Identification of the temporal changes of site nonlinearity during 2011 MW9.0 Tohoku earthquake by moving time window deconvolution method
-
摘要: 利用模拟记录和2011年日本东北MW9.0大地震观测记录分析了基于移动窗解卷积法识别场地非线性时变特征的可行性,并与移动窗谱比法的结果进行了对比分析。研究表明:基于移动窗解卷积法可以较好地揭示场地非线性随地震动水平的变化过程,识别非线性发生的阈值、非线性变化程度及强震动后的恢复程度;与移动窗谱比法相比,移动窗解卷积法更容易获得较为稳定的土体非线性时变过程,但对于存在强阻抗比的浅表层土体,移动窗谱比法可以获得更准确的非线性程度。对2011年日本东北MW9.0大地震中8个KiK-net台站进行了非线性时变分析,结果表明;两种方法识别的非线性阈值较接近,约在40—100 cm/s2之间,且与场地vS30没有明显的相关性;在峰值加速度PGA较低的IBRH20台站,非线性引起的波速下降较小(3%)且震后几乎完全恢复;PGA 处于386—822 cm/s2之间的其余7个台站,场地等效剪切波速下降13%—37%,产生了显著的场地非线性,且震后未完全恢复;PGA大于380 cm/s2时,非线性所导致的场地波速下降、恢复与PGA无明显相关性。Abstract: In this paper, the feasibility of identifying nonlinear temporal changes of sites by moving time window deconvolution method is analyzed based on the simulation records and observation records from the 2011 MW9.0 Tohoku earthquake, and the results are compared with those by the moving time window spectral ratio method. The results show that the moving time window deconvolution method can reveal the nonlinear change process of the site with ground motion level. Based on this method, the threshold of nonlinearity, the degree of nonlinearity change and the recovery degree after strong ground motion process can be identified. Compared with the moving time window spectrum ratio method, the moving time window deconvolution method can obtain more stable nonlinear temporal changes process of soil, but for the shallow surface soil with strong impedance ratio, the moving time window spectrum ratio method can obtain more accurate nonlinear degree results. The nonlinear temporal changes analysis of eight KiK-net stations during the 2011 MW9.0 Tohoku earthquake shows that the nonlinear thresholds identified by the two methods are close to each other, ranging from 40 cm/s2 to 100 cm/s2, and there is no obvious correlation with site vS30. At IBRH20 station with low PGA, the decrease of wave velocity caused by nonlinearity was small (3%) and the recovery was almost complete after the earthquake. At the other seven stations with high PGA (range of 386—822 cm/s2), the site equivalent shear wave velocity decreased by 13%—37%, resulting in significant site nonlinearity and not fully recovered after the earthquake. As PGA is larger than 380 cm/s2, there is no significant correlation between PGA and the decrease/recovery of wave velocity caused by nonlinearity.
-
Keywords:
- deconvolution /
- moving time windows /
- site nonlinearity /
- temporal changes
-
引言
