条带和纵向条带。针对间歇性噪声的特点，根据信噪间的差异，可以选择合适的参数进行含噪功率谱数据识别，然后通过数据删选或加权的方式进行噪声压制^[26]。在时频分析过程中，可采用小波分析、Hilbert-Huang变换、S变换等方法，改进时频谱的频率分辨率和时间定位能力，继而提高信噪识别的效果^[28-31]。通过引入远参考数据，还可利用含噪数据与远参考数据间的相关性分析^[32]，识别出信噪比较高的频谱数据，继而进行功率谱挑选或加权，如远参考磁场控制(RRMC)方法^[33]。

4) 持续性噪声一般极化方向明确，能量随时间平稳变化。噪声功率谱强度远高于天然场强度，且呈现出频率分带性。如图 4c所示，S8测站受到了持续性噪声的影响，在整个观测时段内，极化方向均相对集中，噪声的功率谱掩盖了天然场的功率谱特征，且随时间变化分布相对均匀。部分频段及频点的功率谱强度大且在时频谱上表现出横向条带特征。持续性噪声常贯穿整个观测时段，含噪数据比例远远超过稳健估计的“崩溃点”^[27]，也难以通过数据挑选获得信噪比较高的频谱数据。因此，常规的“数据挑选+稳健估计”的策略往往无法达到去噪效果，即使引入远参考数据也难得到满意的处理结果。针对这类噪声，建立新的数据处理模型，从输入端将“噪声”视作有效“信号”，利用空间不同测站信噪组合的异同(图 3)提取噪声信息，继而实现信噪分离是值得深入研究的方案^[18]。

2.3 含噪电磁数据的分频带畸变特征

对功率谱数据进行挑选和稳健估计后，可以获得叠加功率谱及系统的频域响应。频域的常用响应参数包括叠加电磁场的功率谱及其相干度，阻抗视电阻率、相位、误差及相位张量等^[2]。利用这些数据，我们对含噪数据的分频带畸变特征进行了总结。

在频率域，含噪响应数据具有明显的分频带畸变特征。图 5给出了典型含噪AMT测站S9和MT测站S10的频域响应数据。图 6给出了含噪AMT测站S7和S8的频域响应数据。可以看出，在AMT及宽频MT的观测频率(10^-3~10⁴ Hz)范围内，主要存在以下几个畸变频带。

1) AMT“死频带”畸变。在1~5 kHz范围内，天然电磁场信号强度极低，此即所谓AMT“死频带”^[5]。在强干扰区，因背景噪声的强度更大，观测数据信噪比更低，故AMT“死频带”畸变的影响更为显著，畸变频带更宽，如图 5a所示，几乎整个高频端都有畸变痕迹。由于观测数据信噪比低，该频段内电磁场相干度呈现局部极小，视电阻率、相位曲线出现“飞点”或脱节，相位张量产生畸变。一般而言，AMT“死频带”畸变与测站的空间位置无关，而与观测时间密切相关，利用夜间观测可以显著提高数据质量。通常AMT“死频带”的畸变频带相对较窄，采用Rhoplus方法处理一般可以得到令人满意的结果^[6]。

2) 工频畸变。影响主要集中于50 Hz的窄带范围内，而其高次谐波的能量相对较弱，经过稳健功率谱估计处理后影响较小。由于采集仪器常针对工频进行了硬件陷波设计，使得这一窄带的观测信号较为复杂。受其影响，频域数据一般表现出信号强度极大、相干度极小、视电阻率、相位及相位张量发生畸变，如图 5a所示。由于影响频带窄，畸变常以“飞点”的形式出现。窄带畸变在频率域的处理相对简单，利用频域圆滑算法，如Rhoplus等方法即可处理^[6]。

