Three-dimensional seismic velocity structure beneath the M6.4 Yangbi，Yunnan earthquake region
-
摘要: 利用2015年1月至2021年5月28日期间我国云南省漾濞县及周边地区固定台站和漾濞地震后布设的流动台站所记录到的近震资料，使用双差层析成像方法获得了该地震震区的高分辨率地壳三维速度结构和震源位置。重定位结果显示，漾濞M6.4地震序列主要沿NW−SE向展布，与维西—乔后—巍山断裂走向一致，地震主要集中在4—10 km的深度范围，呈约80°高倾角分布。结合定位结果与三维速度结构显示：漾濞M6.4地震序列的空间分布与速度结构变化具有相关性，主震位于P波、S波高低速异常交界处，这种介质物性变化的交界地带可能有利于中强地震的孕育和发生，余震主要分布在低P波速度、高S波速度和低波速比的脆性区域；沿漾濞地震序列的分布走向，主震两侧呈现完全不同的速度结构，其西北部具有明显的高P波速度、低S波速度特征，该地区高密度、强韧性的地层可能是阻挡漾濞地震的NW向破裂而呈单向破裂特征的原因。Abstract: This paper collected the seismic travel-time data both from temporary stations employed after Yangbi M6.4 earthquake and the seismic networks in Yangbi region and its vicinity from January of 2015 to 28 May, 2021 and performed the high-resolution inversion for three-dimensional velocity structure and accurate hypocentral locations by using double-difference seismic tomography method. The relocation results show that the sequence spread in the NW−SE direction along the Weixi-Qiaohou-Weishan fault. The focal depth in the area is generally in the range of 2−5 km with high dip angle of 80°. The three-dimensional velocity structure shows that the spatial distribution characteristics of the Yangbi M6.4 earthquake sequence are closely related to the velocity structure. The epicenter of the Yangbi M6.4 main shock was located near the P- and S-wave high-to-low-velocity anomaly transitional zones, which are favorable for occurrence of moderate-strong earthquakes, and the aftershocks are mainly distributed in the brittle region with low vP, high vS and low vP/vS. In addition, along the strike of Yangbi earthquake sequence, there are totally different velocity structures on both sides of main earthquake, and significant higher vP and lower vS anomalies are observed in the northwest of the Yangbi M6.4 main shock compared with the southeast part, which may obstruct the northwestward slipping of the seismogenic fault of Yangbi M6.4 earthquake, leading to the striking unilateral source rupture.
-
引言
近年来，随着卫星遥感技术的不断发展，地震受灾区域的高分辨率遥感影像凭借其覆盖范围广、信息量大、处理时间短等优势，逐步成为政府部门和研究人员等进行灾害检测和损失评估的数据源，在其基础上对灾区建筑物损毁情况进行计算机解译与评估，可以有效地提高灾害管理工作的效率，是灾后恢复重建、开展防灾减灾措施的必要步骤。