破坏性地震发生后,主要通过现场调查获取震害信息,这样获取的信息的精度和置信度均较高,然而破坏性地震的影响范围往往很大,现场调查存在工作量大、效率低、信息表达不直观等问题(柳稼航等,2004;张志强等,2018)。鉴于遥感影像覆盖面积大、成本低,具有快速、宏观的特点,因此可作为获取震害信息的一种既经济又快捷的数据来源(王晓青等,2003;Huang et al,2014)。经由高分辨率遥感影像提取的建筑物震害信息可为地震现场救援决策提供高效的数据支持(Turker,Cetinkaya,2005;王龙等,2007)。 “十二五” 计划以来,我国陆续研制发射并投入使用了 “高分一号” (GF-1)、 “高分二号” (GF-2)和 “高分四号” (GF-4)卫星,极大地满足了我国对中高分辨率遥感数据的应用需求。随着国产卫星技术的发展,国产卫星产出的数据质量高、获取简单且成本较低,为防震减灾事业发展提供了强有力的支持。因此研究基于我国国产高分数据的建筑物震害信息提取方法,对提高震害信息获取速度和救援决策效率意义重大。
近年来,研究人员依据建筑物震害特征,提出了多种建筑物震害信息提取方法(Turker,Sumer,2008;Dong,Shan,2013;叶昕等,2016),例如:Yamazaki等(2005)采用目视解译方法进行建筑物震害信息提取;翟永梅等(2015)和赵妍等(2016)采用面向对象方法进行基于高分辨率遥感影像的建筑物震害信息提取;张景发等(2002,2017)就建筑物震害评估和多源遥感特征及机理予以分析;王晓青等(2015)借助遥感手段针对尼泊尔MS8.1地震的建筑物震害信息进行提取和分析。基于遥感影像的建筑物震害信息提取已有诸多成果,也具有很好的应用前景,然而由于该技术的复杂性,使其在现实中的应用受到局限,特别是信息提取的速率、精度及自动化程度等方面亟待提高。
为此,本文拟以分辨率高、获取方便的国内高分卫星遥感影像为基础,考虑人机互补的优势,结合建筑物纹理和形态学特征,研究适用于我国高分卫星数据的建筑物震害信息提取方法,为地震应急决策、灾害损失评估及震后灾区恢复重建等工作服务。
1. 研究区域概况
塔什库尔干塔吉克自治县,简称塔县,隶属新疆维吾尔自治区喀什地区。塔县位于帕米尔高原西部,西昆仑褶皱带的塔什库尔干隆起地带,海拔较高。塔县的地势由西南向东北倾斜,山脉自西南向东北延伸。
2017年5月11日5时58分(北京时间),新疆喀什地区塔什库尔干塔吉克自治县(37.58°N,75.25°E)发生MS5.5地震,震源深度为8 km。该地震造成塔什库尔干县8人遇难、31人受伤。8名遇难者均在塔什库尔干乡库孜滚村,受该地震影响,库孜滚村的建筑物大面积倒塌毁坏,此地为塔县地震的极灾区,正是本文的研究区域。
2. 建筑物震害检测方法
本文采用地震前后同系列卫星遥感数据,首先完成两景影像精确位置匹配,然后结合纹理和形态学特征方法进行建筑物信息提取,满足一定的精度要求;通过震前、震后建筑物变化检测分析,提取研究区倒塌建筑物的空间分布信息。
2.1 技术路线
图1给出了建筑物震害信息提取的技术路线图,技术路线包括以下几部分:
1) 数据收集及预处理。收集研究区震前震后的高分遥感影像数据、数字高程模型(digital elevation model,缩写为DEM)数据、行政区划数据等,进行影像正射校正、几何校正、影像融合、影像重采样等预处理,完成震前、震后影像空间匹配;然后手动建立居住区为感兴趣区,缩小研究区范围。
2) 纹理分析。采用灰度共生矩阵方法提取建筑物纹理信息,通过对比分析,确定能够突出建筑物信息的纹理特征图像。
3) 二值化及形态学运算。对纹理特征图像进行密度分割,找到建筑物取值范围,进行二值化(林祥国,张继贤,2017),从而提取建筑物的空间分布信息;之后通过形态学运算优化建筑物形态。
4) 精度评价。将通过人工识别的完整建筑物作为地面样本,计算信息提取的总分类精度,并且进行精度评价,人工修改误提、漏提的建筑物区域,使其达到精度要求,为建筑物震害信息提取提供精确数据支持。
5) 建筑物震害信息提取。对震前、震后提取的建筑物空间分布信息进行变化检测,提取完全倒塌的建筑物空间分布信息。
2.2 数据收集
塔县地震发生后,为快速了解灾区灾情,新疆维吾尔自治区地震局应急遥感技术组联系新疆卫星遥感应用中心快速收集地震前后的高分遥感数据,便于快速进行震害信息遥感解译。所获数据为研究区震前2015年9月6日GF-1影像、震后2017年5月13日GF-2影像以及研究区DEM、县驻地、乡驻地、县界、乡界等数据。
2.3 数据预处理
采用正射校正、几何校正、影像融合、影像重采样等方法对震前、震后遥感影像进行预处理,其中正射校正采用30 m DEM数据进行,几何校正以google影像为基础进行。为保证数据的解译效果,本文还进行了影像融合。为保证建筑物震害信息的解译精度,在数据预处理时对震前、震后影像进行几何精校正。由于震前、震后影像的空间分辨率不一致,为保证匹配精度,须将震前影像进行影像重采样,重采样数据的空间分辨率为1 m,然后进行几何精校正,校正误差小于0.5个像元,至此完成震前、震后的影像精确匹配。图2a和图2b分别为预处理后研究区的震前GF-1影像和震后GF-2影像。
图 2 研究区预处理后的GF卫星遥感影像图(a) 预处理后的震前GF-1影像图;(b) 预处理后的震后GF-2影像图;(c) 裁剪震后的GF-2居住区影像图Figure 2. GF remote sensing images preprocessed in the studied area(a) GF-1 image before earthquake after pre-processing;(b) GF-2 image after earthquake after pre-processing;(c) Clip image of GF-2 residential area after the earthquake为提高建筑物震害信息遥感解译精度和效率,以居住区为目标,手动建立感兴趣区,裁剪研究区影像,减少数据范围及干扰信息。图2c为经过感兴趣区裁剪后的震后GF-2遥感影像图。
2.4 纹理分析
倒塌建筑物和完好建筑物的纹理特征和结构不同:完好建筑物形状规则,房屋边缘纹理清晰;倒塌建筑物的形状和布局发生变化,影像中房屋建筑物破坏截面粗糙、破碎,形状不规则,房屋边缘模糊等。通过提取纹理信息可自动提取建筑物,通过震前、震后建筑物信息对比分析可识别研究区的倒塌建筑物。
灰度共生矩阵法是较为流行的纹理分析方法,也是建筑物检测的最有效方法之一。灰度共生矩阵可以展现像素值在空间的相对位置。通过多种方法对灰度共生矩阵加权计算,可以得到一系列特征统计量来表征区域纹理。Haralick (1979)提出了14种特征统计量,常用的有均值、方差、同质性、对比度、非相似性、熵、角二阶矩、相关性等。
