Magnetotelluric Noise
Introduction
Metode magnetotelluric (MT) sounding adalah metode geofisika yang efektif untuk
mempelajari struktur bawah permukaan, namun rentan terhadap noise manusia. Ada beberapa
teknologi yang dapat menangani gangguan elektromagnetik yang kuat, termasuk metode remote
reference, robust estimation method, dan time-series editing method. Time-series editing method
adalah metode langsung untuk menghilangkan komponen interferensi yang kuat dari data yang
terkumpul.
Dekomposisi sparse merupakan metode yang sangat efektif dalam penghilangan noise pada
data MT. Namun, kondisi berhenti pada metode dekomposisi sparse pada metode yang ada masih
ditentukan secara manual dan mungkin tidak efisien atau rentan terhadap bias subjektif. Oleh karena
itu, penelitian ini memanfaatkan deep learning untuk secara mandiri mempelajari fitur sinyal MT
berkualitas tinggi dari data yang diamati dan menggunakannya sebagai kondisi pembatas pada
metode dekomposisi sparse.
Metode yang diusulkan kemudian diaplikasikan pada data MT yang terkumpul di daerah
konsentrasi bijih Lujiang-Zongyang dan menghasilkan hasil yang lebih baik dalam pengolahan data
MT daripada metode tradisional yang memerlukan pengaturan manual.
Gambar 2. Hasil pelatihan model. (a) Hasil pelatihan sampel kanal listrik. (b) Hasil pelatihan
sampel kanal magnetik. Garis merah dan hijau solid melambangkan akurasi pelatihan dan
kehilangan pelatihan, masing-masing; garis putus-putus biru dan hitam melambangkan akurasi
validasi dan kehilangan validasi, masing-masing.
Gambar 3. (a) Hasil identifikasi dari sinyal simulasi. Garis merah menunjukkan klip berisik, dan
garis biru menunjukkan klip berkualitas tinggi. (b) Distribusi MSE dari sinyal simulasi. Bintang
merah mewakili sampel berisik, dan lingkaran hijau mewakili sampel berkualitas tinggi.
Penulis menggunakan MSE kurang dari atau sama dengan 2,46 sebagai kondisi batasan dari
dekomposisi sparse K-SVD dan kemudian menghilangkan derau pada sinyal secara otomatis. Kami
membandingkan sinyal ini dengan sinyal bebas noise asli dan sinyal yang diperoleh dengan metode
penghilangan noise threshold Wavelet (selanjutnya disebut sebagai Wavelet). Seperti yang
ditunjukkan pada Gambar 8, baik Wavelet maupun metode yang diusulkan dalam makalah ini dapat
menghilangkan sebagian besar noise yang ditambahkan secara artifisial. Namun, metode Wavelet
secara jelas menghilangkan beberapa sinyal frekuensi rendah karena sinyal yang telah dihilangkan
noise menjadi lebih stasioner. Dapat dilihat dari Tabel 1 bahwa efek dari metode baru kami sangat
jelas dan secara keseluruhan lebih unggul daripada penghilangan noise threshold Wavelet. Rasio
sinyal-ke-noise (SNR) meningkat dari 11,6127 dB menjadi 8,2648 dB. Peningkatannya lebih dari
19,87 dB. MSE menurun dari 8,6797 menjadi 0,8803, cross-korelasi ter-normalisasi (NCC) [22]
meningkat dari 0,2366 menjadi 0,9251, dan kesalahan rekonstruksi (RE) menurun dari 3,8075
menjadi 0,3862. Hasil simulasi juga menunjukkan bahwa metode kami cocok untuk penekanan
berbagai jenis noise.
Gambar 4. Efek pengurangan derau pada sinyal simulasi. (a) Sinyal tanpa derau. (b) Sinyal bising.
(c) Sinyal yang diredam dengan metode ambang Wavelet. (d) Sinyal yang diredam dengan metode
CNN-KSVD.
Gambar 5. Kurva resistivitas tampak dan fasa dari situs BL14182A yang sebenarnya. Rxy
dan Ryx pada panel atas mewakili resistivitas tampak dalam arah XY dan arah YX, masing-masing;
Pxy dan Pyx pada panel bawah mewakili fasa dalam arah XY dan arah YX, masing-masing;
lingkaran kosong merah mewakili kurva yang dihitung dari data berisik asli (Original), garis solid
biru mewakili kurva yang diolah dengan proses referensi jauh (RR), dan lingkaran hitam solid
mewakili kurva yang dihitung menggunakan data yang didenoise dengan metode kami.
Conclusion
Dalam penelitian ini, metode pengurangan noise magnetotelurik baru yang disebut CNN-
KSVD diusulkan dengan menggunakan jaringan syaraf konvolusi dalam pembelajaran fitur data
berkualitas tinggi yang kemudian digunakan sebagai kendala pada pembelajaran kamus selanjutnya.
Metode ini dapat diaplikasikan pada data dalam jumlah besar tanpa memerlukan kondisi iterasi
manual, dan menghindari bias subyektif. Hasil pengujian menunjukkan bahwa metode ini dapat
meningkatkan rasio sinyal-ke-noise dan memperbaiki estimasi resistivitas dan fase. Namun, metode
ini mungkin tidak efektif dalam menghilangkan noise Gaussian dan memerlukan pengembangan
lebih lanjut untuk meningkatkan keakuratan dan efektivitasnya.