传统的遥感影像分类方法有目视解译和基于像元的非监督分类、监督分类法，在高分辨率遥感影像地物识别分类中已经得到广泛应用（Benediktsson et al，1990；赵萍等，2005；Turker，Koc-San，2015；李强等，2018，2019；牟多铎，刘磊，2019；Li et al，2019），但由于存在“椒盐噪声”等现象，这些方法在震害建筑物信息提取中的分类效果不是很理想。1999年，Baatz和Schäpe （1999）提出的面向对象遥感影像分类方法有效地解决了这些问题，Hussain等（2013）基于遥感影像的变化检测比较了多种基于像元与基于对象的方法，并表明基于对象的方法更加有助于提高分类结果。近20年来，面向对象方法在地物信息提取中得到了广泛应用：陈云浩等（2006）针对光学遥感影像，以北京城市土地利用分类为例，对面向对象分类方法的规则进行了讨论；Alonso-Benito等（2013）将面向对象方法与支持向量机（support vector machines，缩写为SVM）、神经网络、最大似然法三种基于像元的分类方法进行比较，应用于森林易燃植被的分类提取，结果表明面向对象的分类精度明显高于基于像元的分类方法；张峰等（2008）通过面向对象与SVM方法相结合成功提取了多源影像数据中的建筑物信息；游永发等（2019）采用面向对象与形态学相结合，提出了一种高分辨率遥感影像建筑物信息分级提取的方法，其提取精度均大于90%。目前国内外很多研究人员已将面向对象分类方法成功应用于遥感影像中震害建筑物的检测与提取：Gulsen等（2011）、Li等（2011）、龚丽霞等（2013）、王东明和许立红（2016）基于面向对象分别对汶川、海地、玉树、尼泊尔地震的高分辨率遥感影像中的建筑物信息进行了提取，均得到了较好的分类结果，提取精度均较高；赵妍（2017）针对高分辨率遥感影像的建筑物震害信息，基于面向对象方法提出了一系列变化检测的技术流程，实现了对震害建筑物信息的有效提取。
大多数研究人员将面向对象方法应用于震害建筑物识别时，都是基于多尺度分割，采用人工调试或前人经验来确定最终分割尺度，耗时耗力。因此本文在利用面向对象方法分类时，为了避免出现分割不足或过度分割的现象，拟采用影像分割尺度参数（estimation of scale parameters，缩写为ESP）算法自动选择最优分割尺度，结合最邻近分类构建特征规则集，以期提高高分辨率遥感影像中震害建筑物识别的准确度，从而满足震害快速评估的需求。
1. 研究方法
面向对象以分割后的对象为最小分类单元，对具有同质性像元所组成的多边形对象进行分析，该方法不仅要考虑图像的光谱特征，还需要考虑图像的纹理、几何、上下文特征等来进行统计分析（吴剑，2010）。图1给出了本文数据处理的主要流程，首先对影像进行最优分割尺度研究，即基于ESP算法选出最优分割尺度，然后根据其得到的影像对象进行特征选择与提取，结合最邻近分类和制定的规则集进行面向对象分类，最后进行精度验证并优化分类结果。
1.1 遥感震害建筑物特征定义
在正常情况下，遥感影像中的建筑物一般具有相似且规则的几何形态，光谱特征虽各有不同，但经过量化后均表现为像元值或是较高的灰度值，在纹理特征方面，遥感建筑物顶部与周围环境相比更加明显，且有完整的纹理结构；而在地震过后，不同类型的建筑物也会发生不同程度的毁坏与倒塌，其外形轮廓特征呈现非规则的状态，部分损毁建筑物灰度值发生变化，在影像上呈暗灰色或黑色，虽然房屋间隔可以辨认，但已经不具备完整且规则的几何形态和纹理结构（张景发等，2017）。根据这些特征本文将震害建筑物分为基本完好（包括完好、轻微破坏）、中度破坏、完全损毁（包括全毁、多数倒塌）三大类。
1.2 多尺度分割
影像分割技术是面向对象分类中至关重要的一步，它对地物目标的分类结果的好坏有直接的影响。目前最常用的是多尺度分割技术，简单来说，多尺度分割就是在不同的尺度上将影像分割成有意义的影像多边形。Drăguţ等（2010）使用eCognition软件研究了多尺度分割的参数，并在建筑物的分割和提取中取得了良好的结果。
本文同样选择使用eCognition软件进行面向对象方法的数据处理，为了减少由不合适的分割尺度所带来的“过度分割”或“分割不足”的现象，得到最佳分类效果，需要找到震害建筑物的最优分割尺度。本文通过ESP尺度评价工具来估算震害建筑物的最优尺度。该方法由Drăguţ等（2014）提出，被开发为eCognition软件中一种插件工具，用来自动获取最优分割尺度。ESP方法将局部方差VL作为分割对象层的平均标准差，在一定尺度范围内，利用迭代的方法计算影像对象层的局部方差，由于VL值需要根据分割后不同对象间的异质性变化来绘制局部方差与对应尺度的关系图，而从图中得到所对应阈值较为困难，因此该工具引入了VL的变化率RC，通过计算不同的分割尺度参数，将RC作为对象分割最佳尺度参数，以此来判断分割效果。RC的计算方法为
$ {R}_{{\rm{C}}}{\text{＝}}\left(\frac{{L}_{i}{\text{－}}{L}_{i{\text{－}}1}}{{L}_{i{\text{－}}1}}\right){\text{×}} 100{\text{%}}{\text{，}} $
(1) 式中，Li，Li－1分别为目标层第i对象层和第i－1对象层的平均标准差。
根据经验先将形状因子和紧致度两个参数设置为0.5，初始分割尺度设置为100，然后通过ESP算法进行最优分割尺度评估（图2）。当RC值最大，即出现峰值时，该点所对应的分割尺度值就是最优分割尺度。由于影像中存在不同地物，例如植被、阴影、道路等，因此会存在多个最优分割尺度，图中的RC曲线就会出现多个峰值，其对应的值主要有29，39，51，79，95，分别对这五个最优分割尺度进行多尺度分割，从而找出震害建筑物的最优分割尺度。
