Coda wave Q values of shallow media in Binchuan basin using dense array data
-
摘要:
为得到更准确的浅部介质衰减参数，便于工程地震领域开展更精细的地震动模拟等研究，以气枪密集台阵资料为基础，联合天然地震资料，利用Sato单散射模型研究了云南宾川盆地浅层介质尾波衰减特征。结果显示，随着频率的增加，尾波Q值Qc整体呈增加趋势，符合Q值的频率依赖关系。在空间上，该地区Qc值分布具有明显的横向不均匀性，位于研究区中部宾川盆地的台站Qc值较低，而位于研究区南西和北东方向的山地丘陵地区的台站Qc值较高，与速度层析成像研究结果一致。研究区平均Qc频率依赖关系为$ { {Q}_{\mathrm{c}} （ f ） ＝28.04{f}^{1.07}}$，气枪震源密集台阵资料得到的Q0值较天然地震得到的值更低，证明使用密集台阵资料得到的结果反映了更浅部介质的衰减特征，而更高的频率依赖指数$\, \eta \,$值意味着浅层介质的非均匀性高于深部介质，符合实际情况。宾川盆地Q0值大于松辽盆地、华北盆地和中国大陆平均沉积层，而指数$\, \eta \,$小于松辽盆地和中国大陆，表明本研究所用资料反映的Q值信息介于近地表与深部介质之间。随着尾波流逝时间窗口的增大，Q0逐渐增大，而频率依赖性降低。因此，在研究区尺度较小且选择的天然地震事件震级不高的情况下，需要选取较小的流逝时间窗口以确保满足研究需要。此外，局部地形和地震地质构造变化可能导致衰减参数和相应的标准差相差较大。使用气枪震源和近震资料配合小尺度密集台阵，可以得到较准确的浅层介质衰减参数，为工程应用和浅部结构探测提供了新的思路。
Abstract:In order to obtain more accurate attenuation parameters of shallow medium and carry out more detailed ground motion simulation research in the field of engineering earthquakes, this paper uses the Sato single scattering model to study the coda attenuation characteristics of shallow medium in the Binchuan basin based on the dense array data and combined with natural seismic data. The results showed that with the increase of frequency, the coda Q value Qc showed an increasing trend, which was in line with the frequency dependence of the Q value. The spatial distribution of Qc values in this area has obvious lateral inhomogeneity. The stations located in the Binchuan basin in the central part of the study area have lower Qc values, while the stations located in the hilly areas of the study area in the southwest and northeast directions have higher Qc values, which is consistent with the velocity tomography results. The frequency dependence of the average Qc in the study area is $ {Q}_{{\rm{c}}} （ f ） ＝28.04{f}^{1.07} $. The Q0 value obtained by the dense array data is lower than that obtained by the natural earthquake, which proves that the results obtained by the dense array data reflects the attenuation characteristics of the shallower medium. And a higher $ \eta $ value means that the inhomogeneity of the shallow medium is higher than that of the deep medium, which is in line with the actual situation. The Q0 value of the Binchuan basin is larger than the Q0 value of the Songliang basin, the North China basin and the average sedimentary layer of the Chinese mainland, while the index $ \eta $ is smaller than the $ \eta $ value of the Songliao basin and the Chinese mainland, indicating that the information reflected by the dense array is between the near-surface and deep media. As the depth increases, the inhomogeneity of the medium gradually decreases, and the dependence of the Q value with frequency gradually weakens. Q0 increases with the lapse time window of coda, and the index $ \eta $ is the opposite. It is necessary to select a small lapse time window to ensure the accuracy of the results when the scale of study area is small and the magnitude of the selected natural earthquake events not large. In addition, local topographic and seismic-tectonic changes may lead to large differences in attenuation parameters and standard deviations. The useage of airgun source and near-field earthquake with small-scale dense seismic arrays can obtain more accurate attenuation parameters in shallow media, which provides a new idea for engineering application and shallow structure detection.