2.5 数学形态学方法
灰度共生矩阵算法能较好地提取建筑物的空间分布信息,但提取结果存在建筑物边缘不平滑、小斑块噪声以及建筑物顶面有孔洞等问题。采用数学形态学方法进行数据处理(王光霞,杨培,2000;翟辉琴,王明孝,2005;欧阳平,张玉方,2009;李金香等,2016),可以得到完整的建筑物顶面信息。
数学形态学基本公式如下:
当二值形态腐蚀时,
$ {{A}}\Theta {{B }} {\text{=}} \{ {{x}}:{{B}} {\text{+}} {{x}} \subset {{A}}\} {\text{;}} $
(1) 当二值形态膨胀时,
$ {{A}} \oplus {{B}} {\text{=}} {[{{{A}}^{\rm{c}}}\Theta \left( { - {{B}}} \right)]^{{c}}} {\text{;}} $
(2) 当二值形态开运算时,
$ {{A}} \circ {B} {\text{=}} \left( {{{A}}\Theta {{B}}} \right) \oplus {{B}} {\text{;}} $
(3) 当二值形态闭运算时,
$ {{A}} \bullet {{B}} {\text{=}} \left( {{{A}} \oplus {{B}}} \right)\Theta {{B}} {\text{,}} $
(4) This page contains the following errors:
error on line 1 at column 1: Start tag expected, '<' not foundBelow is a rendering of the page up to the first error.
3. 试验结果及分析
为了更好地说明本文方法中建筑物震害信息提取的效果, 应用上述方法提取研究区建筑物震害信息后,同时使用基于像元级和基于目标级信息提取方法提取建筑物震害信息,并对不同方法所得计算结果进行比较。
3.1 结合纹理和形态学特征的建筑物震害信息提取
采用灰度共生矩阵法对新疆塔县地震极灾区震前、震后遥感影像进行纹理分析,计算了8种特征图像,结果如图3所示。通过对比,采用干扰信息少的对比度特征来提取建筑物纹理信息。
灰度共生矩阵方法中的尺度、方向及步长所采用的数值不同,计算结果不同,本文采用45°方向、步长为1的参数进行运算。合适的滑动窗口尺度能够更好地展现建筑物信息,本文选取3×3,5×5,7×7,9×9,11×11,13×13窗口尺度进行计算,图4为不同尺度的纹理特征影像。因震前、震后影像的分辨率不同,建筑物纹理特征存在差异,故而对震前、震后影像进行计算时,在参数适用性上也有差异,本文对于震前GF-1影像采用9×9窗口、45°单一方向、步长为1的对比度纹理特征影像进行建筑物信息提取,对于震后GF-2影像采用7×7窗口、45°单一方向、步长为1的对比度纹理特征影像进行建筑物信息提取。
其次对提取的特征图像进行二值化,确定建筑物的空间分布。因震前、震后影像的拍摄时间不同,传感器也不同,故提取的特征图像中建筑物取值分布不同,采用密度分割法对特征图像进行密度分割,找到震前、震后影像中建筑物分布的纹理特征值,进行二值化,值为1的像元为建筑物数据(图5a,b)。
数学形态学方法是指通过基于二值化影像开展的膨胀、腐蚀、开、闭等运算,使建筑物边缘更加平滑。因震前、震后影像的分辨率不同,震前、震后建筑物的边缘纹理存在差异,故而在利用数学形态学方法进行数据处理时,震前、震后影像计算参数也不同(图5c)。通过逐步试验,找到最优参数进行建筑物空间分布信息提取。图6给出了本文所提取的研究区震前、震后影像建筑物的空间分布信息。
精度评价(余先川等,2012)是分析建筑物信息提取结果的精度,进而判断提取结果的优劣及是否可用。通过人工选取建筑物感兴趣区域作为地面样本,对建筑物信息提取结果进行精度评价,震前、震后建筑物震害信息提取总精度分别为86.74%和77.78%。震害信息提取总精度较高,研究区无漏提现象,然而存在误提区域,震前、震后影像误提的区域主要为植被区,因植被纹理与房屋建筑物纹理存在相似的区域被误提,同时形态学综合过程中对建筑物边界进行膨胀腐蚀,使得房屋边界有所扩张,扩张区域误提了道路及空地区域。总之,利用本文算法提取的建筑物具有较高的正确率,后续通过人工修正方法对误提区域进行修正,保证后续建筑物震害信息提取的精度要求。
进而对震前、震后提取的建筑物进行变化检测分析,提取建筑物震害信息。因形态学方法在进行建筑物信息综合的过程中对建筑物的边界已经进行了膨胀、腐蚀等运算,本文提取的建筑物边界较实际有所偏移,故而震前、震后建筑物边缘的匹配度欠佳,因此本文仅提取全部倒塌建筑物及新增完好建筑物的信息。
震害信息提取算法为:首先提取与震后建筑物提取结果有交集的震前建筑物的空间分布数据,即为震后未倒塌的建筑物;然后用震前建筑物的提取结果剔除震后未倒塌的建筑物,即为倒塌建筑物的空间分布数据。同理,提取与震前建筑物提取结果有交集的震后建筑物的空间分布数据,用震后建筑物提取结果剔除交集,即为2015年后新建且在震后未倒塌的建筑物的空间分布数据。具体建筑物震害信息提取结果如图7所示。
图 7 塔县地震后极灾区建筑物震害提取结果图(a) 未倒塌建筑物分布图;(b) 倒塌建筑物分布图;(c) 新建未倒塌建筑物分布图Figure 7. Damage extraction map of buildings in the extreme disaster areas of Taxkorgan Tajik earthquake(a) Distribution of uncollapsed buildings;(b) Distribution of collapsed buildings; (c) Distribution of newly built uncollapsed buildings图7a中东南方较大区域斑块为村委会建筑,塔县地震后库孜滚村的未倒塌建筑物主要集中在村委会以北,尤其是安居富民房区域,房屋均未倒塌。安居富民房屋展现出较好的抗震性能。图7b中倒塌建筑物主要集中在村委会周围及村委会以南,该地区的房屋质量较差,抗震性能低,在地震中成片倒塌,此处为救援重点地区。在进行震前、震后建筑物信息变化检测中,2015年后新建建筑物被提取出来,由于经济水平的提高,该区域近年新建的建筑物质量较好,在地震中展现了较好的抗震性能。在新增建筑物中,位于安居富民房区域内的新增建筑物主要为抗震救灾帐篷搭设区。为更好地安置转移的地震受灾人员,使受灾人员集中便于管理,救灾帐篷搭设在安居富民房屋附近。
