摘要
地磁数据不但服务于地磁学，还为地震研究、地质结构研究、野外勘探等研究提供数据保障。在我国数字化地磁观测台网中，大部分观测站台会受到外界不同程度的电磁干扰，且干扰源多样、干扰时间不定、干扰形态各异，这给地磁数据处理带来巨大挑战。然而科学和工程界至今未对观测异常形成统一的判定标准，这严重影响了地磁数据的质量和应用价值。 地铁、高压输电等人为因素和磁暴等自然因素都会对地磁数据产生干扰影响。在干扰的处理上，去噪、异常检测为首要工作。为此，本文将深度学习方法运用 到地磁数据的去噪、异常检测上。对受地铁运行干扰影响的地磁数据做去噪处理；对高压输电干扰、磁暴干扰影响的地磁数据进行异常检测，以此提高地磁数据的质量和应用价值。本文将对天津市静海地区受干扰影响的地磁数据展开研究，主要研究内容如下： （1）传统去噪多采用频谱变换方式，需要精准建模才能获得理想效果。深度学习方法可以自适应地对数据进行去噪，解决了精准建模的困扰。本文采用AE-LSTM模型对含地铁运行干扰的地磁数据进行去噪，在仿真数据中验证了AE-LSTM模型的可行性。实验表明AE-LSTM模型能在保留地磁数据特征的情况下，有效去除地铁运行干扰对数据的影响。 （2）在采用BiLSTM检测模型对含高压输电干扰的数据进行异常检测的过程中，BiLSTM检测模型虽然能检测到受干扰影响的地磁数据，但会将地磁数据中变动较大的波峰、波谷数据误判为异常。为解决BiLSTM检测模型中存在的问题，本文将AE-LSTM模型与Mahalanobis结合构建出一个新的模型：AE-LSTM-M检测模型。实验结果表明AE-LSTM-M检测模型能有效解决数据中波峰、波谷被误判的问题，并能有效检测出受高压输电干扰、磁暴干扰影响的异常地磁数据。
NETL