基于云計算的九分量噪聲互相關函數計算及其在China Array密集臺陣數據的應用

李娜 王偉濤 王寶善

中國地震局地球物理研究所（地震觀測與地球物理成像重點實驗室），北京市海淀區民族大學南路5號 100081

0 引言

2個地震臺站記錄的背景噪聲的互相關函數（Noise Cross-Correlation Function，NCF），可以近似地表征這2個臺站之間的格林函數（Wapenaar，2004）。自Shapiro等（2005）利用美國加州地區地震臺站間NCF中的面波信號對該地區進行高精度的成像研究以來，基于背景噪聲互相關技術的地震學研究飛速發展，已被廣泛地應用于對地下介質的結構探測和狀態變化的監測中（Brenguier et al，2008；Yao et al，2008；劉志坤等，2010；Zheng et al，2011）。有關噪聲地震學的發展歷史和進展可參見Campillo等（2015）以及徐義賢等（2015）的綜述文章。地震觀測一直是推動地震學發展的重要因素，目前，越來越多的大型地震觀測臺陣被廣泛布設，其中，具有代表性的如美國的USArray以及中國的中國地震科學臺陣探測計劃（China Array）。這些觀測臺陣往往由幾百到上千個觀測臺站組成，觀測時長從幾個月到幾年。密集的地震觀測臺陣結合噪聲互相關計算，可以使得我們更好地對地下介質進行采樣，獲取更高精度的地下結構的圖像（Lin et al，2011；Bao et al，2015）。與之對應的則是，獲取密集臺站間NCF所需的計算量以正比于臺站數目平方的方式增長，這使得計算時間大大增加。

噪聲互相關方法的主要特點是，通過互相關計算可以獲取在2個地震臺之間傳播的地震波。理論上，對于N個臺站，我們可以獲得N*（N－1）／2個臺站對間的NCF，這可以大大提高探測地下介質所需路徑的覆蓋密度。同時，為了獲取高信噪比、穩定的NCF信號，一般需要對長時間的連續記錄的互相關函數進行疊加（Bensen et al，2007）。換言之，如果連續記錄的時長為T，記錄臺站數為N，則獲取NCF所需要的總的計算量將正比于N2和T。因此，對密集臺站間的NCF所需的計算量以正比于臺站數目平方的方式增長，這使得計算時間大大增加。早期的背景噪聲互相關主要利用地震記錄中垂直分量數據計算垂向分量間的互相關。近期，利用地震臺站的三分量連續記錄獲取九分量NCF的方法得到了廣泛應用，并顯示了一定的優勢。首先，通過改進NCF的計算方法，可以保留九分量NCF中瑞利面波在徑向（R）和垂向（Z）的瑞利面波的振幅比，研究人員稱之為HV比（Lin et al，2014）或ZH比（Chong et al，2015；Li et al，2016）。該振幅比反映的是瑞利面波的偏振橢圓率的特征，可用來反演地下介質的橫波速度結構（Yano et al，2009）。ZH比可以反映更淺部的信息，有助于對淺部地殼橫波速度的精細成像研究（Lin et al，2014；Li et al，2016）。其次，利用九分量的NCF，我們可以獲取在臺站間傳播的勒夫面波，從而對介質波速進行獨立的測量（Tomar et al，2017）。最后，利用九分量NCF中瑞利面波的波形和偏振特征，我們可以利用NCF對地震計的水平方位角度進行準確性評估和校正（Zha et al，2013），而這對于獲取可靠的各向異性結果十分重要。綜合來看，相比垂直分量間NCF，九分量NCF可以提供更多的信息，值得深入探索。然而，僅就分量數目而言，同樣的臺站數目下獲取九分量NCF的計算量為僅計算垂直分量間NCF的9倍，計算量有近乎1個數量級的增長。由后文可知，在傳統的高性能計算服務器上，獲取海量臺站之間九分量NCF所需時間需要幾個月乃至1年。這使得我們需要尋求新的計算技術，以期在合理的時間內完成NCF的計算。