-
引言
矿震是由开采而产生的一种诱发性地震，随着矿井的开采，井下聚集大量能量并在超过临界点时释放，严重时会造成顶板事故、冲击地压、煤与瓦斯突出等煤矿突发事故（Ursano et al，2006；李长洪等，2009；Grayson et al，2009；陈光波等，2021）。矿山微震信号拾取对于矿震监测和矿山的安全生产具有重要意义。如何快速准确地识别微震事件和如何进行高质量震相拾取成了矿震检测最急迫的问题（Dubey，Barnard，1997）。矿山微震与天然地震有很大的区别，主要表现在：矿山微震频发且震源位置相对较浅，发震位置与台阵仅相隔几千米，台阵接收到的波形数据中P波与S波的到时接近，难以区分；矿震的震动能量相比天然地震小，持续时间较短，但震源深度较浅，发生的大能量微震事件会诱发灾害，造成的危害大；微震数据尽管也有标记实例，但数据集少，不适合大规模数据集的深度学习。
将微震检测系统用于微震的检测和数据的传递，能够采集矿井中的微震信息。然而由于机器震动、人员车辆走动等环境的影响，检测系统采集到的微震信号中会包含大量的噪声，增加事件的识别难度（陈泽等，2020）。长期以来，微震检测和初至到时拾取都是通过人工或低精度自动算法来完成。人工拾取方法可以通过预处理的方式达到极高的精度，但是耗时长，面对大量微震数据时效率低。传统的自动检测方法，如长短时窗能量比法（short time average over long time average，缩写为STA/LTA），该方法应用于不同矿区和不同信噪比的波形数据时具有较大的误差，且准确率不够稳定，严重时甚至会出现检测后仍需人工重新标注的情况，大大增加了人工成本（Akaike，1974；Allen，1982；Vaezi，van der Baan，2015；Zhang et al，2018；王议迎等，2021）。
早在二十世纪九十年代，深度学习就已应用于地震检测，实现了对波形的广义检测（Dai，Macbeth，1995）。深度学习通过大量有标签的样本实例进行训练，可以挖掘出样本中的深层次特征。基于该特点，深度学习在地震领域的应用取得了不错的成绩。Wang等（2021）提出了基于深度卷积神经网络的Dpick神经网络算法，利用深度卷积的特征提取功能实现了较高精度的P波拾取；Zhou等（2019）提出DetNet＋PpkNet的事件检测和相位选取算法，利用长短期记忆网络的时序处理功能，能够较好地拾取P波和S波；Zhu和Beroza （2018）基于U-net网络设计的PhaseNet震相拾取算法，可以同时识别P波和S波。然而，相比较天然地震的检测，矿震存在事件检测和震相拾取的精准度需求高、矿震台站采样频率高、提取数据量大及数据集少等问题，为进行深度学习模型的训练和特征提取增加了困难，使得地震学上的深度学习模型无法完美地应用于实际矿震中（周飞燕等，2017；赵洪宝等，2021）。
鉴于此，本文提出了一种针对小样本的矿山微震事件检测和震相拾取的神经网络方法，并结合数据增强方法（Zhou et al，2019；李安等，2020）在数据集较少的情况下达到训练拾取精度；引入自注意力（self-attention）机制，结合卷积神经网络（convolutional neural networks，缩写为CNN）和门控循环单元（gated recurrent unit，缩写为GRU）构建到时拾取模型，提高模型的精度，以期通过上述研究能够快速有效地识别矿山微震事件，并进行高质量P波到时拾取。
1. 方法
1.1 总体架构
本文主要解决微震事件检测和到时拾取的问题，直接通过输入三分量数据来训练完成。如图1所示，首先对数据进行预处理和数据增强，以便检测和识别；之后检测是否存在微震事件，可以通过卷积神经网络模型来完成，与图像识别类似，将数据输入到事件检测模型（主要由CNN构成，简称CNNDet）中，输出分为“噪声”、“事件开始”和“事件中”三类，该部分会对检测到的事件进行P波到时的预拾取；最后，将具有震相振动波形作为时间序列，采用以GRU为主体、自注意力机制为核心的到时拾取模型（由CNN，GRU和自注意力机制构成，简称CGANet）对其进行精确的震相拾取。