![]()
图 2 基于ESP算法的最优尺度分割评估结果Figure 2. Evaluation results of optimal segmentation scale based on ESP algorithm通过目视解译，将五个分割结果与影像实际地物相结合，可以看出当分割尺度为29和39时，影像中被分割的建筑物较为破碎；而当分割尺度为79和95时，震害建筑物与多数植被、阴影不能较好的分割开来，存在很多欠分割现象；当分割尺度为51时，影像中建筑物的分割效果最好，因此选择51作为研究区的最优分割尺度。
1.3 最邻近分类
最邻近分类属于监督分类的一种，但面向对象中的最邻近分类是基于影像对象进行分类，有别于基于像元的监督分类，分类精度较高。本文采用最邻近分类器来优化特征空间，寻找分类特征的最佳组合。
由于道路的纹理、几何等特征与建筑物相似，较难区分，因此为了得到更好的分类效果，本文结合ArcGIS将街道信息去除后，再利用eCognition将研究区分为中等破坏、毁坏、基本完好、植被、阴影五大类，一共选择了64个样本对象，基于各类别的样本选择，将形状、纹理、光谱中的40个特征作为初始特征集，通过最邻近分类计算后得到各类别之间所产生的最优特征组合，分别为亮度、均值、标准差、矩形度、紧致度、密度、灰度共生矩阵（gray-level co-occurence matrix，缩写为GLCM）的角二阶矩、同质性、熵以及灰度差分矢量（gray-level difference vector，缩写为GLDV）。根据最优特征组合制定相应的分类规则集（表1），首先对阴影、植被进行分类，再根据震害建筑物的特征，依次对完全损毁、基本完好和中度破坏建筑物进行分类，得到初步分类结果，再对细小图斑作平滑处理，并将错分地物正确归类，最后将各地类合并得到最终结果。
表 1 各地物的特征规则集Table 1. The feature rule set of a variety of surface features地物类别 特征规则集 阴影 亮度≤23 植被 均值≤30.5；矩形度≤0.9；紧致度≥1.61 完全损毁建筑物 GLCM角二阶矩≤0.002；GLCM同质性≤0.06；标准差≥30 基本完好建筑物 标准差≤12或标准差≥20；GLCM熵≥9；4.1≤GLDV熵≤4.3
1.925≤密度≤2.222或1.19≤密度≤1.39中度破坏建筑物 还未分类 注：GLCM为灰度共生矩阵，GLDV为灰度差分矢量。 1.4 精度验证
本文将联合国组织UNITAR/UNOSAT实地调查解译与目视解译结合的结果作为对比基准（图3）。利用总体精度和Kappa系数作为分类精度的评价指标，总体精度表示分类结果与实际地物信息比较后两者相吻合的概率，即地物正确分类数与总数的比值；Kappa系数指通过定量评价分类数据与参考数据来检验两者的一致性，当其值越接近于1时，表明一致性越好，分类精度高。
1.5 研究区概况
海地共和国位于西印度群岛海地岛西部，总人口约有830万，当地时间2010年1月12日下午16时53分，发生了MS7.0大地震，全国大部分地区受灾严重，首都太子港为地震中心，地震导致约42万人伤亡。本文基于预处理后的GeoEye-1卫星影像，以2010年1月12日海地地震后太子港附近灾区为研究区域，其影像分辨率为0.5 m，图像大小为1 209×1 275 （图4）。
2. 结果分析
图5为基于面向对象方法进行分类的最终结果。为了更好地评价基于面向对象方法的分类效果，本文采用基于像元的支持向量机法、BP神经网络、基于CART算法的决策树分类与基于对象的面向对象方法进行对比分析。SVM是通过自动搜索对分类有较大区分能力的支持向量，构造最优分割超平面，将类之间的间隔最大化，从而实现训练样本分类；BP神经网络是一种前馈多层的网络结构，按照误差完成反向传播算法训练；基于CART算法的决策树分类属于二分递归分割，通过决策树生成和剪枝进行遥感分类。主要从以下三方面进行比较。
2.1 目视效果
从建筑物震害信息提取的目视结果来看，所有分类结果与实地调查解译的矢量数据结果均存在一定的误差，但面向对象的分类结果与解译结果较为接近，三种基于像元的分类方法都存在过分割现象，即将单体建筑物分成多种类型，分类效果不是很理想。即使完成分类后处理，三种方法仍然会存在很多细小斑块（图6），即“椒盐噪声”现象，产生这一现象的原因是文中三种基于像元的分类方法都是通过样本训练后基于光谱特征进行了信息提取，像元是其最小操作单位，并且未考虑相邻像元之间的关联及纹理、几何形状等特征；而面向对象分类方法处理的最小单位是分割后的对象，除了考虑光谱特征外，还考虑了形状、纹理等特征信息，不仅弥补了基于像元遥感分类方法中特征信息单一的缺点，也有效地避免了“椒盐噪声”现象。
![]()
图 6 基于各种方法的“噪声”现象对比Figure 6. Comparison of “noise” phenomena based on various methods2.2 精度评价