3.2 基于像元的建筑物震害信息提取
为了更好地说明本文方法用于震害信息提取的效果,进行了多种方法的对比,选择的方法主要有基于像元级的分类方法和基于目标级的面向对象分析方法,并对不同方法的计算结果进行比较。
像元级分类方法主要是利用地震现场信息及研究区的各类地物特征,结合影像识别地物影像特征及解译标志,并建立分类样本,采用支持向量机(support vector machine,缩写为SVM)方法对影像直接进行像元级信息提取。信息提取结果如图8a所示。
像元级信息提取是在建立精确地物解译标志及选择合适的信息提取方法的前提下,可以检测出倒塌建筑物的空间分布情况。由图8a可知,由本文方法提取的倒塌建筑物的空间分布情况与基于像元级方法(支持向量机法)提取的结果大致相同,然而基于像元级信息提取所获得的倒塌建筑物(图中红色区域)存在着大量的误检,同时分类结果存在椒盐效应。这是由于建筑物倒塌后占地面积较原始建筑物占地面积大,故而基于像元级信息提取方法提取的倒塌建筑物比本文方法提取结果的面积更大,且提取结果破碎。基于像元级信息提取方法是依据地物光谱信息分类提取的,同一地物光谱信息越集中,与其它地物光谱差别越大,提取效果越好,然而现实中多存在 “同物异谱” 和 “异物同谱” 现象,如倒塌建筑物区域与粗糙裸地的光谱接近,这使得基于像元级倒塌建筑物信息提取结果的误提信息较多,信息提取结果精度偏低。
3.3 基于目标的建筑物震害信息提取
面向对象方法是一种基于目标的分类方法,该方法不再是基于像素尺度进行分类,而是通过多尺度分割将遥感影像分割为多个目标,综合考虑影像空间特征、光谱特征、纹理特征、几何特征等因素,得到较高精度的信息提取结果。
面向对象方法分类的关键是多尺度影像分割技术。选择的分割尺度越小,越易出现误检现象,其原因在于,过小的分割尺度使得地物分割过于破碎,提取结果破碎且效果不佳。相反,选择的分割尺度太大,易出现漏检现象,即建筑物震害信息未被准确提取。其原因是分割尺度太大会使多种地物分割到一起,小斑块的地物容易被分割到周边大斑块地物中,使得建筑物震害信息无法准确地被提取出来。本研究经过反复试验,找到合适的分割尺度进行影像多尺度分割,进而进行面向对象信息提取,结果如图8b所示。
目标级建筑物震害信息提取虽然有效地避免了椒盐效应,所提取的信息相对连续,但仍存在其它地物被错误识别为震害建筑物的问题。这是由于在多尺度分割过程中,倒塌建筑物出现过多的碎块,使得倒塌建筑物本身的形状特征不能很好地参与到分类过程中,导致最终分类结果中有部分植被、农田和裸地被混淆。
3.4 不同方法提取结果的比较
为定量分析试验结果,对本文方法、像元级、目标级信息提取方法分别进行精度评价。本文结合现场调查信息和地震现场无人机影像以及震前google影像,进行无人机影像目视解译,将其作为精度评估样本。无人机影像覆盖区域、目视解译结果与本文提取结果的对比如图9所示,主要覆盖震后完好建筑物分布区域和倒塌建筑物连片分布区域,精度指标采用的总体精度和Kappa系数列于表1。
表 1 不同提取方法分类精度的比较Table 1. Comparison of classification accuracy with different extraction method分类方法 总体精度 Kappa系数 本文方法 90.45% 0.87 支持向量机法 84.67% 0.78 面向对象分析法 85.22% 0.79 由表1不难发现,相较单一的像元级和目标级信息提取方法,本文方法的总体精度分别提高了5.78%和5.23%,其中:像元级信息提取方法中,倒塌建筑物主要将农田、裸地误提进来,误提率为7.75%和4.22%;目标级信息提取方法中,倒塌建筑物主要将裸地、农田和植被误提进来,误提率为5.31%,5.05%和2.84%;本文方法提取的建筑物震害信息是基于震前、震后建筑物提取结果对比分析的基础上所获,提取的倒塌建筑物主要为2015年9月后消失的建筑物,但由于在建筑物震害信息提取中未考虑人为因素,存在误提现象。今后尚需结合像元级和目标级震害信息提取方法进行误提部分剔除,进一步提高信息提取精度。
4. 讨论与结论
本文结合纹理和形态学特征方法进行了基于国内高分遥感影像的建筑物震害信息提取研究,提取了2017年5月11日新疆塔县MS5.5地震极灾区库孜滚村在地震前后真实的建筑物空间分布数据,通过变化检测分析,获取了研究区倒塌建筑物空间分布信息,并结合其它方法进行了信息提取结果精度的对比。本文结果表明:结合纹理和形态学特征的方法能较好地提取高分遥感影像中的建筑物信息,本方法对基于国产高分影像进行建筑物震害信息提取具有较高的正确率和鲁棒性;通过对地震前后建筑物提取结果进行变化检测分析,能够有效地提取完全倒塌的建筑物,信息提取总体精度为90.45%;对比单一的像元级和目标级信息提取方法,本文方法的总体精度分别提高了5.78%和5.23%。
本文仍存在一些不足,如本文仅提取了完全倒塌的建筑物,对于部分倒塌及未倒塌但严重破坏的建筑物并未涉及,今后应对不同震害类型进行更加细致的影像特征分析,建立更加丰富的建筑物震害特征库及专家知识库,便于探求新的模型方法,进行多类型震害信息识别,提高震害识别精度。本文建筑物信息提取的总体精度较高,但仍存在误差和噪声,对震害信息检测产生影响。为保证震害信息提取精度,结合人工修正方法效果会更佳。对于不同的震例,震害表现多有不同,不同地区的地物特征多有不同,今后需多加实践检验,根据地物特征及建筑物震害特点进行针对性的信息提取方法设计。
总的来看,结合纹理和形态学特征方法可用于提取高分遥感影像中的建筑物震害信息,在震害严重、救灾任务紧急的情况下,借助国产高分遥感卫星采集极灾区高分遥感影像,通过自动提取方法可以快速获取灾区倒塌建筑物的空间分布情况,为震后快速确定人员压埋点、部署救援力量提供决策依据,提高地震应急救援的时效性。