隨著地震觀測技術的發展，地震學研究也進入了大數據時代。地震學家已經開始探索將信息學科里的數據挖掘、機器學習及云計算等方法應用于地震學研究中（Yoon et al，2015；Riahi et al，2016；Magana-Zook et al，2016）。云計算是在網格計算和分布式計算技術上發展起來的現代計算技術，可以通過互聯網為用戶提供計算能力和存儲服務。云計算將計算任務分布在大量計算機構成的資源池上，以使得各種應用可根據需要獲取計算能力和存儲空間等服務（Wang et al，2010）。為解決大數據時代數據量的增加給計算能力帶來的壓力，研究人員已經成功地將云計算應用于處理地震和InSAR數據等數據密集型任務（Heilmann et al，2013；Zinno et al，2015）。密集臺站記錄的海量數據間NCF的計算，是一種典型的數據密集型計算，故可以使用云計算方法實現加速。

2013年8月～2016年5月，中國地震局地球物理研究所等單位在青藏高原東北緣南北地震帶北段開展了China Array二期的地震學臺陣觀測研究。觀測期間共布設了674套寬頻帶流動地震儀，觀測時長超過2年。為利用九分量NCF對該地區的波速結構進行研究，本文提出了一種基于云計算的計算方法，該方法可快速地完成密集臺站間九分量NCF的計算。我們將其應用于China Array的數據，計算獲得了穩定可靠的九分量NCF波形。同時，我們通過對所得NCF數據及天然地震中瑞利面波ZH比的分析，驗證了計算方法和云計算系統的可靠性。

1 數據及九分量NCF的計算方法、計算規模

圖1為在青藏高原東北緣布設的674個寬頻帶地震臺站的分布。這些臺站均為寬頻帶，較為均勻地分布在1000km×1000km的觀測區域內，平均臺間距約為50km。臺站的觀測儀器有REFTEK-130B＋Guralp 3ESPC-60和REFTEK130S＋Guralp 3T-120S兩種組合，原始采樣率均為100Hz。大部分臺站的觀測時間均超過2年，原始數據總量超過15TB。利用這些密集臺站的觀測數據，可以計算臺站間的NCF，旨在為青藏高原東北緣的成像研究提供密集的NCF路徑覆蓋。同時，長時間的連續觀測數據，也為獲取高信噪比的NCF波形提供了保障。

圖1 南北地震帶北段China Array二期密集臺站及周邊地震震中分布

九分量NCF的計算流程與Bensen等（2007）描述的計算垂直分量間NCF的流程類似，只是在進行數據的時域、頻域歸一化時略有不同，簡述如下。主要計算流程如圖2所示。

圖2 九分量NCF計算流程

首先，將原始數據抽樣至1Hz，之后去除儀器響應，去均值，去線性分量，對于每一個地震臺的每一個分量，以天為單位保存文件，最后，對每一個地震臺每天的三分量記錄，對其進行時域平均和頻譜白化處理。在進行時域平均時，使用Bensen等（2007）提出的滑動窗平均方法，窗長為120s。為了保持九分量NCF中信號的相對振幅比與Lin等（2014）的類似，首先計算三分量數據絕對值的平均值，將三分量數據均除以該平均值來實現時域的均一化處理。同樣，在后續頻譜白化中，也先求取三分量數據的頻譜平均值，用該平均值對三分量的頻譜數據進行反向加權以實現頻域白化處理。雖然這些非線性處理會改變最終NCF波形的絕對數值，但利用三分量平均值來進行時域和頻域的預處理可以保持不同分量間波形的相對振幅比（Lin et al，2014；Li et al，2016）。然后，將每一個臺站每個分量經過頻域白化后的頻譜數據存儲為1個文件，用以表征其三分量的頻譜數據。在完成上述步驟后，對于任意2個臺站三分量的單天數據，利用其頻譜進行互相關計算，以得到單天的NCF。為了獲取九分量的NCF，對于2個臺站構成的臺站路徑，分別有ZE、ZN、ZZ等共計9個分量的組合。考慮存儲空間和研究需要的平衡，對于每個分量的NCF，保留了延時在－3600～3600s的數據。在獲取了1個路徑上多天的九分量NCF之后，對于每個分量組合，將這些天的NCF分別進行疊加，獲取疊加之后的ENZ性質的疊加NCF。為了獲得最終徑向（R）、切向（T）和垂向（Z）形式的NCF，需要將ENZ形式的NCF進行旋轉，以獲得RTZ形式的NCF。對于2個臺站A和B所形成的路徑AB，將A視為地震，B視為記錄臺站，計算矢量與正北順時針方向的夾角，將其作為方位角AZI，矢量與正北順時針方向的夾角作為反方位角BAZ，這樣則可通過旋轉矩陣公式實現ENZ形式的NCF到RTZ形式NCF的旋轉變換，圖3為計算流程，詳細描述如下。

