 Wie beschreibe ich lineare Systeme (z.B.

(1)

Faltung, Korrelation, Filtern

 Wie beschreibe ich lineare Systeme (z.B.

Seismometer) -> Faltung, Konvolution, Dekonvolution?

 Wie quantifiziere ich die Ähnlichkeit von Zeitreihen (-> Korrelation)

 Wie quantifiziere ich zeitliche Versätze (z.B.

Laufzeitunterschiede) -> Korrelation

 Wie unterdrücke ich bestimmte Frequenzbereiche (-> Filtern)

Shearer: Chapter 11, Instruments and Appendix E (Time series and Fourier transforms)

Kearey et al: Chapter 2.4, 2.5

Mussett and Khan: Chapter 3.2, 3.3

(2)

Motivation

(3)

Seismology and COVI

(4)

Aktuelles Beispiel: OBS Experiment RHUM-RUM

(5)

Aktuelles Beispiel: OBS Experiment RHUM-RUM

(6)

Aktuelles Beispiel: OBS Experiment RHUM-RUM

(7)

Aktuelles Beispiel: OBS Experiment RHUM-RUM

0 2000 4000 6000 8000 10000

-2 -1.5 -1 -0.5 0 0.5 1 1.5

2 x 10⁵

Time (s)

M7.7

M7.7 earthquake in Pakistan, vertical component

seismogram (velocity)

(8)

Whales

(9)

Fin Whale

(10)

Blue Whale

(11)

ToDo List

• Instrument correction (de-convolution)

• Noise suppression (filtering)

• Travel time analysis (correlation – time delay)

• Timing corrections (correlation, phase differences)

• Signal detection (cross-correlation)

These processing steps require understanding of spectral analysis using

convolution/deconvolution, correlation, filtering

(12)

Linear Systems

Convolution – Deconvolution

Faltung - Dekonvolution

(13)

Bearbeiten von Wellenformen – Lineare Systeme Bearbeiten von Wellenformen – Lineare Systeme

Wie müssen wir unsere digitalisierten Daten behandeln, um Information zu entnehmen? Diese Frage führt uns direkt zu den Konzepten der (De-)

Konvolution (Faltung), (Auto-, Kreuz-) Korrelation und Filterung.

Das zentrale Konzept ist die Ausgabe eines Systems auf einen eingegebenen Impuls. Die Impuls-Antwort

Input

Output

Impuls Impuls-Antwort

Filter, System

Beispiele?

(14)

Beispiel: Impuls-Antwort eines Seismometers Beispiel: Impuls-Antwort eines Seismometers

u_g

x x₀

x_r

Was sind die Folgen für seismische Beobachtungen mit Seismometern, die auf

Basis eines Federsystems funktionieren?

Was sind die Folgen für seismische Beobachtungen mit Seismometern, die auf

Basis eines Federsystems funktionieren?

(15)

Beispiel: Instrumentkorrektur Vor Korrektur

Nach Korrektur

(16)

Diskrete Konvolution (Faltung)

Konvolution (Faltung) ist die mathematische Beschreibung der Änderung der Form eines Eingabesignals nach dem Durchlaufen eines Filters (Filtersystem, lineares System)

Es gibt ein eigenes mathematisches Symbol für Konvolution:

Hier ist die Impuls-Antwort Funktion g gefaltet mit dem Eingangssignal f. g wird auch „Greensche Funktion“ genannt.

Konvolution (Faltung) ist die mathematische Beschreibung der Änderung der Form eines Eingabesignals nach dem Durchlaufen eines Filters (Filtersystem, lineares System)

Es gibt ein eigenes mathematisches Symbol für Konvolution:

Hier ist die Impuls-Antwort Funktion g gefaltet mit dem Eingangssignal f. g wird auch „Greensche Funktion“ genannt.

f(t) g(t)

=

y(t) 

n + m ,

= k

f g

=

y

^m

= i

i k i k





^

0,1,2,

0

g

_i

i = 0,1,2, .... ,m

f

_j

j= 0,1,2, .... ,n

(17)

