Research on seismic characteristics and identification of artificial explosion in different areas and natural earthquake
-
摘要: 本文分析了河北怀来多次爆炸、河北三河采石场多次爆炸和低震级天然地震事件的记录特征和时频差异。结果显示：河北怀来爆炸的P波能量强、衰减快、S波发育弱；河北三河采石场爆炸的P波、S波主频均低于怀来爆炸，S波与面波混淆，不同震中距的台站记录低频发育明显；而天然地震的有效频带更宽，频率成分更为复杂。将Pg/Sg谱比判据应用于小震级地震与爆炸的识别中，探索交叉频带谱比对不同地区爆炸的识别。结果表明：高频（＞5 Hz）Pg/Sg谱比判据可将研究数据中的爆炸与小震级地震完全区分；与Sg低频（0—2 Hz）有关的交叉频带谱比可对两个不同地区的爆炸进行识别，交叉频带的谱比判据较传统的单一频带谱比判据能够更好地反映出不同类型事件的特征差异。Abstract: The differences of the seismic characteristics and frequency of the Huailai explosions, the Sanhe quarry explosions and the natural earthquakes with low magnitude are discussed. The results show that the two different area explosions have obviously different seismic characteristics and frequency distribution, Huailai explosion has stronger P wave energy than S wave and fast attenuation; The main frequencies of P wave and S wave in Sanhe quarry explosion are lower than that in Huailai explosion, S wave and surface wave are confused, and the low frequency developed obviously at different distances; While for natural earthquakes, the effective frequency band is wider and the frequency components are more complex than explosions. Pg/Sg spectral ratios in small-magnitude earthquakes and explosions were studied and cross-band spectral ratios were explored. Results obtained show that the high frequency （＞5 Hz）Pg/Sg spectral ratio discriminants can completely distinguish explosions from low magnitude earthquakes; The spectral ratios of the cross-band related to low frequency （0−2 Hz） of Sg can effectively identify explosions in these two areas, Pg/Sg discriminants of the crossed frequency band can better reflect the difference characteristics of different types of events than that of the traditional single frequency band.
-
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 7 交叉频带谱比分布
Figure 7. Cross-band spectral ratio values
（a） Pg （0—2 Hz）/Sg （0—2 Hz）；（b） Pg （6—8 Hz）/Sg （0—2 Hz）；
![]()
图 1 研究所用爆炸、地震及台站位置分布
Figure 1. Distribution of explosions ，seismic events and stations in this article
![]()
图 2 不同类型事件的地震记录波形
（a）“明灯一号”大当量爆炸；（b）三河采石场爆炸；（c）天然地震。波形上方为事件发生时间及震级，波形右上角为记录台网、台站和震中距，下同
Figure 2. Seismic waveforms for different types of events
（a） “Bright Lamp No.1” large yield explosion；（b） Quarry blast；（c） Earthquake. The time and the magnitude of the events are net on the top of traces，and the station and epicentral distance are on the top right corner of the waveforms，the same below
![]()
图 3 2003 （a），2004 （b）和2005 （b）年3次爆炸事件的波形对比
Figure 3. Waveform comparison of three explosion events occured in 2003 （a），2004 （b） and 2005 （c）
![]()
图 4 不同类型事件P波（a）和S波（b）主频分布
Figure 4. Main frequency distribution of P （a） and S （b） waves for different types of events
![]()
图 5 天然地震与爆炸Pg/Sg谱比值分布
Figure 5. Pg/Sg spectral ratio value of earthquakes and explosions
![]()
图 6 XBZ台站的不同事件地震波形记录（滤波频带为：0.5—25 Hz）
（a） 2004-03-02怀来爆炸；（b） 2005-03-12可疑事件；（c） 2010-07-10天然地震事件。左上角为事件震级和震中距
Figure 6. Seismic waveforms of different events recorded by XBZ （filtered：0.5—25 Hz）
（a） 2004-03-02 Huailai explosion；（b） 2005-03-12 Suspicious event ； （c） 2010-07-10 natural earthquakeThe magnitude and epicentral distance are on the top left corner of the wavforms