通过计算得到面向对象分类结果的总体精度为87.1%，Kappa系数为0.819 3，识别精度较高，但也存在错分、漏分现象（表2）。从表2中可以看出，分类结果中基本完好和中度破坏建筑物的数量与实地调查解译结果出入较大，但总体数量差别较小。产生这种现象的主要原因是一部分基本完好建筑物的屋顶存在杂物、水坑等，与中度破坏建筑物屋顶的纹理特征相似，导致基本完好建筑物中有一部分被错分为中度破坏建筑物；分类结果中的完全损毁建筑物相对实地调查结果中的数目较少，其主要原因是倒塌建筑物之间互相重叠，且特征相似，在多尺度分割时被分割成为同一对象，而在实地调查解译过程中仍可辨别出每栋建筑物。但这些现象对结果影响较小，因此面向对象方法可以基本满足快速获取震灾区信息的精度要求。
表 2 矢量分类结果中建筑物数量Table 2. The number of buildings achieved from the vector classification results建筑物类型 实地调查所得数据个数 面向对象分类所得数据个数 基本完好建筑物 274 194 中度破坏建筑物 237 308 完全损毁建筑物 235 212 总计 746 714 为了对三种方法的精度和分类效果进行比较，使精度评价更具客观性，本文在处理数据时选用了同一个训练样本，在定义、评价、修改训练样本后，分别采用支持向量机、BP神经网络、基于CART算法的决策树进行分类，经过分类后处理的最终结果如图7所示。
![]()
图 7 BP神经网络（a）、SVM（b）、基于CART算法决策树（c）分类结果Figure 7. Classification results of BP neural network (a)，SVM (b)，decision tree based on CART algorithm method (c)在三种类别中分别选择15处作为训练样本，其余为检验样本，基于面向对象、BP神经网络、SVM、决策树方法进行震害建筑物提取精度评价（表3）。从表3中可以看出，SVM方法分类结果的精度最低，为70.37%，BP神经网络方法和基于CART算法的决策树分类精度也比较低，均在75%左右，而面向对象分类的总体精度为87.1%，比基于像元的三种方法的总体精度提高约10%左右。
表 3 各分类方法的精度评价Table 3. Accuracy evaluation of various classification methods方法 总体精度 Kappa系数 方法 总体精度 Kappa系数 SVM 70.37% 0.5966 基于CART算法决策树 76.22% 0.633 0 BP神经网络 74.96% 0.6537 面向对象 87.10% 0.819 3 由于三种基于像元的分类方法对样本的依赖性较强，其分类结果中存在较多的错分情况，过多地估计了建筑物损坏或倒塌区的范围（表4），可见三种方法对基本完好和中度破坏建筑物难以区分，其错分率均达到30%以上，尤其是基于CART算法的决策树分类，过多的将基本完好和中度破坏建筑物估算为完全损毁建筑物，而面向对象的错分率相较于前三者整体较低，均在20%以下。
表 4 各分类方法的错分率Table 4. The error rate of various classification methods方法 基本完好 中度破坏 完全损毁 SVM 36.73% 33.22% 18.62% BP神经网络 30.53% 30.24% 16.00% 基于CART算法决策树 37.00% 40.44% 9.08% 面向对象 20.00% 5.56% 14.29% 2.3 时效性评价
本文所有实验均基于双核CPU （1.70 GHz 核 i5-4210U）的Windows操作系统进行。使用eCognition软件对研究区高分辨率遥感影像进行面向对象方法分类的总用时约为20 min；使用ENVI软件进行BP神经网络、SVM、基于CART算法的决策树方法分类时间分别约为10 min，15 min，8 min，处理速度较快。从时间成本上来说，基于像元的三种分类方法的主要成本是在执行监督分类的过程中，仍有较快的处理速度，但其精度较低，分类效果不是很好，适用于震后第一时间对震区的快速评估；而面向对象的分类方法耗费的时间主要在于前期准备工作中，例如在提取地物特征时，需要通过人为观察比较选择最优特征组合中的特征值来制定规则集，耗时较长，但在后期分类时处理时间较短，且分类效果较好，精度高，因此本文研究的面向对象分类方法在基于高分辨率遥感影像的震后灾情准确评估、震害建筑物信息提取时具有良好的可行性。
3. 讨论与结论
本文以海地MS7.0地震为例，选取太子港周围建筑区，基于ESP算法的多尺度分割及面向对象分类对建筑物震害信息进行识别研究，得到以下结论：
基于ESP算法的多尺度分割提高了选择最优分割尺度的效率，并且通过最邻近分类、制定规则集得到了较好的分类结果；通过将基于像元的BP神经网络、SVM、决策树方法的提取结果与面向对象分类进行对比，进一步证明了在基于高分辨率遥感影像提取震害建筑物信息中，基于面向对象的分类方法能够较好地提取震害建筑物信息，并且可以处理遥感影像分类中的噪声问题，比基于像元的分类方法更有效。
但是采用面向对象分类方法受人为因素影响较大，今后计划使用深度学习与面向对象结合的方法对不同区域的震害建筑物进行自动识别分类研究，以期达到更好的分类效果，从而降低面向对象分类的人为因素影响，为震后建筑物的快速评估提供数据支撑。
-
![]()
图 9 不同深度z的vP （左）和vS （右）分布
黑色圆圈代表地震， 图（b）中AA′和BB′分别为平行、垂直于漾濞地震序列走向的剖面