3) MT“死频带”畸变。在0.1~10 Hz的频率范围内，天然场信号强度极低，数据信噪比下降，即所谓的MT “死频带”^[4]。在强干扰区，由于噪声的存在，该频段内电磁场信号强度相对天然场偏高。如噪声相关性偏低，则电磁场相干度常表现出低值，视电阻率、相位数据较为离散，误差大，相位张量无规律，如图 5a所示。如噪声强相关，则相干度常表现出高值，视电阻率、相位曲线相对连续，误差小，相位张量呈规律畸变，如图 5b所示。由于MT“死频带”内天然场信号的强度过低，甚至低于采集仪器的本底噪声，因此各种处理算法即使能压制噪声，也很难提取到有效信号。而可控人工源在该频段内常常会进入过渡区或近区，并受到场源效应影响；故目前还没有令人满意的针对性处理方法。更合适的处理方式是进一步提高采集仪器的性能，降低传感器的本底噪声，首先保障观测数据中有可用的天然场信号，再开发相应的信噪分离算法。

4)“近源”型畸变。由相关噪声引起，受影响频段与干扰源频率成分和距离关系密切，一般影响中低频段，影响频段范围很宽，高频畸变频点可达数百赫兹甚至更高，低频可达0.01 Hz甚至更低。“近源”型畸变的程度主要取决于数据的信噪比，信噪比越低，畸变越明显；因此，其畸变频段常覆盖MT“死频带”或与其重叠。“近源”型畸变的阻抗视电阻率数据在等间隔双对数坐标系中常以45°角随频率的降低而升高，而相位则随频率降低渐趋于0，曲线常有较好的连续性，误差小，电磁场相干度常呈现高值^{[7, 34-35]}，如图 5b、图 6所示。图 6显示了常规稳健估计和远参考处理“近源”型畸变的示例。结合图 4分析可知，由于含噪时段比例超过了稳健估计的“崩溃点”，因此稳健估计处理结果出现了严重的“近源”型畸变。当观测数据中的噪声为间歇性噪声、待处理测道与远参考测道的相关性较好时，采用远参考处理可以较好的改善数据质量，如图 6a；而当观测数据中的噪声为持续性噪声、待处理测道与远参考测道的相关性较差时，远参考处理的改善效果极为有限(图 6b)。采用改进的数据挑选^[26]、RRMC^[33]、数据替换^[22]、双远参考^[34]等方法可进一步改善含间歇性噪声的“近源”型畸变数据；而对持续性噪声，可尝试采用时间域处理^{[19, 23-24]}、阵列处理^{[26, 36]}等。

除上述常见畸变频带外，特定频率成分的强干扰可能造成其他频带、频点的畸变，强不相关噪声还可能造成某频段数据的离散无形态，但一般不具有普遍性，此处不一一列举。

3 含噪电磁场数据的空间分布

上述含噪数据特征分析主要在空间单测站的时间域、频率域进行。实际上，噪声在不同测站间的分布并不是各自独立的。当空间上存在多个不同测站时，其电磁场数据中记录了噪声的空间分布特征。以庐枞矿集区内的大量AMT观测数据为例，以强干扰导致的“近源”型畸变为主要对象，通过分析不同测站间因观测方向、位置不同而导致的数据畸变差异，分析噪声的空间分布特征。