表 1 天然地震、怀来爆炸、三河爆炸主频分布
Table 1 The main frequency distribution of earthquake，Huailai explosion and Sanhe explosion
事件 P波主频分布/Hz S波主频分布/Hz 天然地震 2.5—13.2 2.5—9.0 怀来爆炸 2.5—7.2 2.0—3.8 三河采石场爆炸 1.5—5.8 1.0—2.0 
下载: 导出CSV
表 2 三次对比事件参数
Table 2 Parameters of three comparison events
事件性质 发震时间 （UTC） 震中位置 ML 深度/km 年-月-日 时:分:秒 北纬/° 东经/° 怀来爆炸 2004-03-02 08:03:35.6 40.50 115.47 1.8 -- 可疑事件 2005-03-12 13:46:27.4 40.51 115.46 1.6 -- 天然地震 2010-07-10 09:53:43.0 40.47 115.55 1.8 7
下载: 导出CSV
表 3 怀来爆炸与三河采石场爆炸正确识别率大于85%的频带分布
Table 3 Frequency bands with the correct discrimination rate greater than 85% between Huailai and Sanhe quarry explosions
交叉频谱比 三河采石场爆
炸正确识别数怀来爆炸正
确识别数正确识
别率Pg （0—2 Hz）/Sg （0—2 Hz） 51 44 92% Pg （0—2 Hz）/Sg （4—6 Hz） 46 46 89% Pg （0—2 Hz）/Sg （6—8 Hz） 51 40 88% Pg （2—4 Hz）/Sg （0—2 Hz） 47 45 89% Pg （2—4 Hz）/Sg （4—6 Hz） 53 36 86% Pg （4—6 Hz）/Sg （0—2 Hz） 47 47 91% Pg （6—8 Hz）/Sg （0—2 Hz） 52 45 94% Pg （8—10 Hz）/Sg （0—2 Hz） 50 44 91% Pg （10—12 Hz）/Sg （0—2 Hz） 50 39 86% Pg （12—14 Hz）/Sg （0—2 Hz） 55 33 85%
下载: 导出CSV
-
林大超, 白春华. 2007. 爆炸地震效应[M]. 北京: 地质出版社: 70–78. Lin D C, Bai C H. 2007. Explosion Seismic Effect [M]. Beijing: Geological Publishing House: 70–78 （in Chinese）.
潘常周,靳平,王红春. 2007a. P/S震相幅值比判据对低震级地震事件的适用性检验[J]. 地震学报,29(5):521–528. Pan C Z,Jin P,Wang H C. 2007a. Applicability of P/S amplitude ratios for the discrimination of low magnitude seismic events[J]. Acta Seismologica Sinica,29(5):521–528 (in Chinese).
潘常周,靳平,肖卫国. 2007b. 利用克里金技术标定新疆及附近地区P/S震相幅值比及其在地震事件识别中的应用[J]. 地震学报,29(6):625–634. Pan C Z,Jin P,Xiao W G. 2007b. Calibration of P/S amplitude ratios for seismic events in Xinjiang and adjacent areas based on a Bayesian Kriging method[J]. Acta Seismologica Sinica,29(6):625–634 (in Chinese).
孙海霞,杨选,林向东,侯丽娟,鲁跃. 2018. 北京及邻区Q值及台站场地响应分析[J]. 华北地震科学,36(3):1–11. doi: 10.3969/j.issn.1003-1375.2018.03.001 Sun H X,Yang X,Lin X D,Hou L J,Lu Y. 2018. Analysis on the Q value and station site response in Beijing and its adjacent areas[J]. North China Earthquake Sciences,36(3):1–11 (in Chinese).
唐兰兰. 2018. 诱发地震检测及地震震源分类[D]. 合肥: 中国科学技术大学: 35–44. Tang L L. 2018. Induced Seismicity Detection and Discrimination of Seismic Source[D]. Hefei: University of Science and Technology of China: 35–44 （in Chinese）.
王婷婷,边银菊. 2015. 振幅衰减特性在地震与爆破识别中的应用[J]. 地震学报,37(1):169–179. doi: 10.11939/j.issn:0253-3782.2015.01.015 Wang T T,Bian Y J. 2015. Amplitude attenuation and its application to earthquake and explosion discrimination[J]. Acta Seismologica Sinica,37(1):169–179 (in Chinese).
王云专,王珊,董相杰,于承业. 2009. 多窗谱分析在Q值估算中的应用[J]. 地球物理学进展,24(6):2156–2162. doi: 10.3969/j.issn.1004-2903.2009.06.031 Wang Y Z,Wang S,Dong X J,Yu C Y. 2009. The application of the multiple tapers spectral analysis in the Q estimation[J]. Progress in Geophysics,24(6):2156–2162 (in Chinese).
徐锡伟, 吴卫民, 张先康, 马胜利, 马文涛, 于贵华, 顾梦林, 江娃利. 2002. 首都圈地区地壳最新构造变动与地震[M]. 北京: 科学出版社: 5–10. Xu X W, Wu W M, Zhang X K, Ma S L, Ma W T, Yu G H, Gu M L, Jiang W L.2002. Recent Tectonic Changes and Earthquakes in the Capital Circle Area[M]. Beijing: Science Press: 5–10 （in Chinese）.
