针对三分量地震台阵数据中不同极化叠加信号解析的新处理方案
作者与发表信息 本项研究由隶属于科罗拉多大学博尔德分校物理系的Gregory S. Wagner主导完成，相关成果以题为“Resolving diversely polarized, superimposed signals in three-component seismic array data”的论文形式，发表于Geophysical Research Letters期刊，具体刊载于1996年7月1日出版的第23卷第14期，页码为1837至1840。
研究背景与目标 本研究属于地震学，特别是地震信号处理与台阵分析领域。在三分量地震台阵数据处理中，当时存在两种主流方法：一种是因子分析（Factor Analysis， FA）法，该方法需要同时在波前和偏振特征空间中搜索特定信号，这对于未知波型和传播方向的叠加信号而言计算量巨大且耗时；另一种是Jurkevics (1988)提出的方法，即对台阵内各单台站三分量协方差矩阵进行平均后再进行主成分（Principal Component, PC）偏振分析，但这种方法未能充分利用台阵提供的空间采样优势，且未能解决单台站三分量数据PC分析固有的诸多问题。
因此，本研究旨在开发一种新颖的处理流程，以克服上述方法的局限性。其核心目标是实现对三分量台阵数据中传播方向各异、极化方式不同且可能相互叠加的多个地震信号进行有效分离与精确参数估计。研究的具体目的是通过一种序贯的处理框架，先估计信号的传播参数，再对其偏振特性进行分析，从而充分利用三分量台阵数据所蕴含的丰富信息。
详细工作流程 本研究提出的处理流程是一个包含三个核心步骤的序贯算法：主成分分析（PC）→ 因子分析（FA）→ 主成分分析（PC）。整个流程基于对频率域样本协方差矩阵的操作。
首先，对于一个包含N个三分量传感器的台阵，其数据在频率ω下可以构成一个3N维的数据向量。计算该数据向量的样本协方差矩阵R(ω)。第一步PC分析的目的是将波场中的相干信号成分与随机噪声成分分离到正交的子空间中。通过对R(ω)进行特征分解，得到按特征值大小排序的特征向量。研究者假定信号子空间的维数（即信号个数）已知或可通过特征值大小判定。随后，将特征空间划分为由前ns个最大特征值对应特征向量张成的信号子空间（实际包含信号加部分噪声）及其正交补集——噪声子空间。这一步产生了信号协方差矩阵Rs(ω)和噪声协方差矩阵Rn(ω)的估计。此步骤基于Owsley (1978)的信号子空间处理理论。
接着，第二步FA（此处实质为高分辨率波前分析） 的目标是在第一步分离出的噪声子空间中进行，以隔离相干信号并估计其传播方向（方位角θ）和视传播速度（c）。与传统波束形成（Conventional Beamforming, BF）在原始协方差矩阵或其信号子空间矩阵的埃尔米特形式中寻找最大值不同，本研究采用的方法是寻找与噪声子空间正交（或接近正交）的模式。这种方法能提供更尖锐的方位估计和更好的多信号分辨能力，其思想源于Bienvenu和Kopp (1983)。对于三分量台阵，研究者设计了三组相互正交的3N维导向向量，分别对应于纯垂向（Z）、纯南北向（NS）和纯东西向（EW）线性极化平面波假设下，各传感器因波前传播引起的相位延迟。这些导向向量仅包含传播引起的相位信息，而不预设具体的偏振状态。
关键的操作是，将这三个导向向量组成的矩阵E(θ,ω,c)投影到噪声子空间上，形成一个3x3的“偏振分析协方差矩阵”C(θ,ω,c) = E^H R_n^{-1} E。通过计算该矩阵的最小特征值λ_3(θ,ω,c)的倒数，可以得到一个增强型最小方差（Enhanced Minimum-Variance, EMV）谱。谱中的峰值对应着信号的可能方位和速度。同时，与该最小特征值对应的特征向量p_3(θ,ω,c)（通常是复数）则编码了该信号在各分量间的振幅和相位关系，即其偏振特性。通过结合估计出的方位θ、视速度c以及特征向量p_3，可以推断信号的波型（如P波、S波、瑞利波等）。完整的信号模式向量可以通过导向向量与偏振特征向量的组合来重构。
最后，第三步PC分析 即是对上述第二步中已隔离出的单个信号，通过其模式向量或相关的协方差矩阵（如C(θ,ω,c)）进行详细的偏振分析，以精确量化其粒子运动极化特征（如线性、椭圆、圆极化等）。整个方案也可以方便地融入其他高分辨率算法框架，如最小方差无失真响应（MVDR）和多信号分类（MUSIC）算法，只需调整计算C(θ,ω,c)时所使用的矩阵即可。