由圖3可知，臺站間九分量NCF的總體計算量主要由臺站間形成路徑的數目以及參與計算的天數來共同決定。當臺站數目較大、記錄時間較長時，完成其NCF計算所需要的存儲空間和對計算能力的要求都較高。以計算674個臺站2014～2015年2年間1Hz采樣率的九分量NCF為例，兩兩臺站間可以形成226801條臺站路徑，作為輸入文件的單天三分量數據達到1476060條，所需存儲空間為1.2TB。如以計算時長為730天，單個分量的NCF時長7200s來計算，則完成所有九分量NCF的計算，需要計算單天單分量組合的NCF達14.9億條，占用空間約44TB。我們在1臺高性能的服務器上（XEON E5-2620*2，64GB內存，80TB RAID5磁盤陣列）上測試了完成10萬條路徑30天單分量NCF的計算和疊加的計算時長，發現其耗時接近8h。由于總體計算量正比于需要計算的單天NCF數據，由此推算，完成整個數據集合的NCF計算時間需要3840h，接近6個月。

由此可見，海量數據集合間NCF的計算對存儲空間和計算能力都有很高的需求，無法在傳統的高性能計算機上快速完成。因此，我們設計了一套基于云計算的計算系統，以完成海量NCF數據的加速計算。

圖3 計算流程

2 密集臺站間九分量NCF計算的云平臺實現

密集臺站間NCF的計算是一種數據密集型的計算，其總體計算量的龐大主要源于參與計算的數據量的龐大。其對于傳統計算模式的挑戰主要有2點，首先，參與計算的輸入、輸出數據的存儲空間十分巨大，再者，總體計算量的龐大導致計算不能在短期內完成。針對這2個問題，我們使用了阿里云公司提供的云計算服務來解決其存儲和計算瓶頸。具體而言，我們使用了阿里云提供的對象存儲服務（Objective Storage Service，OSS）和批量計算服務（Batch Computing Service，BCS）云服務。OSS存儲服務可以提供文件的持久化存儲，實現文件的快速讀取和寫入，并且具有近乎無限的存儲拓展空間，因此，可用來存儲NCF計算中的輸入、輸出文件。而BCS批量計算服務則可提供可控的、彈性的計算能力，根據用戶的需求，BCS可以提供幾百乃至上千個虛擬的計算服務器用于完成用戶指定的計算。

阿里云的OSS、BCS提供了基于云平臺的通用的存儲和計算服務，基于這些服務，我們設計了一套NCF計算系統以實現密集臺站間NCF的快速計算。整個計算系統由本地系統和云端系統2部分組成，分別完成不同的數據處理任務，其總體架構如圖4所示。

本地系統主要負責數據的預處理以及系統的配置任務，我們按照圖2中的前2個步驟完成數據的預處理，生成所需的單天頻譜文件。之后，將對應的頻譜文件上傳至OSS作為云端系統的輸入文件之一。同時，根據給定的臺站信息，本地系統將生成需要參與NCF計算的臺站對路徑信息，并對需要參與計算的天數予以控制。

云端系統主要負責計算密集型任務，即圖2中步驟③的計算任務。在頻譜文件傳入OSS之后，基于BCS的云端系統可以讀取這些頻譜文件作為計算NCF的輸入文件。海量NCF計算的加速效果主要是利用BCS提供的彈性的計算能力來實現。由于BCS可以根據用戶指定啟動多個虛擬服務器同時運行，每一個服務器只完成整體計算量中的一部分，因此，通過同時啟動多個虛擬服務器，可大大減少完成整體計算所需的時間。