赵爱华,郭永霞,孙为国,杨立强,刘哲. 2012. 华北地区矿山爆破活动的时空特征[J]. 地球物理学进展,27(3):917–923. doi: 10.6038/j.issn.1004-2903.2012.03.012 Zhao A H,Guo Y X,Sun W G,Yang L Q,Liu Z. 2012. Spatio-temporal characteristics of mine blast activity in North China[J]. Progress in Geophysics,27(3):917–923 (in Chinese).
郑秀芬,傅瑀,许绍燮. 2006. 地震记录中小爆破的识别与判据研究[J]. 地震地磁观测与研究,27(5):29–33. doi: 10.3969/j.issn.1003-3246.2006.05.006 Zheng X F,Fu Y,Xu S X. 2006. The discrimination and criteria study between blasts and small earthquakes[J]. Seismological and Geomagnetic Observation and Research,27(5):29–33 (in Chinese).
朱新运. 2011. 衰减、场地响应等地震波传播相关信息综合研究[D]. 北京: 中国地震局地球物理研究所: 17–24. Zhu X Y.2011. Comprehensive Study of Seismic Wave Propagation Related Information Such as Attenuation and Site Response[D]. Beijing: Institute of Geophysics, China Earthquake Administration: 17–24 （in Chinese）.
Bennett T J,Murphy J R. 1986. Analysis of seismic discrimination capabilities using regional data from western United States events[J]. Bull Seismol Soc Am,76(4):1069–1086. doi: 10.1785/BSSA0760041069
Bonner J L,Russell D R,Reinke R E. 2013. Modeling surface waves from aboveground and underground explosions in Alluvium and Limestone[J]. Bull Seismol Soc Am,103(6):2953–2970.
Chun K Y,Wu Y,Henderson G A. 2011. Magnitude estimation and source discrimination:A close look at the 2006 and 2009 North Korean underground nuclear explosions[J]. Bull Seismol Soc Am,101(3):1315–1329. doi: 10.1785/0120100202
Douglas A. 2013. Forensic Seismology and Nuclear Test Bans[M]. Cambridge: Cambridge University Press: 340–368.
Fisk M D,Gray H L,McCartor G D. 1996. Regional event discrimination without transporting thresholds[J]. Bull Seismol Soc Am,86(5):1545–1558.
Fisk M D, Bottone S, McCartor G D. 2000. Regional seismic event characterization using a Bayesian Kriging approach[C]//Proceedings of the 22nd Annual DOD/DOE Seismic Research Symposium: Planning for Verification of and Compliance with the Comprehensive Nuclear-Test-Ban Treaty（CTBT）. Louisiana: U.S. Government or Federal Rights: 1–11.
Fisk M D. 2006. Source spectral modeling of regional P/S discriminants at nuclear test sites in China and the former soviet union[J]. Bull Seismol Soc Am,96(6):2348–2367. doi: 10.1785/0120060023
Fisk M D. 2007. Corner frequency scaling of regional seismic phases for underground nuclear explosions at the Nevada test site[J]. Bull Seismol Soc Am,97(3):977–988. doi: 10.1785/0120060186
Fisk M D, Taylor S R, Patton H J, Walter W R. 2008. Applications of a next-generation MDAC discrimination procedure using two-dimensional grids of regional P/S spectral ratios[C]//Proceedings of 2008 Monitoring Research Review: Ground-based Nuclear Explosion Monitoring Technologies: 583–592.
Fisk M D, Taylor S R, Walter W R, Randall G E. 2009. Seismic event discrimination using two-dimensional grids of regional P/S spectral ratios: Applications to Novaya Zemlya and the Korean Peninsula[C]//Proceedings of the 2009 Monitoring Research Review: Ground-Based Nuclear Explosion Monitoring Technologies: 465–474.
Hartse H E,Taylor S R,Phillips W S,Randall G E. 1997. A preliminary study of regional seismic discrimination in central Asia with emphasis on western China[J]. Bull Seismol Soc Am,87(3):551–568.
Kim W Y,Simpson D W,Richards P G. 1993. Discrimination of earthquakes and explosions in the eastern United States using regional high-frequency data[J]. Geophys Res Lett,20(14):1507–1510. doi: 10.1029/93GL01267
Kim W Y,Simpson D W,Richards P G. 1994. High-frequency spectra of regional phases from earthquakes and chemical explosions[J]. Bull Seismol Soc Am,84(5):1365–1386.
Kim W Y,Aharonian V,Lerner-Lam A L,Richards P G. 1997. Discrimination of earthquakes and explosions in southern Russia using regional high-frequency three-component data from the IRIS/JSP Caucasus network[J]. Bull Seismol Soc Am,87(3):569–588.
Kim W Y,Richards P G. 2007. North Korean nuclear test:Seismic discrimination low yield[J]. Eos,Trans Amer Geophys Union,88(14):158–161.