3.1 典型测站数据分析

图 7、图 8给出了部分典型试验测站含“近源”型畸变的视电阻率、相位及相干度数据。结合图 1和其他实测数据的统计分析，可以得到以下认识。

1) 一般地，距离干扰源越近，“近源”型畸变的起始频点越高，畸变频段越宽。顾名思义，“近源”指观测点与场源的距离(发收距离)相近。理论上，电磁场源信号的传播能量随距离的增加快速衰减，电场强度与发收距离的3次方呈倒数关系，磁场强度与距离的关系在平方至3次方之间^[34]。故距离干扰源越近，噪声强度越大，信噪比越低。另一方面，发收距离越小，达到过渡带或近区的屈服深度越浅，或者说频率越高。因此，“近源”型畸变的起始频点可在一定程度上反映测站与强干扰源的空间距离。如图 1所示，测站S5、S6、S11、S12均位于罗河铁矿附近，距离罗河铁矿由近至远。测站S13、S14均位于矾山镇龙桥铁矿附近，S13距离矿场更近。受矿场内各噪声源的影响，这些测站的视电阻率、相位均表现出明显的“近源”型畸变特点。图 3中，功率谱强度的对比表明距离噪声源越近，信号强度越大(S5的信号强度明显高于S6)。图 7清晰地展示了随着与罗河铁矿矿场距离的增大，“近源”型畸变的频率范围由宽转窄、起始畸变频点由高而低的空间分布形态。图 8中，距矿场更近的测站S13的畸变频带更宽、起始畸变频段更高，达到了100 Hz；而测站S14的畸变频段在10 Hz以下。值得注意，测站S2和S7也位于龙桥铁矿(图 1)附近，上文中图 2记录了矿场内大型机车工作时测站S2时间序列中的方波噪声，图 4记录了测站S7受到矿场内各设备分时段间歇性工作产生的噪声信息，图 6中展示了S7的“近源”型畸变形态，起始畸变频点同样达到了100 Hz。

2) “近源”型畸变存在一定的方向性差异。尤其对于空间上点状和线状分布的噪声源，其影响常具有相对明显的方向性。由于各测站观测方位、噪声组合以及传播噪声的地下电性结构不同，造成了不同测站、不同观测模式间数据的差异。对比图 8中各测站可发现：测站S13两模式数据的畸变程度相当，均在100 Hz以下产生“近源”型畸变；测站S14两模式数据均存在“近源”型畸变，但起始畸变频点不一致，xy模式数据畸变频段更宽；测站S15的xy模式数据“近源”型畸变严重，但yx模式受畸变影响较小，仅在1 Hz以下表现出畸变特征；测站S16中仅xy模式受噪声影响，而yx模式数据质量较高，未出现明显的“近源”型畸变。对比图 7和图 8，结合图 1中的地形地质条件可知，在地形相对平坦、低阻覆盖层较厚的红层盆地区，“近源”型畸变的方向性差异较小(图 7)；而在地形起伏、地电结构更复杂的火山岩区，差异相对更大(图 8)。这说明，“近源”型畸变的方向性差异不仅与场源相关，也与介质的电性结构有关。

3.2 面积性数据分析

如前所述，一般地，“近源”型畸变的影响频段较宽，阻抗数据的起始畸变频点主要取决于相关噪声源与观测站的距离，而在起始畸变频点以下至MT“死频带”范围内的数据几乎都会受到畸变的影响。因此，起始畸变频点在一定程度上可代表数据的含噪程度以及相关噪声的空间分布。基于这一认识，我们对庐枞矿集区内的2 593个面积性AMT原始视电阻率、相位数据进行了分析，根据前述含噪数据的时频域特征，识别出数据集中含“近源”型畸变特征的测站，统计了其起始畸变频点，进而尝试归纳观测区内相关噪声的总体空间分布特征。

图 9给出了面积性测站阻抗数据受“近源”型畸变影响的起始畸变频点的等值线图。整体来看，在测区南部、东南部以及西北部，测站受到“近源”型畸变的影响较小，无明显畸变或起始畸变频点低。在测区中西部和东北部，各测站受到的“近源”型畸变较为严重，起始畸变频点基本在10 Hz以上，而这些地方都位于罗河铁矿、泥河铁矿、龙桥铁矿和矾山明矾石及铁铜矿等大型矿场的影响范围内，显示出“近源”型畸变与矿场间高度相关的空间关系。这表明矿场内大功率直流电力牵引机车及其供电回路所形成的大规模游散电流，可能是造成庐枞矿集区电磁数据产生“近源”型畸变的主要原因。

