这是个非常好的问题两者本质上都在度量点云的维度但切入角度完全不同。核心区别局部协方差法Local Eigenvalue Ratio, LER问的是在一个点的邻域内数据的形状是什么Correlation DimensionD2D_2D2问的是随着尺度rrr增大邻居数量的增长率是多少数学上LER 在每个点算协方差矩阵Σi\Sigma_iΣi通过λ3/λ2\lambda_3/\lambda_2λ3/λ2判断局部几何。Correlation Dimension 算的是 correlation integralC(r)2N(N−1)∑ijΘ(r−∥xi−xj∥)C(r) \frac{2}{N(N-1)} \sum_{ij} \Theta(r - \|\mathbf{x}_i - \mathbf{x}_j\|)C(r)N(N−1)2ij∑Θ(r−∥xi−xj∥)然后在logC(r)\log C(r)logC(r)vslogr\log rlogr图上取斜率D2limr→0logC(r)logrD_2 \lim_{r \to 0} \frac{\log C(r)}{\log r}D2r→0limlogrlogC(r)fault 给出D2≈2D_2 \approx 2D2≈2volume 给出D2≈3D_2 \approx 3D2≈3。逐项对比1. 局部 vs 全局LER 天然是逐事件的——每个事件有自己的RiR_iRi你可以直接标记哪些事件可疑。D2D_2D2传统上是全局量给出整个 catalog 一个数字。虽然可以做局部D2D_2D2在每个点的邻域内算 correlation integral但计算量大得多而且小样本下log\loglog-log\loglog拟合的斜率极不稳定。2. 对混合结构的敏感度你的 catalog 里 fault 和 volume共存这是关键。D2D_2D2在混合结构下会给出一个介于 2 和 3 之间的值比如 2.4——但你无法区分这是60% fault 40% volume还是大量 fake event 把维度搅乱了。LER 不存在这个问题因为它在每个点独立计算天然分解出两个 population。3. Scaling range 的选择D2D_2D2依赖于你在logr\log rlogr上选取的线性区间。实际数据中小rrr端受噪声和定位误差影响大rrr端受有限尺寸效应影响中间的plateau往往很窄甚至不存在。这个选择非常主观不同的人会得到不同的D2D_2D2。LER 的参数只有kkk邻居数而且你可以做多尺度扫描来消除单一kkk的依赖。4. 对 fake event 的响应这是你最关心的。假设 fake event 是空间均匀分布的D2D_2D2fake event 把全局D2D_2D2拉向 3但你分不清是volume 结构多还是fake event 多LERfake event 如果落在 fault 附近会局部抬高λ3\lambda_3λ3使RRR偏离 0如果落在低密度区域它的邻居会来自多个不同结构导致RRR落在中间地带。两种情况都能被检测到5. 计算复杂度D2D_2D2需要算所有点对距离朴素实现是O(N2)O(N^2)O(N2)15000 个事件就是∼108\sim 10^8∼108次运算。可以用 KD-tree 加速但只在某些rrr值下有效。LER 用 KD-tree 查kkk近邻是O(NlogN)O(N \log N)O(NlogN)快得多。6.D2D_2D2的优势D2D_2D2有一个 LER 没有的优势它能检测分形结构。如果你的 fault 不是光滑平面而是分形断裂面D2≈2.3D_2 \approx 2.3D2≈2.3D2D_2D2能捕捉这个。LER 的协方差矩阵只能看线性结构平面/椭球对弯曲的 fault 面会低估平面性。总结LER你的方法Correlation Dimension输出每个事件一个值整个 catalog 一个值混合结构天然分解混在一起识别 fake event直接标记间接推断参数敏感性kkk可多尺度消除scaling range主观分形结构看不到核心优势计算量O(NlogN)O(N \log N)O(NlogN)O(N2)O(N^2)O(N2)弯曲 fault可能误判能处理对你的问题——比较两个 catalog 哪个 fake event 更少——LER 是更直接的工具。D2D_2D2更适合回答这个 fault zone 的分形维度是多少这类问题。如果你担心 fault 面是弯曲的可以把 LER 和局部 PCA 投影结合——先用 LER 找到 fault 候选点再检查相邻点的法向量一致性弯曲面的法向量会缓慢旋转而 fake event 的法向量是随机的。