![]()
图 1 矿山微震P波到时拾取总体架构（CNNDet用于事件检测，CGANet进行P波到时拾取）Figure 1. Overall architecture for P-arrival picking method of mine microseisms （CNNDet is used for event detection，and CGANet is used for P-arrival picking）1.2 事件检测模型设计
现如今，大部分地震的微震检测都采用噪声和事件组成的二分类卷积神经网络来完成（Tang et al，2021），但这类卷积神经网络由于采样频率低，其提取的事件波形数据量相对较小，而矿震一般采样率高，提取的事件波形数据量大，会为之后的震相拾取增加负担，增加处理数据的时间成本。因此本文采用三分类卷积网络，在噪声和事件中间增加“事件开始”标签，提取该标签所对应的矿震波形，缩小提取事件的波形，加快处理时间，并进行一定程度的到时预拾取。如图2所示，CNNDet主要由CUnit，FD和softmax构成，其中${\rm{Conv}} （ k{\text{×}}s ） $中k代表卷积核，s表示移动步长，${\rm{MaxPool}} （ k{\text{×}}s ） $中k代表池化核。首先利用多个CUnit对波形数据进行特征提取和压缩。为防止过拟合，每个卷积层都用批量归一化（batch-normalization，缩写为BN）实现正则化，并且在每个卷积层之间都使用池化层来实现下采样，以此来压缩数据和参数，每层CNN的通道数分别设为8，32，64，64；之后是FD模块，该模块由全连接层和Dropout构成，作用是将提取的特征进行总结判断输出。由于波形数据是一维时间序列，采用一维卷积进行特征提取。输入的是三分量波形，有三个通道（一个通道代表一个分量）。最后使用softmax激活函数输出标签的概率，并将检测到的事件进行提取输入到CGANet中。
每层卷积的激活函数为LeakyReLU，形式为：
$$ {\rm{LeakyReLU}} ＝ \max （ 0.25 x ， x ） {\text{.}} $$ (1) 1.3 到时拾取模型设计
CGANet的总体框架如图2所示，其主要包括CUnit、GRU单元、注意力机制等几部分。将检测出来的微震事件用CNN来提取特征，CNN通过不断的卷积和池化，从较多的采样点中提取出特征，并将特征维度降低。相比较人眼的识别特征，CNN不仅能够提取一些相对明显的特征，还可以从含噪声的微震事件中提取出一些不易识别的抽象特征，每层CNN的通道数分别设为8，32，64。CNN仅能考虑微震波形的空间信息，而会忽略其中的时间序列，于是在CNN后加入了双向GRU层，每层设置64个神经元，则该网络结构便具有很好的记忆功能，因其拥有无限长的感受野，可提取时序特征。此外，为了能够捕捉时间序列中的依赖关系，充分考虑波形之间不同阶段的状态信息，引入自注意力机制（Vaswani et al，2017；Mousavi et al，2020；李宇等，2023），通过权重参数的调整，使得模型对震相的识别更加精确。最后连接两个全连接层对所有的信息特征进行总结并通过softmax输出。为了防止过拟合，每层都采用Dropout正则化对网络进行优化。
CGANet中的自注意力机制公式表示为：