Faltung Beispiel (Matlab)

>> x x =

0 0 1 0

>> y y =

1 2 3

>> conv(x,y) ans =

0 0 1 2 3 0

>> x x =

0 0 1 0

>> y y =

1 2 3

>> conv(x,y) ans =

0 0 1 2 3 0

Impuls-Response

System Input

System Output

(18)

Faltung Beispiel Faltung Beispiel

x „Faltung“ y

0 1 0 0

1 2 3

0 1 0 0

1 2 3

0 1 0 0

1 2 3

0 1 0 0

1 2 3

0 1 0 0

1 2 3

0 1 0 0

1 2 3

0 0 1 2 3 0

y x*y

(19)

Konvolutionsmodell:

Seismogramme Konvolutionsmodell:

Seismogramme

(20)

Die seismische Impuls-Antwort

(21)

Die gefilterte (gefaltete) Antwort

(22)

1D Konvolutionsmodell einer seismischen Spur 1D Konvolutionsmodell einer seismischen Spur

Das Seismogramm eines geschichteten Mediums kann ebenso mit einem Konvolutionsmodel berechnet werden ...

u(t) = s(t) * r(t) + n(t) u(t) Seismogramm

s(t) Quellfunktion (Anregungsfunktion) n(t) Rauschen

r(t) Reflektivität

(23)

Übung

Tip: Machen Sie erst Tabelle Was ist m?

Was ist n?

Was is m+n?

0 1 2 3 4 5 6

g 0 1 2 3

f 1 2 1

y

(24)

Der Faltungssatz (Convolution theorem)

 

 ⁽ ⁾ 

) (

) ( )

(

) ( )

(

t y FT Y

t g FT G

t f FT F





f(t) g(t)

=

y(t) 

FT -> Fourier Transform

Eine Faltung in der Zeit entspricht einer Multiplikation im Frequenzbereich (und umgekehrt)!

Zeitbereich Spektralraum

) )F(

G(

=

Y (  )  

g(t)f(t)

=

y(t) Y (  ) = G(  ) * F(  )

Dieser Satz spielt für die Praxis der Zeitreihenanalyse eine wichtige Rolle!

Beispiele an der Tafel.

(25)

Dekonvolution Dekonvolution

Dekonvolution ist die Inversion der Konvolution.

Wann ist eine Dekonvolution nützlich?

(26)

Correlation

Korrelation

(27)

Ähnlich?

(28)

Verschoben?

(29)

Korrelation Korrelation

Korrelation spielt eine zentrale Rolle bei der Studie von Zeitreihen.

Normalerweise gibt die Korrelation eine quantitative Abschätzung der Ähnlichkeit zweier Funktionen und den zeitlichen/räumlichen Versatz

zwischen ihnen an. Die Korrelation zwischen den Vektoren g und f (beide mit n Elementen) ist definiert durch:

1 0,...

1 







n

= m

m , ,

m,

= k

g f

=

r ⁿ

= i

i i + k k

1 0,...

1 







n

= m

m , ,

m,

= k

g f

=

r ⁿ

= i

i i + k k

m nennt man auch max lag (Verzögerung)

(30)

Beispiel (Matlab) Beispiel (Matlab)

>> x=[1 3 2]

x =

1 3 2

>> y=[1 2 1]

y =

1 2 1

>> xcorr(x,y) ans =

1.0000 5.0000 9.0000 7.0000 2.0000

>>

>> x=[1 3 2]

x =

1 3 2

>> y=[1 2 1]

y =

1 2 1

>> xcorr(x,y) ans =

1.0000 5.0000 9.0000 7.0000 2.0000

>>

(31)

Auto-Korrelation Auto-Korrelation

Auto-Korrelation

Für einen Vektor der Länge n hat die Korrelation die Länge 2n-1. Bei der Autokorrelation ist das Maximum bei n (perfekte Übereinstimmung)

(32)

Kreuz-Korrelation Kreuz-Korrelation

Lag (in diesem Fall 200) zwischen zwei Funktionen

Cross-Korrelation

(33)

Seismogrammbeispiel

Kreuzkorrelation der roten und blauen Zeitreihe (Länge 4000 samples).