圖4 基于阿里云計算服務的密集臺站NCF計算系統架構

圖5 利用云計算方法實現總量計算的分解策略示意圖

實現NCF計算在云端系統的加速，關鍵問題在于如何實現對整體計算量進行合理的、自動的分配，以實現化整為零，同時運行。我們在云端系統實現了NCF的計算和疊加，并設計了計算模塊來完成計算任務的劃分與調配，任務劃分思路如圖5所示。由上述討論可知，NCF的總體計算量主要由參與計算的路徑的數目N和參與計算的天數T所決定，因此，我們采取了兩步劃分的策略。首先，將N條路徑分成n份，每一份當中含有的路徑數目為N／n條，形成n個路徑群組，即G1至Gn。同時，將總的計算天數T分割為m份，每一份當中需要計算的天數為T／m，從而形成m個時間切片，即T1至Tm。對于每一個路徑群組Gn，我們均向云端系統發送請求，請求啟動m個虛擬服務器來完成該路徑群組在所有參與計算的天數T上的NCF計算。每一個啟動的虛擬服務器都有1個唯一的編號K，對于第K個虛擬服務器，它只負責計算路徑群組Gn在時間切片TK時間段內NCF的計算和疊加。當任意一個虛擬服務器啟動運行后，都會查詢與其負責的計算任務相關的輸入數據，將其由OSS傳輸至該虛擬服務器的磁盤，之后進行在時間切片TK內單天NCF的計算及在TK時段內的疊加。在完成相應計算任務后，虛擬服務器將輸出數據壓縮歸檔，回傳至OSS供用戶下載進行后續分析，完成之后釋放所有計算資源。利用上述的任務分割和調度策略，可將整體計算量平均分配到mXn個虛擬服務器中同時運行，從而實現了整體計算任務的顆粒化劃分，最終完成加速任務。

我們利用上述方法計算了南北地震帶北段674個地震臺2014～2015兩年內所有臺站間的九分量NCF。首先，將674個臺站間形成的226801個臺站路徑拆分為20個路徑群組，并將2年的時長拆分為24個時間切片，每個切片約30天。然后，對于每一個路徑群組，在云端系統上請求24個虛擬服務器來進行該群組對應NCF的計算。為了完成整個數據集的NCF計算，我們在云端系統上共啟動了480個虛擬服務器，每一個服務器負責約11000條路徑30天的九分量NCF計算和疊加。在計算中，沒有保存單天的NCF波形，而僅將月尺度疊加后的九分量NCF傳輸到OSS進行存儲，這對于研究該地區的地下結構信息影響不大，但卻可以大幅減少不必要的數據傳輸。同時，由于研究的需要，也沒有對疊加后的NCF進行旋轉，而是保留了其原始的ENZ形式。

由于BCS上啟動的多個虛擬服務器可同時運行，因此，完成總體計算的時間主要取決于在單臺虛擬服務器上完成其負責的計算任務所需的時間。我們對在云端系統計算NCF所需的主要計算步驟的耗時進行了記錄，并計算了這些計算步驟在480個虛擬服務器上運行耗時的平均值（圖6）。由圖6可見，數據在單天NCF的計算和疊加以及數據在OSS與BCS間的數據傳輸是主要的耗時部分。但綜合來看，每個虛擬服務器完成計算的時間平均約為10.2h，相比在傳統高性能服務器上6個月的耗時有近400倍的加速效能。

圖6 云端系統各個主要計算步驟的耗時平均

利用BCS完成總計算的加速，核心在于BCS系統可提供多臺虛擬服務器同時運行。如果不考慮BCS與OSS數據傳輸的時間消耗，理論上完成總體計算的時間與同時調用的虛擬服務器的數量成反比。由于部分研究需要以月尺度疊加的NCF數據作為輸出，因此，本文中將整體2年的時長劃分為24個時間切片。理論上，我們可以通過增加路徑群組數m和時間切片數n實現更多虛擬服務器的同時調用，以進一步減少計算時間。

圖7 臺站對X2.15605至X2.64040路徑上2014～2015兩年疊加的九分量波形

3 九分量NCF中瑞利面波ZH比的測量及驗證

相比垂直分量間的NCF，九分量NCF的一個重要優勢是可通過測量瑞利面波垂向振幅與徑向振幅的ZH比來對地殼淺部橫波速度進行研究（Lin et al，2014；Li et al，2016）。同時，分析九分量中瑞利面波ZH比的分布特征，也是對上述九分量NCF計算可靠性的一種檢驗方式。因此，我們對利用云計算模式得到的九分量NCF中瑞利面波的ZH比進行了測量，并與從天然地震面波中得到的同周期ZH比進行了交叉比對。

首先，將OSS上存儲的按月疊加的ENZ形式九分量NCF下載至本地，并對其進行進一步的疊加處理，獲得了2014～2015年2年疊加的ENZ形式的九分量NCF，再將其按照旋轉矩陣公式進行旋轉，轉化為RTZ形式。圖7顯示了臺站對路徑X2.15605至X2.64040對應的RTZ形式的九分量NCF波形。對于每一個NCF，其時間軸正值表示從臺站X2.15605傳播至X2.64040的信號，負值則表示由X2.64040傳播至X2.15605的信號。由圖7可見，在ZZ、ZR、RZ、RR分量上均可以看到明顯的瑞利面波信號，在TT分量上則可以觀察到勒夫面波信號。在相互正交的ZT、TZ、RT、TZ分量上，在相應時間窗口內幾乎沒有強信號出現。在正交分量面波時間窗口內存在的微弱信號，很可能是局部散射效應導致的偏離大圓路徑的散射波干涉而成。圖7中各個分量之前波形的到時和相對振幅特征，顯示了我們計算得到的九分量NCF的可靠性。為進一步對其進行驗證，我們對NCF中瑞利面波的偏振特征和ZH比進行了測量分析。

