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 Dimension（D2D_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 integral：

C(r)=2N(N−1)∑i<jΘ(r−∥xi−xj∥)C(r) = \frac{2}{N(N-1)} \sum_{i<j} \Theta(r - \|\mathbf{x}_i - \mathbf{x}_j\|)C(r)=N(N−1)2​i<j∑​Θ(r−∥xi​−xj​∥)

然后在log⁡C(r)\log C(r)logC(r)vslog⁡r\log rlogr图上取斜率：

D2=lim⁡r→0log⁡C(r)log⁡rD_2 = \lim_{r \to 0} \frac{\log C(r)}{\log r}D2​=r→0lim​logrlogC(r)​

fault 给出D2≈2D_2 \approx 2D2​≈2，volume 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log⁡r\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_2D2​：fake event 把全局D2D_2D2​拉向 3，但你分不清是"volume 结构多"还是"fake event 多"
• LER：fake 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(Nlog⁡N)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​≈2.3），D2D_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

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。