对比xy模式和yx模式数据，可以看出两个方向的噪声分布有一定差异。总体上，在测区中部及西部xy模式受“近源”型畸变影响的程度更高，表明测区内部不同方向的噪声环境存在一定的差异。而在测区南部及西北部，xy模式的含噪强度更高，这可能与测区外部背景噪声的方向性差异相关。如图 1所示，测区外西北部存在长距离火车轨道，其供电回路的影响可能波及了测区内的低频背景噪声。

受“近源”型畸变影响的区域与庐枞矿集区深部侵入岩空间分布的地表投影整体上有相近之处。结合庐枞矿集区主要矿床的分布及侵入岩的高阻特征^[17-18]，可以解释这一现象。一方面在当地下介质为高阻时，测深曲线会呈现上升趋势，同时相位变小，与“近源”型畸变的特征类似；观测数据中包含有反映地下介质结构的有效信息，一定程度上可以映射出高阻侵入岩的地电结构。另一方面, 相对于低阻, 电磁波在高阻中衰减较慢, 在受到同样强度近源干扰的前提下, 高阻区测站受影响更大。而在矿区，侵入岩体主要为高阻，噪声的强度也更大，二者叠加使得这些区域测站进入近区的频率更高。

需说明的是，由于强干扰区内噪声源众多且组合复杂，因此上述认识是基于大量数据的统计而得出的总体特征。事实上，测区内存在少部分特征与整体规律并不相符的测站，在图 9中表现为高、低阻背景下的“孤点”，这主要是因测站局部的噪声环境差异所致。实际条件下，不同测站的畸变情况仍需视其具体信噪环境而定。

综上，强干扰区内噪声的影响绝不是孤立于各个测站的，在空间上，噪声的分布与场源的类型、位置、观测距离、观测方向以及地下电性结构均存在相关关系。因此，基于多站联合、阵列分析的信噪分离方法是强干扰区数据处理研究的重要方向。

4 结论

基于庐枞矿集区的干扰源调查及含噪电磁观测数据，获得如下认识：

1) 强干扰区噪声源类型多样，按频率成分可分为直流电及游散电流、宽频交流电及工频交流电等；按活动时长可分为持续性、间歇性及随机性等。

2) 含噪电磁场数据在时域常表现出形态明显、振幅突出、结构稀疏及相关性高等特征。含噪电磁场的功率谱强度常远高于天然场，间歇性噪声的影响具有时间分段特征，持续性噪声一般极化方向明确、能量平稳变化。含噪电磁场会造成频域数据的畸变，主要包括AMT“死频带”畸变、工频畸变、MT“死频带”畸变及“近源”型畸变等，其中“近源”型畸变常叠加在MT“死频带”范围内，是强干扰区最为常见和棘手的问题。

3) 噪声在空间的分布与场源的类型、观测方位以及地下电性结构均存在相关关系。一般地，“近源”型畸变的起始频点随着观测点与场源距离的减小而升高。庐枞矿集区内的人文活动是造成电磁数据产生“近源”型畸变的原因，矿集区深部侵入岩的高阻属性会加剧数据的“近源”型畸变程度。

基于上述认识，在电磁噪声环境复杂的强干扰区开展电磁探测工作时，需详细调查干扰源，优化观测方案；综合分析观测数据集的时间域、频率域及空间域特征，对数据进行合理分类，选择针对性的处理策略，以多种手段相结合，进行分段、分带及分片的精细化处理。同时，数据处理算法的开发和改进必须有针对性，明确方法的适用性，切忌以一种方法处理所有类型的噪声。多站联合、阵列分析是强干扰区数据处理研究的重要方向。

致谢: 安徽省地质调查院对文中的野外采集工作给予了指导和帮助，中南大学张林成、王显莹、胡双贵、刘子杰、唐冬春、陈旭日、刘祥、谭洁、张超等参加了野外采集工作，在此一并表示感谢。