Figure 9. vP （left） and vS （right） distribution at the depth z of 5，10 and 15 km
The circles represent earthquakes，and in Fig. （b） AA′ and BB′ are the two profiles parallel to and perpendicular with the strike of the Yangbi sequence，respectively
![]()
图 1 漾濞地区构造背景、台站和2010年以来M4.0以上地震分布图
Figure 1. Tectonic settings，seismic stations and M≥4.0 earthquakes since 2010 in Yangbi region
![]()
图 2 射线路径、台站及地震分布
Figure 2. Geographical distribution of seismic stations （triangles），earthquake hypocenters （circles） and ray paths （blue lines） considered in this study
![]()
图 4 本文选取的最佳阻尼因子（a）和平滑因子（b）的折中曲线图
Figure 4. Trade-off curves for determining optimal damping （a） and smoothing （b） parameters
![]()
图 5 深度为5 km （a），10 km （b）和15 km （c）时P波（左）和S波（右）检测板的测试结果（0.1°×0.1°）
Figure 5. P （left） and S （right） wave checkboard resolution tests at the depth of 5 km （a），10 km （b） and 15 km （c） with the grid 0.1°×0.1°
![]()
图 6 漾濞M6.4地震序列重定位前（a）、后（b）的空间分布变化
Figure 6. Spatial distribution variation of the Yangbi M6.4 earthquake sequence before （a） and after （b） relocation
![]()
图 7 漾濞M6.4地震序列重定位前（a）、后（b）的震源深度变化
Figure 7. Focal depth variation of the Yangbi M6.4 earthquake sequence before （a） and after （b） relocation
![]()
图 8 重定位前（红）、后（蓝）走时残差直方图
Figure 8. Histograms of travel time residual before （red） and after （blue） relocation
![]()
图 11 vP，vS和vP/vS沿纵向剖面的变化及漾濞地震序列震中分布图
Figure 11. vP，vS and vP/vS images along different vertical profiles and epicenter distribution of Yangbi earthquake sequence
表 1 本文所用的P波初始速度模型
Table 1 Initial P wave velocity model used in this study
深度/km vP/（km·s−1） 深度/km vP/（km·s−1） 0 4.4 20 6.0 5 5.6 25 6.1 10 5.8 30 6.3 15 5.9 50 8.0 
下载: 导出CSV
-
常祖峰,张艳凤,周青云,虎雄林,臧阳. 2014. 2013年洱源MS5.5地震烈度分布及震区活动构造背景研究[J]. 中国地震,30(4):560–570. doi: 10.3969/j.issn.1001-4683.2014.04.009 Chang Z F,Zhang Y F,Zhou Q Y,Hu X L,Zang Y. 2014. Intensity distribution characteristics and active tectonic background in area of the 2013 Eryuan MS5.5 earthquake[J]. Earthquake Research in China,30(4):560–570 (in Chinese).
常祖峰,常昊,臧阳,代博洋. 2016. 维西—乔后断裂新活动特征及其与红河断裂的关系[J]. 地质力学学报,22(3):517–530. doi: 10.3969/j.issn.1006-6616.2016.03.009 Chang Z F,Chang H,Zang Y,Dai B Y. 2016. Recent active features of Weixi-Qiaohou fault and its relationship with the Honghe fault[J]. Journal of Geomechanics,22(3):517–530 (in Chinese).