-> Automatisierte Bestimmung von Laufzeitdifferenzen

0 1000 2000 3000 4000 5000 6000 7000 8000

-0.5 0 0.5 1 1.5

(34)

Seismogrammbeispiel - Antikorrelation

Kreuzkorrelation der roten und blauen Zeitreihe (Länge 4000 samples).

-> Antikorrelation (Beispiele?)

0 1000 2000 3000 4000 5000 6000 7000 8000

-1.5 -1 -0.5 0 0.5

(35)

Kreuz-Korrelation Zufallsfunktionen Kreuz-Korrelation Zufallsfunktionen

Korrelation zwei verschiedener Zufallszeitreihen

(36)

Auto-Korrelation Zufallsfunktion Auto-Korrelation

Zufallsfunktion

Korrelation zwei gleicher Zufallszeitreihen -> „Deltafunktion“

(37)

Auto-Korrelation Seismisches Signal

Auto-Korrelation

Seismisches Signal

(38)

Korrelationslänge

„Zufallsmedium“

(39)

Korrelationslänge

„Zufallsmedium“

(40)

Ähnlichkeit Rotationsrate und transversale Beschleunigung

Ring laser in Wettzell

Ringlaser Rotation – Seismogramm Beschleunigung

(41)

Berechnung des Korrelationskoeffizienten

Zeigen Sie, wenn y

_i

= x

_i

dann ist r

_xy

= 1 (positive Korrelation)

Zeigen Sie, wenn y

_i

= -x

_i

dann ist r

_xy

= -1

(negative Korrelation)

(42)

Der Korrelationskoeffizient

Der Korrelationskoeffizient Kor(X,Y) ist eine Zahl zwischen -1 und 1, welche die Ähnlichkeit zweier Funktionen X und Y

beschreibt.

Es gilt zum Beispiel:

Für beliebiges X Kor (X,X) = 1

Kor(X,-X) = -1 (Anti-korrelation)

Kor(X,Y) << 1 wenn X,Y unabhängige Zufallsfunktionen sind Korr(X,Y) = 1 wenn X und Y identisch

Ein Kor nahe 1 KANN einen kausalen Zusammenhang zwischen Phänomenen bedeuten (z.B. Regen ->

Grundwasserspiegel; Regen -> Erdbeben; Sonnenflecken ->

Klima)

(43)

Kreuz-Korrelation

ein Beispiel – “Ähnlichkeit”

Kreuz-Korrelation

ein Beispiel – “Ähnlichkeit”

Translation Rotation

Corr. coeff.

Der Korrelationskoeffizient ist in einem Zeitfenster entlang der Zeitreithe (ca 2T _dominant) berechnet

(44)

Correlation: Solar forcing of climate?

(45)

... Die Regenfälle, die im August zum

Hochwasser führten, hatten ihren Höhepunkt am Tag 218 ...

... Die Regenfälle, die im August zum

Hochwasser führten, hatten ihren Höhepunkt am Tag 218 ...

Seismizität 2002

(46)

Externer Einfluss auf Erdbeben?

(47)

Correlating Seismic Noise

(48)

Die Power der Korrelationsanalyse: Helioseismologie

Sonnenflecken Helligkeit Helligkeitszeitreihen

(49)

2-D + Zeit Helligkeitsdaten

(50)

Sonnenseismogramme aus Rausch-Korrelationen

(51)

Principle of noise correlations

(52)

Tomografie mit Kreuzkorrelation

(53)

Green‘s Funktionen aus 1 Jahr „Rauschen“: Vergleich mit Erdbeben (Shapiro et al., Science, 2005)

(54)

Tomografie von Kalifornien 7.5 s Rayleigh Wellen

Yeah! All das mit Kreuzkorrelationen!

… und ohne Erdbeben …

Yeah! All das mit Kreuzkorrelationen!