seismic cluster analysis
这是个非常好的问题两者本质上都在度量点云的维度但切入角度完全不同。核心区别局部协方差法Local Eigenvalue Ratio, LER问的是在一个点的邻域内数据的形状是什么Correlation DimensionD2D_2D2问的是随着尺度rrr增大邻居数量的增长率是多少数学上LER 在每个点算协方差矩阵Σi\Sigma_iΣi通过λ3/λ2\lambda_3/\lambda_2λ3/λ2判断局部几何。Correlation Dimension 算的是 correlation integralC(r)2N(N−1)∑ijΘ(r−∥xi−xj∥)C(r) \frac{2}{N(N-1)} \sum_{ij} \Theta(r - \|\mathbf{x}_i - \mathbf{x}_j\|)C(r)N(N−1)2ij∑Θ(r−∥xi−xj∥)然后在logC(r)\log C(r)logC(r)vslogr\log rlogr图上取斜率D2limr→0logC(r)logrD_2 \lim_{r \to 0} \frac{\log C(r)}{\log r}D2r→0limlogrlogC(r)fault 给出D2≈2D_2 \approx 2D2≈2volume 给出D2≈3D_2 \approx 3D2≈3。逐项对比1. 局部 vs 全局LER 天然是逐事件的——每个事件有自己的RiR_iRi你可以直接标记哪些事件可疑。D2D_2D2传统上是全局量给出整个 catalog 一个数字。虽然可以做局部D2D_2D2在每个点的邻域内算 correlation integral但计算量大得多而且小样本下log\loglog-log\loglog拟合的斜率极不稳定。2. 对混合结构的敏感度你的 catalog 里 fault 和 volume共存这是关键。D2D_2D2在混合结构下会给出一个介于 2 和 3 之间的值比如 2.4——但你无法区分这是60% fault 40% volume还是大量 fake event 把维度搅乱了。LER 不存在这个问题因为它在每个点独立计算天然分解出两个 population。3. Scaling range 的选择D2D_2D2依赖于你在logr\log rlogr上选取的线性区间。实际数据中小rrr端受噪声和定位误差影响大rrr端受有限尺寸效应影响中间的plateau往往很窄甚至不存在。这个选择非常主观不同的人会得到不同的D2D_2D2。LER 的参数只有kkk邻居数而且你可以做多尺度扫描来消除单一kkk的依赖。4. 对 fake event 的响应这是你最关心的。假设 fake event 是空间均匀分布的D2D_2D2fake event 把全局D2D_2D2拉向 3但你分不清是volume 结构多还是fake event 多LERfake event 如果落在 fault 附近会局部抬高λ3\lambda_3λ3使RRR偏离 0如果落在低密度区域它的邻居会来自多个不同结构导致RRR落在中间地带。两种情况都能被检测到5. 计算复杂度D2D_2D2需要算所有点对距离朴素实现是O(N2)O(N^2)O(N2)15000 个事件就是∼108\sim 10^8∼108次运算。可以用 KD-tree 加速但只在某些rrr值下有效。LER 用 KD-tree 查kkk近邻是O(NlogN)O(N \log N)O(NlogN)快得多。6.D2D_2D2的优势D2D_2D2有一个 LER 没有的优势它能检测分形结构。如果你的 fault 不是光滑平面而是分形断裂面D2≈2.3D_2 \approx 2.3D2≈2.3D2D_2D2能捕捉这个。LER 的协方差矩阵只能看线性结构平面/椭球对弯曲的 fault 面会低估平面性。总结LER你的方法Correlation Dimension输出每个事件一个值整个 catalog 一个值混合结构天然分解混在一起识别 fake event直接标记间接推断参数敏感性kkk可多尺度消除scaling range主观分形结构看不到核心优势计算量O(NlogN)O(N \log N)O(NlogN)O(N2)O(N^2)O(N2)弯曲 fault可能误判能处理对你的问题——比较两个 catalog 哪个 fake event 更少——LER 是更直接的工具。D2D_2D2更适合回答这个 fault zone 的分形维度是多少这类问题。如果你担心 fault 面是弯曲的可以把 LER 和局部 PCA 投影结合——先用 LER 找到 fault 候选点再检查相邻点的法向量一致性弯曲面的法向量会缓慢旋转而 fake event 的法向量是随机的。