在九分量NCF中，瑞利面波主要分布在Z、R分量的組合上。對于2個臺站A和B形成的路徑AB，我們認為A是激發點，B為接收點，并使得NCF中時間軸正值的信號表征從A傳往B的信號。在此假定下，九分量NCF中正半軸的ZZ、ZR分量表征的是接收點的Z、R分量上對激發點Z分向作用力的響應，而RZ、RR分量則表征接收點的Z、R分量上對激發點R分向作用力的響應（Li et al，2016）。由于瑞利面波的偏振特征和ZH比主要反映接收臺站下方的波速結構特征，因此，我們往往使用AB路徑上正半軸的波形來進行測量，以表征B臺站下方波速的特征。而對于A臺站，則可以根據互異性將AB路徑進行時間翻轉來測量。

圖8 X2.15605、X2.64040路徑上不同Z與R分量組合的16s瑞利面波波形及偏振圖像

圖8（a）為由X2.64040傳播至X2.15065的Z、R分量4種組合的瑞利面波波形。所有波形都進行了中心周期為16s的窄帶濾波，并對振幅進行了統一的歸一化處理以顯示其相對大小。圖8（b）、8（c）分別為ZZ與ZR的分量組合以及RZ與RR分量組合上瑞利面波的偏振信息。由于只使用了正半軸的信號，因此，其反應的是臺站X2.15605下方的速度特征。同時，我們也計算了由X2.15605傳播至X2.64040的對應分量組合的NCF波形，并進行了相同的處理（圖8（d）、8（e）、8（f））。由圖8可見，無論是在ZZ與ZR的組合上，還是在RZ與RR的組合上，面波信號的偏振方向都表現出了逆進橢圓的特征，符合瑞利面波的偏振屬性。這表明，九分量NCF波形保持了水平分量的相對振幅比例，進而保持了其偏振特征。由圖8還可見，在X2.64040、X2.15605臺站中瑞利面波垂向與徑向的振幅ZH比有明顯差異。就16s周期的面波而言，X2.15605的ZH比大于1，而X2.64040的ZH比小于1。

圖9 九分量NCF中16s瑞利面波的ZH比分布

在NCF的計算中，噪聲源的特征以及記錄信號本身的質量會對提取到的信號有一定的影響。如圖8（b）、8（c）中的偏振圖像雖然都符合瑞利面波的偏振，但其具體形態仍有一些差異。為了獲取穩定的測量值，我們往往需要對多條路徑上瑞利面波的ZH比進行統計平均，以更好地表征某一臺站在特定周期的可靠ZH比測量值。研究區域內密集分布的臺站為我們提供了優良的路徑分布，因此，分別以X2.15605、X2.64040為中心，選取周邊臺站傳播至中心臺站的瑞利面波信號，對其16s周期的瑞利面波ZH比進行測量。為了實現九分量NCF中瑞利面波ZH比的快速測量，依據如下標準對這些臺站路徑進行了篩選處理：

（1）對于中心臺站，只選取臺站間距大于3倍的對應周期的面波波長來進行測量。這樣可以滿足在噪聲互相關中的遠場假設，以減小系統性偏差。

（2）在傳播至中心臺站的4個分量ZZ、ZR、RZ、RR上，對應瑞利面波的信噪比要大于8。

（3）對ZR或RR方向上的波形進行希爾伯特變換后，對應周期的瑞利面波與ZZ或RZ波形的相關系數需大于0.8。

對于符合上述準則的任意一個路徑上的NCF，我們將ZR進行希爾伯特變換后，求取其包絡在對應周期面波到時的最大值。之后，求取ZZ分量包絡的最大值，并以ZZ、ZR兩個包絡的最大值之比作為該臺站對應周期瑞利面波的1個ZH比測量值。同時，對RR、RZ分量進行相同的處理，以獲取另外1個ZH比的測量值。如果4個分量的2組組合均滿足上述篩選標準，則對于每一個路徑，都可以獲得2個有效的ZH比值。