… und ohne Erdbeben …

(55)

Time dependent changes in seismic velocity

55

(56)

Time dependent changes in seismic velocity

56

(57)

Time-dependent changes

57

(58)

Chinese network

58

(59)

Changes due to earthquake

Velocity changes in 1-3s period band

59

Chen, Froment, Liu and Campillo 2010

(60)

Korrelation von (Ozean-erzeugtem) Rauschen

 Kreuzkorrelation von Seismogrammen der Stationen A und B über längere Zeiträume erlaubt eine Abschätzung der Green’schen Funktion zwischen A und B

 Die Green’sche Funktion enthält alle Information über die Eigenschaften des Systems (hier: die Erde), also kann man damit Tomographie Machen (ohne Erdbeben!!!)

 Nicht nur das: man kann minimale Änderungen der

Erdeigenschaften über die Zeit feststellen (time-dependent seismology)

 Diese Analyse (seit ca. 2005) revolutioniert die Seismologie

 Kreuzkorrelation von Seismogrammen der Stationen A und B über längere Zeiträume erlaubt eine Abschätzung der Green’schen Funktion zwischen A und B

 Die Green’sche Funktion enthält alle Information über die Eigenschaften des Systems (hier: die Erde), also kann man damit Tomographie Machen (ohne Erdbeben!!!)

 Nicht nur das: man kann minimale Änderungen der

Erdeigenschaften über die Zeit feststellen (time-dependent seismology)

 Diese Analyse (seit ca. 2005) revolutioniert die Seismologie

(61)

Digitales Filtern Digitales Filtern

Oftmals beinhaltet ein aufgezeichnetes Signal eine Fülle von

Informationen, an denen wir nicht interessiert sind (Rauschen,

Störsignale). Um uns des Rauschens zu entledigen fügen wir einen Filter im Frequenzraum hinzu.

Die wichtigsten Filter sind:

 Hochpass: schneidet niedrige Frequenzen ab

 Tiefpass: schneidet hohe Frequenzen ab

 Bandpass: schneidet hohe und tiefe Frequenzen heraus, und hinterlässt ein Band von mittleren Frequenzen

 Bandfilter: schneidet bestimmte Frequenzen heraus und hinterlässt alle anderen Frequenzen

Oftmals beinhaltet ein aufgezeichnetes Signal eine Fülle von

Informationen, an denen wir nicht interessiert sind (Rauschen,

Störsignale). Um uns des Rauschens zu entledigen fügen wir einen Filter im Frequenzraum hinzu.

Die wichtigsten Filter sind:

 Hochpass: schneidet niedrige Frequenzen ab

 Tiefpass: schneidet hohe Frequenzen ab

 Bandpass: schneidet hohe und tiefe Frequenzen heraus, und hinterlässt ein Band von mittleren Frequenzen

 Bandfilter: schneidet bestimmte Frequenzen heraus und hinterlässt alle anderen Frequenzen

(62)

Cutoff Frequency (Eckfrequenz)

(63)

Typischer Tiefpassfilter (Butterworth)

10⁰ 10¹ 10²

10^-2 10^-1

10⁰ Butterworth n=1, f0=20 Hz

Frequency (Hz)

Filter amplitude

10⁰ 10¹ 10²

10^-6 10^-4 10^-2

Frequency (Hz)

Filter amplitude

10⁰ 10¹ 10²

10^-15 10^-10 10^-5

Frequency (Hz)

Filter amplitude

10⁰ 10¹ 10²

10^-30 10^-20 10^-10

Frequency (Hz)

Filter amplitude

Die Krümmung der Filterfunktion (-> Ordnung des Butterworth Filters) an der Eckfrequenz beeinflusst den Effekt auf die Zeitreihe maßgeblich!