$$ {\rm{Attention}} （ {\boldsymbol{Q}}， {\boldsymbol{K}}， {\boldsymbol{V}} ） ＝ {\rm{softmax}}\left(\frac{{\boldsymbol{Q}{{\boldsymbol{K}}^{\rm{T}}}}}{{\sqrt {{d_K}} }}\right) {\boldsymbol{V}}\text{，} $$ (2) $$ {\rm{softmax}}{ （ X ） _{ij}} ＝ \frac{{{{\rm{e}}^{{X_{ij}}}}}}{{\displaystyle\sum {{{\rm{e}}^{{X_i}}}} }} \text{，} $$ (3) 式中，Q为当前的特征信息，K为Q下一步可能对应的所有的特征信息，V为权重，${d_K}$为Q和K的维度，当Q＝K＝V时则为自注意力机制。计算每个特征信息与所有对应信息的关系得分，然后做softmax归一化。自注意力机制中的每个特征值都会和该波形内所有提取的特征信息进行注意力权值计算，学习内部的特征依赖信息以捕捉波形的内部结构。
2. 数据集
本文所用的数据集为2019—2020年山西和辽宁某矿区地面微震监测系统的数据。振动数据波形通过布置在煤矿中的台网设备获取，台站设备由九个宽频带三分量微震台站组成，其空间范围约为6 km×4 km×1 km，原始采样频率为5 kHz。由于矿震发生的位置与台站位置相对较近，震相主要为直达P波。采用的数据为通过人工方式选出的2 278个微震事件。从人工挑选的数据中选取了404条数据作为验证集，其余的1874条数据用于训练集和测试集。
2.1 数据预处理及数据增强
对波形数据集进行预处理。如图3所示，首先采用200 Hz的低通滤波器对其进行滤波，避免高频信号噪声对模型训练的干扰，其次，对数据集进行最大值归一化。采用数据增强方法，根据标签类型，随机选择P波到时在时间窗的位置，并增加不同程度的高斯白噪声，以此来添加更多的数据集和提升模型的泛化能力。本文对训练集和测试集进行了数据增强，产生了8 820条数据用于两个模型的训练和测试。
2.2 界限标签法
本文采用界限标签法来设置数据集的标签。在时间窗里设置一定的界限区域，以该区域为限，分为三种状态，分别为“噪声” 、“事件开始”和“事件中” ，其中： “噪声”用来检测噪声，界限区域内仅有噪声；“事件开始”用来提取事件波形或到时拾取，界限区域内有噪声也有波形； “事件中”是为了检测事件结束并区分到时与事件进行两种类型，界限区域内仅有震动波形。矿震的波形数据采样频率高，本文将时间窗调小，提高检测事件的精度，以免遗漏一些小的矿震波形。CNNDet提取出来的切片时间窗口应该包含明显的噪声和波形震相部分，时间窗大小设为2 s （1万个点），滑动步长为0.4 s （2 000个点），CNNDet训练模型标签选取如图4所示，在滑动窗口中设置一个大小为0.4 s的界限区域，位于滑动窗口0.4 s的位置，该位置可以保证提取标签“事件开始”所对应的时间窗口，该窗口内覆盖了难以识别的震相部分和前后明显的噪声波形部分。
CGANet的训练和测试数据同样使用界限标签法，模型的时间窗口设置为1 s，滑动步长为30个采样点，在滑动窗口中设置一个大小为30个点的界限区域，位于滑动窗口0.3 s的位置，选择15个点的位置作为P波到达时间，确保了理论上最大的拾取精度小于15点（＜0.006 s）。
3. 试验测试
3.1 性能测试
本文以神经网络库Keras为基本库函数，基于tensorflow2.0深度学习框架搭建并训练模型。模型训练采用自适应运动估计算法，采用阶梯型学习率来优化计算过程。数据采用小批量32个，小批量数据训练可以使得模型更好地拟合，不容易并行化。两个模型的迭代次数设置为200，损失函数采用交叉熵。本文测量了事件和到时模型在训练和验证过程中的分类精度和损失精度。
为了分析模型的性能，本文在训练过程中计算了测试结果的曲线下面积 （area under curve，缩写为AUC）、精确率（precision）和召回率（recall）。AUC为接受者操作特性（receiver operating characteristic，缩写为ROC）曲线与坐标轴围成的面积。通常，AUC的值介于0.5到1.0之间，较大的AUC代表了较好的模型表现。精确率表示自动拾取算法预测结果的准确度，召回率用于检测自动算法拾取的完整度，二者公式如下：