我們分別以X2.15605、X2.64040臺站為中心，對周期16s的瑞利面波ZH比進行了上述測量，其ZH比的分布如圖9所示。其中，X2.15605臺站共有676次有效測量，其ZH比的平均值為1.213。X2.64040臺站共有304次有效測量，其ZH比的平均值為0.875。其有效測量數目的不同與每個中心臺站周邊的臺站分布相關，也與不同方向、距離上NCF中信號的差異有關。由圖9可見，2個臺站的ZH比分布均呈現高斯鐘型，其標準方差分別為0.161、0.152。

圖10 天然地震激發的16s的瑞利面波在2個臺站上的ZH比

為了進一步對測量得到的ZH比進行確認，我們也利用這2個臺站記錄到的天然地震中的瑞利面波對其ZH比進行了測量。選取2014年6月9日發生的1次5級地震，對該地震產生的16s周期的瑞利面波在2個臺站上的偏振特征進行了分析（圖9），地震的位置、發震時間如圖1中內圖所示。對于2個臺站，首先將記錄的三分量波形旋轉到R、Z方向，進而進行16s的窄帶濾波。由圖9可見，該地震在2個臺站上瑞利面波的ZH比特征與九分量NCF中顯示的同周期面波ZH比的特征類似，即在X2.15605臺站上較大，X2.64040臺站上較小。我們進而對2個臺站共同記錄到的2014～2015年發生的5～6級地震的瑞利面波進行了ZH比的測量和統計平均。共選取632個距臺陣中心小于3000km的天然地震，其分布如圖1中內圖所示。在測量天然地震16s的瑞利面波的ZH比時，我們采用了前述的信噪比和互相關系數準則。測量結果如圖10（c）、10（f）所示。其中，圖10（c）顯示了X2.15605臺站獲取的251次有效測量，其ZH比平均值為1.198，標準方差為0.179；圖10（f）顯示了X2.64040臺站獲取的102次有效測量，其ZH比平均值為0.816，標準方差為0.107。

對比圖8、9、10可知，就16s周期的瑞利面波而言，我們從九分量NCF以及天然地震中中獲取的ZH比具有很強的一致性，這表明了利用云計算方法獲得的九分量NCF中波形相對振幅的可靠性。同時，2個臺站同周期瑞利面波的ZH比具有明顯差異。對比圖1可以看出，X2.15065臺站位于丘陵山地，而X2.64040臺站位于寧夏沉積盆地區域，二者ZH比的差異反映了臺站下方不同的橫波特征。由于本文重點為海量NCF的云計算實現及其驗證，利用獲取的ZH比反演淺部橫波結構將另文闡述。

4 結論

地震學是以觀測為基礎的學科，地震學研究的很多突破都與觀測資料的增加和觀測質量的提高有很大關系。最近10年來，地震觀測資料的數量呈現了爆發性的增長，在給我們帶來海量數據的同時，也對地震學中的傳統計算模式提出了挑戰。

背景噪聲的互相關計算是一種典型的數據密集型計算，其計算總量隨著觀測臺站數目的增多和觀測持續時間的增加而呈非線性的增長。然而，密集臺站間的噪聲互相關函數又是對觀測區域進行高精度成像的重要數據。為了解決傳統計算模式遇到的瓶頸，本文提出了一種基于云計算的九分量噪聲互相關函數計算方法。該方法利用現代云計算技術所提供的彈性的、可擴充的存儲、計算能力，實現了海量數據集合下九分量噪聲互相關的計算。

我們將該技術應用于“中國地震科學臺陣探測——南北地震帶北段”674個寬頻帶臺站2014～2015年的三分量連續記錄，獲取了所有臺站間的九分量噪聲互相關函數。計算結果表明，獲取22萬條路徑上2年的噪聲互相關函數平均耗時約為10.2h，相比傳統計算方法具有接近400倍的加速效能。通過對計算得到的九分量NCF中瑞利面波振幅ZH比的測量以及地震記錄中相應面波ZH的對比分析，驗證了九分量NCF計算結果的可靠性。

地震學研究已經開始進入大數據時代，本文是對現代云計算技術在傳統地震學研究中應用的初步探索，其研究結果可為后續相關研究提供參考。通過云計算技術獲得的海量NCF數據，也可作為后續地震學研究的重要數據支撐。

致謝：感謝中國地震科學探測臺陣數據中心提供的波形數據。