-
图 1 IWTH15台站地表(上)和井下(下)的模拟记录
A点代表非线性发生的阈值,B,C和D点分别代表等效剪切波速的明显下降点、最小值点和非线性恢复点,图2同此
Figure 1. The simulated records of surface (upper) and borehole (lower) at the station IWTH15
The red box represents one deconvolution time window,and the black box represents the next window. The point A represents the threshold of nonlinearity, the points B,C and D represent the location of obvious decrease,minimum value and nonlinearity recovery of equivalent shear wave velocity,respectively,which are the same in Fig. 2
图 2 不同窗长(4 s,6 s,8 s,10 s和12 s)下基于移动窗解卷积的等效剪切波速与时间窗内PGA的关系
蓝色圆点表示以该点为中心的时间窗内解卷积的等效剪切波速,黑色圆点为每个时间窗内的PGA
Figure 2. The relationship between the equivalent shear wave velocity by moving-window deconvolution method of different window lengths (4 s,6 s,8 s,10 s and 12 s) and PGA in each time window
The blue dots represent the equivalent shear wave velocity by the deconvolution in the time window centered on this point,and the black dots represent the PGA in each time window
图 3 (a) FSKH11台站地表和井下东西分量的加速度时程;(b) 基于移动窗解卷积法的等效剪切波速vS随窗内PGA的变化;(c) 基于移动窗谱比法的峰值频率随窗内PGA的变化;(d) 基于移动窗谱比法的地表和井下的谱比随时间的变化
图(a)和(b)中,A点为非线性发生的阈值,B,C和D点分别代表等效剪切波速的局部最小值、小幅恢复点和最小值,E点为强震动后等效剪切波速的恢复值;图(b)中红色框为等效剪切波速vS振荡区域,红色圆圈为该区域的vS平均值;图(d)中白色圆点表示峰值频率的变化轨迹
Figure 3. (a) The surface and borehole accelerations of EW component at the station FSKH11;(b) Temporal changes of equivalent shear wave velocity with PGA of each time window;(c) Temporal changes of peak frequencies with PGA of each time window;(d) Color-coded surface/borehole spectral ratios plotted against time based on moving window spectral ratios method
In Figs. (a) and (b),the point A represents the threshold of nonlinearity,the points B,C and D represent the local minimum value,small recovery and minimum value of equivalent shear wave velocity vS,the point E represents the recovery vS after the strong motion. In Fig. (b) the red frame is the oscillation area of vS,the red circle is the average vS;in Fig. (d) the white dot represents the trajectory of the peak frequency
图 4 FSKH11台站在2011年日本东北大地震前3个月内16次弱震记录(a)和震后10天内25次弱震记录(b)的东西分量解卷积波形
Figure 4. The deconvolved waveforms of EW component from 16 weak earthquakes recorded within three months before the 2011 Tohoku earthquake (a) and 25 weak earthquakes recorded within ten days after the earthquake (b) at the station FSKH11
图 5 2011年日本东北大地震中台站IBRH12 (a),IWTH21 (b),IWTH27 (c)和FKSH19 (d)的场地非线性时变过程识别结果(各子图意思同图3,A和F点分别表示两种方法识别到的非线性阈值的位置)
Figure 5. The identification results of the temporal changes in site nonlinearity at the stations IBRH12 (a),IWTH21 (b),IWTH27 (c) and FKSH19 (d) during 2011 Tohoku earthquake (The meanings of subfigures are the same as Fig. 3,and the points A and F denote the position of the nonlinear threshold by two methods)