(64)

Typischer Hochpassfilter (Butterworth)

0 20 40 60 80 100

0 0.2 0.4 0.6 0.8

1 Butterworth n=1, f0=20 Hz

Frequency (Hz)

Filter amplitude

0 20 40 60 80 100

0 0.2 0.4 0.6 0.8

Frequency (Hz)

Filter amplitude

0 20 40 60 80 100

0 0.2 0.4 0.6 0.8

Frequency (Hz)

Filter amplitude

0 20 40 60 80 100

0 0.2 0.4 0.6 0.8

Frequency (Hz)

Filter amplitude

(65)

Beispiel: kausaler Filter (Tiefpass 20Hz)

0 5

0 0.5

1 Original function

Time (s)

Amplitude

0 0.5 1

0 0.2

Filtered with n=1, f0=20 Hz

Time (s)

Amplitude

0 0.5 1

0 0.1 0.2

Time (s)

Amplitude

0 0.5 1

0 0.1

Filtered with n=9, f0=20 Hz 0.2

Time (s)

Amplitude

Warum kausal? Z.B. seismische Laufzeiten („Ersteinsätze“) bleiben erhalten.

(66)

Digitales Filtern – Originales Seismogramm

(67)

Tiefpass Filterung

(68)

Tiefpass Filterung

(69)

Hochpass Filter

(70)

Bandpass (Butterworth)

0 20 40 60 80 100

0 0.2 0.4 0.6 0.8

Frequency (Hz)

Filter amplitude

0 20 40 60 80 100

0 0.2 0.4 0.6 0.8

Frequency (Hz)

Filter amplitude

0 20 40 60 80 100

0 0.2 0.4 0.6 0.8

Frequency (Hz)

Filter amplitude

0 20 40 60 80 100

0 0.2 0.4 0.6 0.8

Frequency (Hz)

Filter amplitude

(71)

Bandpass Filter

(72)

Bandpass Filter Bandpass Filter

Eckfrequenz wird kleiner, Anteil hoher Frequenzen nimmt ab

(73)

Zero phase and causal filters - Examples

Computational Geophysics and Data Analysis73

Zero phase filters can be realised by

 Convolve first with a chosen filter

 Time reverse the original filter and convolve again

 First operation multiplies by F(), the 2nd operation is a multiplication by F*()

 The net multiplication is thus | F(w)|

²

 These are also called two-pass filters

(74)

The Butterworth Filter (Low-pass, 0-phase)

n c

F

L ₂

) /

( 1

) 1

(   

 

0 20 40 60 80 100

0 0.2 0.4 0.6 0.8

Frequency (Hz)

Filter amplitude

0 20 40 60 80 100

0 0.2 0.4 0.6 0.8

Frequency (Hz)

Filter amplitude

0 20 40 60 80 100

0 0.2 0.4 0.6 0.8

Frequency (Hz)

Filter amplitude

0 20 40 60 80 100

0 0.2 0.4 0.6 0.8

Frequency (Hz)

Filter amplitude

(75)

In log-log scale …

10⁰ 10¹ 10²

10^-2 10^-1

Frequency (Hz)

Filter amplitude

10⁰ 10¹ 10²

10^-6 10^-4 10^-2

Frequency (Hz)

Filter amplitude

10⁰ 10¹ 10²

10^-15 10^-10 10^-5

Frequency (Hz)

Filter amplitude

10⁰ 10¹ 10²

10^-30 10^-20 10^-10

Frequency (Hz)

Filter amplitude

(76)

… effect on a spike …

0 1 2 3 4 5

0 0.2 0.4 0.6 0.8

1 Original function

Time (s)

Amplitude

0 0.2 0.4 0.6 0.8 1

0.05 0.1 0.15 0.2

Time (s)

Amplitude

0 0.2 0.4 0.6 0.8 1

0 0.05 0.1 0.15 0.2

Time (s)

Amplitude

0 0.2 0.4 0.6 0.8 1

0 0.05 0.1 0.15

0.2 Filtered with n=9, f0=20 Hz

Time (s)

Amplitude

(77)

… on a seismogram …

… varying the order …

40 45 50 55 60 65

-5 0 5

x 10^-6 Original function

Time (s)