胡亚平,王志,刘冠男,柳存喜,伏毅. 2017. 南北地震带地壳结构多参数成像及强震触发机制研究[J]. 地球物理学报,60(6):2113–2129. doi: 10.6038/cjg20170608 Hu Y P,Wang Z,Liu G N,Liu C X,Fu Y. 2017. Crustal structure imaging of multi-geophysical parameters and generating mechanisms of large earthquakes in North-South Seismic Zone[J]. Chinese Journal of Geophysics,60(6):2113–2129 (in Chinese).
李大虎,詹艳,丁志峰,高家乙,吴萍萍,孟令媛,孙翔宇,张旭. 2021. 四川长宁MS6.0地震震区上地壳速度结构特征与孕震环境[J]. 地球物理学报,64(1):18–35. doi: 10.6038/cjg2021O0241 Li D H,Zhan Y,Ding Z F,Gao J Y,Wu P P,Meng L Y,Sun X Y,Zhang X. 2021. Upper crustal velocity and seismogenic environment of the Changning MS6.0 earthquake region in Sichuan,China[J]. Chinese Journal of Geophysics,64(1):18–35 (in Chinese).
李姣,姜金钟,杨晶琼. 2020. 2017年漾濞MS4.8和MS5.1地震序列的微震检测及重定位[J]. 地震学报,42(5):527–542. doi: 10.11939/jass.20190161 Li J,Jiang J Z,Yang J Q. 2020. Microseismic detection and relocation of the 2017 MS4.8 and MS5.1 Yangbi earthquake sequence,Yunnan[J]. Acta Seismologica Sinica,42(5):527–542 (in Chinese).
李敏娟,沈旭章,张元生,刘旭宙,梅秀苹. 2018. 基于密集台阵的青藏高原东北缘地壳精细结构及九寨沟地震震源区结构特征分析[J]. 地球物理学报,61(5):2075–2087. doi: 10.6038/cjg2018L0720 Li M J,Shen X Z,Zhang Y S,Liu X Z,Mei X P. 2018. Fine crustal structures of northeast margin of the Tibetan Plateau and structural features of Jiuzhaigou earthquake focal area constrained by the data from a high-density seismic array[J]. Chinese Journal of Geophysics,61(5):2075–2087 (in Chinese).
李永华,吴庆举,安张辉,田小波,曾融生,张瑞青,李红光. 2006. 青藏高原东北缘地壳S波速度结构与泊松比及其意义[J]. 地球物理学报,49(5):1359–1368. doi: 10.3321/j.issn:0001-5733.2006.05.015 Li Y H,Wu Q J,An Z H,Tian X B,Zeng R S,Zhang R Q,Li H G. 2006. The Poisson ratio and crustal structure across the NE Tibetan Plateau determined from receiver functions[J]. Chinese Journal of Geophysics,49(5):1359–1368 (in Chinese).
刘伟,吴庆举,张风雪. 2019. 利用双差层析成像方法反演青藏高原东南缘地壳速度结构[J]. 地震学报,41(2):155–168. doi: 10.11939/jass.20180083 Liu W,Wu Q J,Zhang F X. 2019. Crustal structure of southeastern Tibetan Plateau inferred from double-difference tomography[J]. Acta Seismologica Sinica,41(2):155–168 (in Chinese).
马宏生,张国民,闻学泽,周龙泉,邵志刚. 2008. 川滇地区三维P波速度结构反演与构造分析[J]. 地球科学:中国地质大学学报,33(5):591–602. Ma H S,Zhang G M,Wen X Z,Zhou L Q,Shao Z G. 2008. 3-D P wave velocity structure tomographic inversion and its tectonic interpretation in Southwest China[J]. Earth Science:Journal of China University of Geosciences,33(5):591–602 (in Chinese).
缪思钰,张海江,陈余宽,谭玉阳,苗园园,黄振华,王飞,谢庆明. 2019. 基于微地震定位和速度成像的页岩气水力压裂地面微地震监测[J]. 石油物探,58(2):262–271. doi: 10.3969/j.issn.1000-1441.2019.02.012 Miao S Y,Zhang H J,Chen Y K,Tan Y Y,Miao Y Y,Huang Z H,Wang F,Xie Q M. 2019. Surface microseismic monitoring of shale gas hydraulic fracturing based on microseismic location and tomography[J]. Geophysical Prospecting for Petroleum,58(2):262–271 (in Chinese).