图 5 2011年日本东北大地震中台站IBRH20 (e),MYGH04 (f)和MYGH10 (g)的场地非线性时变过程识别结果(各子图意思同图3,A和F点分别表示两种方法识别到的非线性阈值的位置)
Figure 5. The identification results of the temporal changes in site nonlinearity at the stations IBRH20 (e),MYGH04 (f) and MYGH10 (g) during 2011 Tohoku earthquake (The meanings of subfigures are the same as Fig. 3,and the points A and F denote the position of the nonlinear threshold by two methods)
表 1 IWTH15台站的场地参数
Table 1 Site parameters of the station IWTH15
序号 层厚/m 深度/m 土性 土类 vP/(m·s−1) vS/(m·s−1) ρ/(g·cm−3) 1 4 4 凝灰角砾岩 砂土 480 150 1.451 2 8 12 凝灰质砂岩 砂土 1780 360 2.014 3 26 38 凝灰岩 砂土 1780 450 2.014 4 72 110 凝灰角砾岩 基岩 1870 540 2.039 5 12 122 凝灰角砾岩 基岩 2160 680 2.113 表 2 土的动剪切模量比G/Gmax和阻尼比λ与剪应变γ的关系
Table 2 Relationship between dynamic shear modulus ratio G/Gmax and damping ratio λ and shear strain γ of soil
剪应变γ 砂土 基岩 G/Gmax λ G/Gmax λ 0.000 5% 0.976 0% 1.35% 1.0% 0.80% 0.001 0% 0.954 4% 1.76% 1.0% 1.00% 0.005 0% 0.838 9% 3.46% 1.0% 1.50% 0.010 0% 0.800 8% 4.67% 1.0% 2.10% 0.050 0% 0.398 5% 8.44% 1.0% 3.00% 0.100 0% 0.276 3% 9.83% 1.0% 3.60% 0.500 0% 0.086 8% 11.75% 1.0% 4.60% 1.000 0% 0.043 1% 12.12% 1.0% 5.40% 表 3 利用DEEPSOIL进行时域非线性分析时所需拟合参数
Table 3 Nonlinear fitting parameters in time-domain nonlinear analysis by DEEPSOIL
土类 小应变阻尼比 参考压应力/MPa 参考有效应变 拟合参数 β s b d 砂土 0.269 4% 0.18 0.07 1.47 0.72 0 0 基岩 0.778 4% 0.18 0.35 0.15 0.72 0 0 注:β和s为土的双曲线本构模型参数,b为参考剪应变拟合参数,d为小应变阻尼比拟合参数。 表 4 2011年日本东北MW9.0大地震中8个台站的信息及非线性识别结果
Table 4 Information and nonlinear identification results of eight stations during the 2011 Tohoku MW9.0 earthquake
序号 台站
编号北纬
/°东经
/°测井
深度
/mvS30
/(m·s−1)场地
类别台站
土层vS
/(m·s−1)地表
PGA
/(cm·s−2)井下
PGA
/(cm·s−2)非线性阈值/(cm·s−2) vS下
降比峰值
频率
下降比vS恢
复比移动窗
谱比移动窗
解卷积1 IBRH12 36.8 140.3 200 486 C 968 519.2 111.8 96 97 18% 38% 92% 2 IWTH21 39.5 141.9 100 498 C 1085 392.4 54.3 42 40 23% 19% 94% 3 IWTH27 39.0 141.5 100 670 C 1366 576.6 94.2 76 75 17% 23% 90% 4 FKSH11 37.2 140.3 115 240 D 439 386.3 152.8 60 55 20% 33% 89% 5 FKSH19 37.5 140.7 100 338 D 843 822.4 277.3 70 64 24% 39% 90% 6 IBRH20 35.8 140.7 923 244 D 677 172.6 59.2 - 56 3% - 99% 7 MYGH04 38.8 141.3 100 850 B 1635 393.6 92.1 58 59 37% 48% 76% 8 MYGH10 37.9 140.9 205 348 D 585 786.9 142.9 - 97 13% - 96% * 场地类别引自National Earthquake Hazards Reduction Program (2015),vS代表等效剪切波速。 -
陈学良. 2006. 土体动力特性、复杂场地非线性地震反应及其方法研究[D]. 哈尔滨: 中国地震局工程力学研究所: 3−6. Chen X L. 2006. Study on Soil Dynamic Characteristics, Nonlinear Seismic Response of Complex Site and Its Methods[D]. Harbin: Institute of Engineering Mechanics, China Earthquake Administration: 3−6 (in Chinese).