Amplitude

40 45 50 55 60 65

-1 0 1

x 10^-6 Filtered with n=4, f0=1 Hz

Time (s)

Amplitude

40 45 50 55 60 65

-2 -1 0 1

2x 10^-6 Filtered with n=9, f0=1 Hz

Time (s)

Amplitude

40 45 50 55 60 65

-2 -1 0 1 2

Time (s)

Amplitude

(78)

… on a seismogram …

… varying the cut-off frequency…

40 45 50 55 60 65

-5 0 5

Time (s)

Amplitude

40 45 50 55 60 65

-1 0 1

Time (s)

Amplitude

40 45 50 55 60 65

-1 -0.5 0 0.5 1

x 10^-6 Filtered with n=4, f0=0.666667 Hz

Time (s)

Amplitude

40 45 50 55 60 65

-1 -0.5 0 0.5 1

Time (s)

Amplitude

(79)

The Butterworth Filter (High-Pass)

n c

F

H ₂

) /

( 1 1 1

)

(   

 



0 20 40 60 80 100

0 0.2 0.4 0.6 0.8

Frequency (Hz)

Filter amplitude

0 20 40 60 80 100

0 0.2 0.4 0.6 0.8

Frequency (Hz)

Filter amplitude

0 20 40 60 80 100

0 0.2 0.4 0.6 0.8

Frequency (Hz)

Filter amplitude

0 20 40 60 80 100

0 0.2 0.4 0.6 0.8

Frequency (Hz)

Filter amplitude

(80)

… effect on a spike …

0 1 2 3 4 5

0 0.2 0.4 0.6 0.8

1 Original function

Time (s)

Amplitude

0 0.2 0.4 0.6 0.8 1

0 0.2 0.4 0.6

Time (s)

Amplitude

0 0.2 0.4 0.6 0.8 1

0 0.2 0.4 0.6

Time (s)

Amplitude

0 0.2 0.4 0.6 0.8 1

0 0.2 0.4 0.6

Time (s)

Amplitude

(81)

… on a seismogram …

40 45 50 55 60 65

-5 0 5

Time (s)

Amplitude

40 45 50 55 60 65

-5 0 5

Time (s)

Amplitude

40 45 50 55 60 65

-5 0 5

Time (s)

Amplitude

40 45 50 55 60 65

-5 0 5

Time (s)

Amplitude

(82)

… on a seismogram …

50 52 54 56 58 60

-5 0 5

Time (s)

Amplitude

50 52 54 56 58 60

-4 -2 0 2 4

Time (s)

Amplitude

50 52 54 56 58 60

-4 -2 0 2

4x 10^-6 Filtered with n=4, f0=1.5 Hz

Time (s)

Amplitude

50 52 54 56 58 60

-4 -2 0 2

4x 10^-6 Filtered with n=4, f0=2 Hz

Time (s)

Amplitude

(83)

The Butterworth Filter (Band-Pass)



_b



ⁿ

FBP ₂

/ ) (

1 1 1 )

(

   





 



0 20 40 60 80 100

0 0.2 0.4 0.6 0.8

Frequency (Hz)

Filter amplitude

0 20 40 60 80 100

0 0.2 0.4 0.6 0.8

Frequency (Hz)

Filter amplitude

0 20 40 60 80 100

0 0.2 0.4 0.6 0.8

Frequency (Hz)

Filter amplitude

0 20 40 60 80 100

0 0.2 0.4 0.6 0.8

Frequency (Hz)

Filter amplitude

Hz

 5





(84)

… effect on a spike …

0 1 2 3 4 5

0 0.2 0.4 0.6 0.8

1 Original function

Time (s)

Amplitude

0 0.2 0.4 0.6 0.8 1

-0.05 0 0.05 0.1

Time (s)

Amplitude

0 0.2 0.4 0.6 0.8 1

-0.05 0 0.05

Time (s)

Amplitude

0 0.2 0.4 0.6 0.8 1

-0.05 0 0.05

Time (s)

Amplitude

(85)

… on a seismogram …

40 45 50 55 60 65

-5 0 5

Time (s)