孙权,裴顺平,苏金蓉,刘雁冰,薛晓添,李佳蔚,李磊,左洪. 2021. 2019年6月17日四川长宁MS6.0地震震源区三维速度结构[J]. 地球物理学报,64(1):36–53. doi: 10.6038/cjg2021O0246 Sun Q,Pei S P,Su J R,Liu Y B,Xue X T,Li J W,Li L,Zuo H. 2021. Three-dimensional seismic velocity structure across the 17 June 2019 Changning MS6.0 earthquake,Sichuan,China[J]. Chinese Journal of Geophysics,64(1):36–53 (in Chinese).
王椿镛,Mooney W D,王溪莉,吴建平,楼海,王飞. 2002. 川滇地区地壳上地幔三维速度结构研究[J]. 地震学报,24(1):1–16. Wang C Y,Mooney W D,Wang X L,Wu J P,Lou H,Wang F. 2002. Study on 3-D velocity structure of crust and upper mantle in Sichuan-Yunnan region,China[J]. Acta Seismologica Sinica,24(1):1–16 (in Chinese).
王伟平. 2016. 鲜水河、安宁河和龙门山断裂带交汇区双差层析成像研究[D]. 北京: 中国地震局地球物理研究所: 39−70. Wang W P. 2016. The Application of Double-Difference Tomography Method in the Intersection Zone of Xianshuihe Fault, Anninghe Fault and Longmenshan Fault[D]. Beijing: Institute of Geophysics, China Earthquake Administration: 39−70 （in Chinese）.
韦伟,孙若昧,石耀霖. 2010. 青藏高原东南缘地震层析成像及汶川地震成因探讨[J]. 中国科学:地球科学,40(7):831–839. Wei W,Shi R M,Shi Y L. 2010. P-wave tomographic images beneath southeastern Tibet:Investigating the mechanism of the 2008 Wenchuan earthquake[J]. Science China Earth Science,53(9):1252–1259.
吴建平,明跃红,王椿镛. 2006. 川滇地区速度结构的区域地震波形反演研究[J]. 地球物理学报,49(5):1369–1376. doi: 10.3321/j.issn:0001-5733.2006.05.016 Wu J P,Ming Y H,Wang C Y. 2006. Regional waveform inversion for crustal and upper mantle velocity structure below Chuan-Dian region[J]. Chinese Journal of Geophysics,49(5):1369–1376 (in Chinese).
肖卓,高原. 2017. 利用双差成像方法反演青藏高原东北缘及其邻区地壳速度结构[J]. 地球物理学报,60(6):2213–2225. doi: 10.6038/cjg20170615 Xiao Z,Gao Y. 2017. Crustal velocity structure beneath the northeastern Tibetan Plateau and adjacent regions derived from double difference tomography[J]. Chinese Journal of Geophysics,60(6):2213–2225 (in Chinese).
徐锡伟, 韩竹军, 杨晓平, 张世民, 于贵华, 周本刚, 李峰, 马保起, 陈桂华, 冉永康. 2016. 中国及邻区地震构造图[M]. 北京: 地震出版社: 1. Xu X W, Han Z J, Yang X P, Zhang S M, Yu G H, Zhou B G, Li F, Ma B Q, Chen G H, Ran Y K. 2016. Seismotectonic Map in China and Its Adjacent Regions[M]. Beijing: Seismological Press: 1 （in Chinese）.
胥颐,杨晓涛,刘建华. 2013. 云南地区地壳速度结构的层析成像研究[J]. 地球物理学报,56(6):1904–1914. doi: 10.6038/cjg20130613 Xu Y,Yang X T,Liu J H. 2013. Tomographic study of crustal velocity structures in the Yunnan region southwest China[J]. Chinese Journal of Geophysics,56(6):1904–1914 (in Chinese).
云南省地震局. 2021. 云南漾濞6.4级地震烈度图发布[EB/OL]. [2021-05-25]. http://yndzj.gov.cn/yndzj/_300559/_300651/629959/index.html. Yunnan Earthquake Agency. 2021. Seismic intensity map of the M6.4 Yangbi earthquake[EB/OL]. [2021-05-25]. http://yndzj.gov.cn/yndzj/_300559/_300651/629959/index.html （in Chinese）.
Eberhart-Phillips D. 1986. Three-dimensional velocity structure in northern California Coast Ranges from inversion of local earthquake arrival times[J]. Bull Seismol Soc Am,76(4):1025–1052.