李晓飞,孙锐,袁晓铭,李波. 2015. 现有等效线性化分析程序在实际软场地计算结果方面的比较[J]. 自然灾害学报,24(4):56–62. Li X F,Sun R,Yuan X M,Li B. 2015. Comparison of existing equivalent linear analysis program in calculation results of actual soft site[J]. Journal of Natural Disasters,24(4):56–62 (in Chinese).
李小军. 1993. 非线性场地地震反应分析方法的研究[D]. 哈尔滨: 中国地震局工程力学研究所: 2−10. Li X J. 1993. Study on the Method for Analysing the Earthquake Response of Nonlinear Site[D]. Harbin: Institute of Engineering Mechanics, China Earthquake Administration: 2−10 (in Chinese).
苗雨,施洋,王苏阳,王海云. 2018. 基于竖向台阵地震记录的非线性场地反应研究[J]. 自然灾害学报,27(6):51–58. Miao Y,Shi Y,Wang S Y,Wang H Y. 2018. Assessing nonlinear soil behavior using vertical array data:A case at TCGH16 station from KiK-Net in Japan[J]. Journal of Natural Disasters,27(6):51–58 (in Chinese).
任叶飞. 2015. 基于强震动记录的汶川地震场地效应研究[J]. 国际地震动态,(4):37–38. doi: 10.3969/j.issn.0235-4975.2015.04.008 Ren Y F. 2015. Study on site effect in the Wenchuan earthquake using strong-motion recordings[J]. Recent Developments in World Seismology,(4):37–38 (in Chinese).
王海云. 2014. 基于强震观测数据的土层场地反应的研究现状[J]. 地震工程与工程震动,34(4):42–47. Wang H Y. 2014. A review of study on soil site response estimating from strong motion data[J]. Earthquake Engineering and Engineering Dynamics,34(4):42–47 (in Chinese).
王苏阳. 2017. 基于日本KiK-net地震动数据的场地反应研究[D]. 哈尔滨: 中国地震局工程力学研究所: 75−107. Wang S Y. 2017. Study on Site Effect Using Ground Motion Data From KiK-Net in Japan[D]. Harbin: Institute of Engineering Mechanics, China Earthquake Administration: 75−107 (in Chinese).
Beresnev I A,Wen K L. 1996. Nonlinear soil response: A reality?[J]. Bull Seismol Soc Am,86(6):1964–1978.
Bonilla L F,Tsuda K,Pulido N. 2011. Nonlinear site response evidence of K-NET and KiK-net records from the 2011 off the Pacific coast of Tohoku earthquake[J]. Earth Planets Space,63:50.
Bonilla L F,Guéguen P,Ben-Zion Y. 2019. Monitoring coseismic temporal changes of shallow material during strong ground motion with interferometry and autocorrelation[J]. Bull Seismol Soc Am,109(1):187–198. doi: 10.1785/0120180092
Federico D, Bonilla L F, Foti S. 2016. In situ shear modulus reduction computation using seismic interferometry by deconvolution from borehole and surface data: Theory and examples[C]//Proc. 5th IASPEI/IAEE International Symposium: Effects of Surface Geology in Seismic Motion. Taiwan, China: NARLabs: 1−14.
Hartzell S. 1998. Variability in nonlinear sediment response during the 1994 Northridge,California,earthquake[J]. Bull Seismol Soc Am,88(6):1426–1437.
Hashash Y M A,Park D. 2001. Non-linear one-dimensional seismic ground motion propagation in the Mississippi embayment[J]. Engineering Geology,62(1/2/3):185–206.