Amplitude

40 45 50 55 60 65

-2 -1 0 1 2

Time (s)

Amplitude

40 45 50 55 60 65

-2 -1 0 1 2

Time (s)

Amplitude

40 45 50 55 60 65

-2 0 2

Time (s)

Amplitude

(86)

… on a seismogram …

50 52 54 56 58 60

-5 0 5

Time (s)

Amplitude

50 52 54 56 58 60

-5 0 5

Time (s)

Amplitude

50 52 54 56 58 60

-5 0 5

Time (s)

Amplitude

50 52 54 56 58 60

-5 0 5

Time (s)

Amplitude

(87)

Zero phase and causal filters

0 1 2 3 4 5

0 0.2 0.4 0.6 0.8

1 Original function

Time (s)

Amplitude

0 0.2 0.4 0.6 0.8 1

0.05 0.1 0.15 0.2

Time (s)

Amplitude

0 0.2 0.4 0.6 0.8 1

0 0.05 0.1 0.15 0.2

Time (s)

Amplitude

0 0.2 0.4 0.6 0.8 1

0 0.05 0.1 0.15

Time (s)

Amplitude

When the phase of a filter is set to zero (and simply the amplitude spectrum is inverted) we obtain a zero-phase filter. It means a peak will not be shifted.

Such a filter is acausal. Why?

(88)

Butterworth Low-pass (20 Hz) on spike

0 50 100

0 0.5

Butterworth n=1, f0=20 Hz 1

Frequency (Hz)

Filter amplitude

0 50 100

0 0.5

Frequency (Hz)

Filter amplitude

0 50 100

0 0.5

Frequency (Hz)

Filter amplitude

0 50 100

0 0.5

Frequency (Hz)

Filter amplitude

(89)

(causal) Butterworth Low-pass (20 Hz) on spike

0 5

0 0.5

1 Original function

Time (s)

Amplitude

0 0.5 1

0 0.2

Time (s)

Amplitude

0 0.5 1

0 0.1 0.2

Time (s)

Amplitude

0 0.5 1

0 0.1

Filtered with n=9, f0=20 Hz 0.2

Time (s)

Amplitude

(90)

Butterworth Low-pass (20 Hz) on data

40 45 50 55 60 65

-5 0 5

Time (s)

Amplitude

40 45 50 55 60 65

-1 -0.5 0 0.5 1

Time (s)

Amplitude

40 45 50 55 60 65

-2 -1 0 1 2

Time (s)

Amplitude

40 45 50 55 60 65

-2 0 2

Time (s)

Amplitude

(91)

Zusammenfasung Zusammenfasung

Spektralanalyse ist die Basis der Dateninterpretation in der Seismologie

Die Konzepte sind:

(De-) Konvolution –> um die Response eines Systems auf einen bestimmte Eingabe zu erhalten (oder umgekehrt)

Korrelation -> um Signale nach ihrer Ähnlichkeit zu vergleichen und ihre Verschiebungen festzustellen. (Phasen Delays) Tomografie mit Korrelation von ozeanerzeugtem Rauschen Fourier Transformation – Spektren - Filterung -> um bestimmte

Frequenzen herauszuschneiden, und die interessanten Signale hervorzuheben, Rauschen zu unterdrücken.

Spektralanalyse ist die Basis der Dateninterpretation in der Seismologie

Die Konzepte sind:

(De-) Konvolution –> um die Response eines Systems auf einen bestimmte Eingabe zu erhalten (oder umgekehrt)

Korrelation -> um Signale nach ihrer Ähnlichkeit zu vergleichen und ihre Verschiebungen festzustellen. (Phasen Delays) Tomografie mit Korrelation von ozeanerzeugtem Rauschen Fourier Transformation – Spektren - Filterung -> um bestimmte

Frequenzen herauszuschneiden, und die interessanten Signale hervorzuheben, Rauschen zu unterdrücken.

 Wie beschreibe ich lineare Systeme (z.B.

Faltung, Korrelation, Filtern