Kim W Y,Richards P G,Schaff D,Jo E,Ryoo Y. 2018. Identification of seismic events on and near the North Korean test site after the underground nuclear test explosion of 3 September 2017[J]. Seismol Res Lett,89(6):2120–2130.
Koper K D,Pechmann J C,Burlacu R,Pankow K L,Stein J,Hale J M,Roberson P,McCarter M K. 2016. Magnitude-based discrimination of man-made seismic events from naturally occurring earthquakes in Utah,USA[J]. Geophys Res Lett,43(20):10638–10645. doi: 10.1002/2016GL070742
McCoy E J,Walden A T,Percival D B. 1998. Multitaper spectral estimation of power law processes[J]. IEEE Trans Signal Process,46(3):655–668. doi: 10.1109/78.661333
Murphy J R,Bennett T J. 1982. A discrimination analysis of short-period regional seismic data recorded at Tonto Forest Observatory[J]. Bull Seismol Soc Am,72(4):1351–1366. doi: 10.1785/BSSA0720041351
Pomeroy P W,Best W J,McEvilly T V. 1982. Test ban treaty verification with regional data-a review[J]. Bull Seismol Soc Am,72(6):S89–S129.
Pasyanos M E. 2018. The coupled location/depth/yield problem for North Korea’s declared nuclear tests[J]. Seismol Res Lett,89(6):2059–2067.
Smith A T. 1993. Discrimination of explosions from simultaneous mining blasts[J]. Bull Seismol Soc Am,83(1):160–179.
Rodgers A J, Walter W R, Schultz C A, Myers S C,Lay T. 1999. A comparison of methodologies for representing path effects on regional P/S discriminants [J]. Bull Seismol Soc Am,89(2):394–408.
Taylor S R,Denny M D,Vergino E S,Glaser R E. 1989. Regional discrimination between NTS explosions and western U.S. earthquakes[J]. Bull Seismol Soc Am,79(4):1142–1176. doi: 10.1785/BSSA0790041142
Taylor S R,Velasco A A,Hartse H E,Phillips W S,Walter W R,Rodgers A J. 2002. Amplitude corrections for regional seismic discriminants[J]. Pure Appl Geophys,159(4):623–650. doi: 10.1007/s00024-002-8652-8
Thomson D J. 1982. Spectrum estimation and harmonic analysis[J]. Proc IEEE,70(9):1055–1096. doi: 10.1109/PROC.1982.12433
Walter W R, Taylor S R. 2001. A Revised Magnitude and Distance Amplitude Correction （MDAC2） Procedure for Regional Seismic Discriminants: Theory and Testing at NTS[R]. Livermore, CA: Lawrence Livermore National Lab: 1–13.
Willis D E,DeNoyer J,Pollack H,Wilson J T. 1963. Differentiation of earthquakes and underground nuclear explosions on the basis of amplitude characteristics[J]. Bull Seismol Soc Am,53(5):979–987. doi: 10.1785/BSSA0530050979
Xie J K,Patton H J. 1999. Regional phase excitation and propagation in the Lop Nor region of central Asia and implications for P/Lg discriminants[J]. J Geophys Res:Solid Earth,104(B1):941–954. doi: 10.1029/1998JB900045
Zanandrea A,Da Costa J M,Dutra S L G,Rosa R R,Saotome O. 2004. Spectral and polarization analysis of geomagnetic pulsations data using a multitaper method[J]. Comput Geosci,30(8):797–808. doi: 10.1016/j.cageo.2004.03.016
Zhao L F,Xie X B,Wang W M,Fan N,Zhao X,Yao Z X. 2017. The 9 September 2016 North Korean underground nuclear test[J]. Bull Seismol Soc Am,107(6):3044–3051. doi: 10.1785/0120160355
Zheng X F,Yao Z X,Liang J H,Zheng J. 2010. The role played and opportunities provided by IGP DMC of China national seismic network in Wenchuan earthquake disaster relief and researches[J]. Bull Seismol Soc Am,100(5B):2866–2872. doi: 10.1785/0120090257
-
期刊类型引用(3)
1. 赵庆旭，王延伟，莫红艳，曹振中. 基于多输入高斯过程回归的震级快速估算方法. 地震学报. 2024(05): 806-824 . 
本站查看
2. 李子昊，赵国为，郭攀，赵亚楠，王晓睿. 人工智能在地震学中的应用. 防灾减灾学报. 2024(04): 84-90 . 百度学术
3. 徐繁树，王保云，韩俊. 一种沟谷型潜在泥石流危险性评价方法：基于多源数据融合的卷积神经网络. 地球信息科学学报. 2023(03): 588-605 . 百度学术
其他类型引用(2)
计量
- 文章访问数: 797
- HTML全文浏览量: 354
- PDF下载量: 141
- 被引次数: 5