Lei J S,Zhao D P,Su Y J. 2009. Insight into the origin of the Tengchong intraplate volcano and seismotectonics in Southwest China from local and teleseismic data[J]. J Geophys Res:Solid Earth,114(B5):B05302. doi: 10.1029/2008JB005881
Lei J S,Zhao D P. 2016. Teleseismic P-wave tomography and mantle dynamics beneath eastern Tibet[J]. Geochem Geophys Geosyst,17(5):1861–1884. doi: 10.1002/2016gc006262
Lei J S,Zhao D P,Xu X W,Xu Y G,Du M F. 2019. Is there a big mantle wedge under eastern Tibet?[J]. Phys Earth Planet Inter,292:100–113.
Liu Y, Yao H J, Zhang H J, Fang H J. 2021. The community velocity model V.1.0 of Southwest China, constructed from joint body- and surface-wave travel-time tomography[J]. Seismol Res Lett: 1–16. doi: 10.1785/0220200318.
Nakajima J,Matsuzawa T,Hasegawa A,Zhao D P. 2001. Three-dimensional structure of vP,vS and vP/vS beneath northeastern Japan:Implications for arc magmatism and fluids[J]. J Geophys Res:Solid Earth,106(B10):21843–21857. doi: 10.1029/2000JB000008
Shen W S,Ritzwoller M H,Kang D,Kim Y H,Lin F C,Ning J Y,Wang W T,Zhang Y,Zhou L Q. 2016. A seismic reference model for the crust and uppermost mantle beneath China from surface wave dispersion[J]. Geophys J Int,206(2):954–979. doi: 10.1093/gji/ggw175
Waldhauser F,Ellsworth W. 2000. A double-difference earthquake location algorithm:Method and application to the northern Hayward fault,California[J]. Bull Seismol Soc Am,90(6):1353–1368. doi: 10.1785/0120000006
Xiao X,Cheng S H,Wu J P,Wang W L,Sun L,Wang X X,Wen L X. 2021. Shallow seismic structure beneath the continental China revealed by P-wave polarization,Rayleigh wave ellipticity and receiver function[J]. Geophys J Int,225(2):998–1019. doi: 10.1093/gji/ggab022
Zhang H J,Thurber C H. 2003. Double-difference tomography:The method and its application to the Hayward fault,California[J]. Bull Seismol Soc Am,93(5):1875–1889. doi: 10.1785/0120020190
Zhang H J,Thurber C H. 2006. Development and applications of double-difference seismic tomography[J]. Pure Appl Geophys,163(2/3):373–403. doi: 10.1007/s00024-005-0021-y
Zheng C,Zhang R Q,Wu Q J. 2019. Variations in crustal and uppermost mantle structures across eastern Tibet and adjacent regions:Implications of crustal flow and asthenospheric upwelling combined for expansions of the Tibetan Plateau[J]. Tectonics,38(8):3167–3181. doi: 10.1029/2018TC005276
-
期刊类型引用(7)
1. 王雅如，王昀，江勇勇. 基于改进Unet的地震勘探工区建筑物分割方法研究. 现代电子技术. 2025(03): 135-140 . 
百度学术
2. 徐俊祖，张方浩，戈云霞，曹彦波，杜浩国，邓树荣，和仕芳，张原硕，赵正贤. 基于卷积神经网络的建筑物震害特征提取与识别研究. 地震工程学报. 2025(04): 851-863 . 百度学术
3. 齐文文，许冲，乔月霞. 基于谷歌地球引擎和Sentinel-2时序数据的海地多云地区地震滑坡识别. 地震学报. 2024(04): 633-648 . 本站查看
4. 韩军良，韩留生，穆豪祥，张至一，郭宇晨，刘晓亚. 面向对象的土地荒漠化信息提取研究. 测绘科学. 2023(04): 149-160 . 百度学术
5. 罗嘉琦，帅向华，李继赓. 基于深度学习的倾斜摄影建筑物表面损毁信息提取. 中国地震. 2023(02): 271-281 . 百度学术
6. 雷雅婷，沈占锋，许泽宇，王浩宇，李硕，焦淑慧. 基于D-LinkNet的2014年云南鲁甸M_S6.5地震建筑物损毁与重建评估. 地震研究. 2022(04): 608-616 . 百度学术
7. 杜浩国，张方浩，卢永坤，林旭川，邓树荣，曹彦波. 基于多源遥感影像的2021年云南漾濞M_S6.4地震灾区建筑物信息识别与震害分析. 地震研究. 2021(03): 490-498 . 百度学术
其他类型引用(4)
计量
- 文章访问数: 1084
- HTML全文浏览量: 356
- PDF下载量: 267
- 被引次数: 11