National Earthquake Hazards Reduction Program. 2015. Recommended Provisions for Seismic Regulations for New Buildings and Other Structures (FEMA P-1050)[S]. Washington D.C.: Building Seismic Safety Council: 14−18.
National Research Institute for Earth Science and Disaster Resilience. 2020. Strong-motion seismograph networks (K-NET, KiK-net)[EB/OL]. [2020-10-21]. https://www.kyoshin.bosai.go.jp/kyoshin/data/index_en.html.
Noguchi S, Sasatani T. 2008. Quantification of degree of nonlinear site response[C]//Proceedings of the 14th World Conference on Earthquake Engineering. Beijing: Seismological Press: 1−8.
Pavlenko O,Irikura K. 2002. Nonlinearity in the response of soils in the 1995 Kobe earthquake in vertical components of records[J]. Soil Dynam Earthq Eng,22(9/12):967–975.
Ren Y F,Wen R Z,Yamanaka H,Kashima T. 2013. Site effects by generalized inversion technique using strong motion recordings of the 2008 Wenchuan earthquake[J]. Earthq Eng Eng Vibrat,12(2):165–184. doi: 10.1007/s11803-013-0160-6
Rubinstein J L,Beroza G C. 2004a. Evidence for widespread nonlinear strong ground motion in the MW6.9 Loma Prieta earthquake[J]. Bull Seismol Soc Am,94(5):1595–1608. doi: 10.1785/012004009
Rubinstein J L,Beroza G C. 2004b. Nonlinear strong ground motion in the ML5.4 Chittenden earthquake:Evidence that preexisting damage increases susceptibility to further damage[J]. Geophys Res Lett,31(23):L23614.
Sawazaki K,Sato H,Nakahara H,Nishimura T. 2006. Temporal change in site response caused by earthquake strong motion as revealed from coda spectral ratio measurement[J]. Geophys Res Lett,33(21):L21303. doi: 10.1029/2006GL027938
Sawazaki K,Sato H,Nakahara H,Nishimura T. 2009. Time-lapse changes of seismic velocity in the shallow ground caused by strong ground motion shock of the 2000 western-Tottori earthquake,Japan,as revealed from coda deconvolution analysis[J]. Bull Seismol Soc Am,99(1):352–366. doi: 10.1785/0120080058
Wen K L,Beresnev I A,Yeh Y T. 1994. Nonlinear soil amplification inferred from downhole strong seismic motion data[J]. Geophys Res Lett,21(24):2625–2628. doi: 10.1029/94GL02407
Wu C Q,Peng Z,Assimaki D. 2009. Temporal changes in site response associated with the strong ground motion of the 2004 MW6.6 mid-Niigata earthquake sequences in Japan[J]. Bull Seismol Soc Am,99(6):3487–3495. doi: 10.1785/0120090108
Wu C Q,Peng Z G,Ben-Zion Y. 2010. Refined thresholds for non-linear ground motion and temporal changes of site response associated with medium-size earthquakes[J]. Geophys J Int,182(3):1567–1576. doi: 10.1111/j.1365-246X.2010.04704.x
Wu C Q,Peng Z G. 2011. Temporal changes of site response during the 2011 MW9.0 off the Pacific coast of Tohoku earthquake[J]. Earth Planets Space,63(7):51.
Yamada M,Mori J,Ohmi S. 2010. Temporal changes of subsurface velocities during strong shaking as seen from seismic interferometry[J]. J Geophys Res:Solid Earth,115(B3):B03302.
-
期刊类型引用(7)
1. 孙钦瑶,钟秀梅,马金莲,王妍,许晓威,吴松翰,王谦. 基于GF-2遥感影像的甘东南农村建筑物结构分类方法. 遥感技术与应用. 2025(01): 192-201 . 百度学术
2. 王振庆,周艺,王福涛,王世新,高郭瑞,朱金峰,王平,胡凯龙. MFBFS:高分辨率多光谱遥感影像细粒度建筑物特征集. 遥感学报. 2024(11): 2780-2791 . 百度学术
3. 马建,唐丽华,吴国栋. 基于无人机影像的房屋信息提取技术初步研究. 震灾防御技术. 2023(02): 293-300 . 百度学术
4. 王臣毅,王艺斌,张滔,张志华,李昀欣. 基于椭圆轮廓模型的重叠烟叶分级方法. 计算机与数字工程. 2023(05): 1150-1156 . 百度学术
5. 王海波,谢玉芳. 改进灰度共生矩阵的印刷品表面缺陷检测方法. 包装工程. 2020(23): 272-278 . 百度学术
6. 郭一江. 基于无人机遥感影像的建筑物轮廓目标检测系统设计. 计算机测量与控制. 2020(12): 32-36 . 百度学术
7. 郑经纬,周越,高爽,戴志军,陈苏,熊政辉. 面向地震巨灾保险的建筑特性快速提取方法. 震灾防御技术. 2020(04): 739-748 . 百度学术
其他类型引用(14)