为验证该流程，研究设计了一个数据案例分析。合成数据模拟了同时到达的三个信号：一个线性极化的P体波、一个线性极化的SH体波和一个圆极化的瑞利面波，并叠加了时空白噪声。信号参数（峰值频率、方位角、入射角、信噪比）已知（见表1）。台阵由5个传感器按圆形布设。使用该合成数据，研究者比较了三种数据类型的处理结果：单台站三分量（3C）数据、仅垂向分量的台阵（ZA）数据以及完整的三分量台阵（3CA）数据。对于3C数据，使用了宽带PC偏振分析（分别对实信号和复解析信号进行分析）。对于台阵数据，则应用了上述新流程，并对比了EMV、MUSIC、MVDR和传统BF四种算法的方位谱估计效果。
主要结果 在方位谱估计方面（图1），对于三分量台阵数据，三种高分辨率算法（EMV、MUSIC、MVDR）都成功地分辨出了方位角分别为130°、135°和140°附近的三个信号峰值，且谱峰尖锐，旁瓣抑制良好。而传统BF方法的分辨率明显较差，难以清晰分辨三个靠得很近的信号。对于仅使用垂向分量的台阵数据，高分辨率算法虽然也能在一定程度上指示多个信号的存在，但其谱峰特征和分辨能力普遍逊于使用全三分量信息的结果。
在信号参数估计方面（表2），基于三分量台阵EMV谱分析的结果显示，对应于三个谱峰的信号，其估计出的方位角（129.6°, 135.2°, 139.8°）、波数以及偏振特征向量都与合成数据的真实参数高度吻合。例如，估计出的偏振向量能够准确反映P波（主要能量在垂直和径向）、SH波（主要能量在横向）和瑞利波（垂直与径向分量存在90°相位差，接近圆极化）的典型特征。
相比之下，单台站三分量数据的PC分析结果则完全失败。无论是使用实信号（PC）还是复解析信号（PC*），特征分解得到的三个特征向量都无法清晰对应到三个独立的物理信号。最大的特征值对应的特征向量是三个真实信号偏振特征的混乱混合，无法用于可靠推断任何一个信号的波型或传播方向。这直观地证明了在信号叠加的情况下，单台站偏振分析的局限性。
结果表明，本研究提出的序贯处理流程能够有效利用三分量台阵提供的空间-偏振联合信息，成功分离并精确估计了叠加信号的传播方向、视速度和完整的偏振特性。而单台站三分量数据仅能提供模糊且混合的偏振信息，若无额外的先验知识（如已知传播方向或波型），这些信息几乎无法被正确解读。
结论与意义 本研究提出并验证了一种用于处理三分量地震台阵数据的新颖序贯处理方案。该方案通过PC分析分离噪声、在噪声子空间中进行高分辨率FA以估计信号传播参数、最后对已隔离信号进行PC偏振分析的三步走策略，实现了对复杂波场中多分量、叠加信号的解析。该方法本质上是将多元统计分析中的向量空间原理应用于地震台阵数据处理，尝试在先通过高分辨率波前分析估计出信号传播方向的基础上，再进行主成分偏振分析。
其科学价值在于提供了一种相对简单且计算高效的分析框架，能够充分挖掘和利用三分量台阵数据所独有的丰富信息（空间相关性与全矢量偏振），解决了传统方法在分辨叠加信号和联合估计传播与偏振参数方面面临的困难。应用价值体现在，该流程可以提升地震台阵在复杂震相识别、波型分离、结构成像以及震源机制分析等方面的能力。
研究亮点 1. 方法新颖性：提出了“PC → FA (在噪声子空间) → PC”的序贯处理框架，创造性地将信号子空间处理、高分辨率方位估计和偏振分析有机结合。 2. 解决关键问题：有效应对了叠加信号解析的挑战，同时实现了对信号传播参数（方位、速度）和偏振特性的高精度联合估计，克服了单台站三分量分析在信号叠加时的失效问题。 3. 算法普适性：所提的核心思想（在噪声子空间进行偏振分析）可以灵活地嵌入到多种现有高分辨率阵列处理算法（如MUSIC、MVDR）中，增强了这些算法的偏振信号处理能力。 4. 验证充分性：通过精心设计的合成数据实验，清晰对比了单台站三分量、垂向台阵和三分量台阵三种数据配置下的参数估计能力，有力地证明了三分量台阵数据结合所提方法的显著优势。
其他有价值内容 论文在讨论中指出，单纯的偏振分析特征向量本身提供的信息非常有限。必须将偏振信息与传播方向（或视速度）信息结合，才能唯一确定信号的物理属性（波型）。这突显了能够同时提供这两类信息的三分量台阵数据处理方法的根本重要性。此外，作者在鸣谢部分说明了该项工作得到了美国地震学研究联合会、美国国家科学基金会以及美国空军科学研究办公室的资助，体现了其研究背景与应用潜力。