$$ {\rm{Precision}}{{ ＝ }}\frac{{N_{\rm{TP}}}}{{N_{\rm{TP}} ＋ N_{\rm{FP}}}}\text{，} $$ (4) $$ {\rm{Recall}} ＝ \frac{{N_{\rm{TP}}}}{{N_{\rm{TP}} ＋ N_{\rm{FN}}}}\text{，} $$ (5) 式中，NTP为检测正确波形的次数，NFP为将错误波形检测为正确的次数，NFN为正确波形漏选的次数。如图5所示，通过对不同迭代次数的验证集计算精确率和召回率，评估两个模型的训练进度和性能，结果显示：CNNDet模型迭代到80次后进入平缓期，训练精度收敛到99%以上，测试集精度达到97.33%，该模型最后精确率和召回率都稳定在98%以上；对于CGANet模型，模型的训练精度收敛到95%，测试集精确率低于训练精度，达到94%以上，未出现过拟合情况。
![]()
图 5 CNNDet （上）和CGANet （下）的训练迭代过程Figure 5. Training iterative process of CNNDet （top） and CGANet （bottom）此外，针对模型测试的到时误差，本文增加平均绝对误差（mean absolute error，缩写为MAE）和标准差试验评价指标，MAE能够直观地表现出自动算法的拾取精度，标准差可以展现出波形到时误差的离散程度。为了客观地评估CNNDet＋CGANet的实用性和优越性，选取了三种震相拾取算法进行对比：STA/LTA算法、DPick算法和DetNet＋PpkNet算法。由于直接使用STA/LTA算法同时进行识别检测和到时估计会出现大量的波形检测遗漏（付继华等，2019），本文先使用CNNDet模型检测矿震事件并提取波形，再使用阈值较小的STA/LTA算法进行到时估计。
以验证集对四个模型进行测试，并将测试的结果进行分析，如表1所示。可见：在高采样的优势下，相比于地震领域的震相识别，各个方法的精度都有不同程度的提升，但传统算法提升较少，所采用的传统STA/LTA算法精确率较低，相对而言，深度学习方法在各方面表现更好。
表 1 本文方法与STA/LTA，DPick和PpkNet的性能比较Table 1. The performance of the proposed method in this study compared with STA/LTA，DPick and PpkNet方法 精确率 召回率 平均绝对误差/s 标准差/s 误差＞0.2 s占比 CNNDet＋STA/LTA 0.724 0 0.724 0 0.028 115 0.086 968 2.28% DPick 0.854 6 0.847 0 0.027 957 0.060 322 2.74% DetNet＋PpkNet 0.878 0 0.871 0 0.019 124 0.051 418 1.36% CNNDet＋CGANet 0.948 0 0.948 0 0.014 158 0.051 052 1.14% DPick采用的是深度CNN算法，虽然深度CNN模型具有较为复杂的参数结构，但是其忽略了波形数据中的时间因素，具有较小的感受野，导致其相比较于其它深度学习算法来说精度较低。PpkNet采用的是双向GRU模型，其虽然有良好的感受野，但缺少对波形数据的特征提取，很容易受到噪声的影响。试验结果显示，CGANet的误差均值仅有0.014 s，可见本文算法相比其它三种算法具有更好的震相拾取结果。为了直观地展示本文方法的精确率，将每种方法预测的P波到时误差绘制成直方图，如图6所示，可以看出本文算法相较其它三种算法具有较好的误差分布。
![]()
图 6 各种震相拾取算法在验证集上的误差直方图Figure 6. Error histogram of various seismic phase picking algorithms on the verification set3.2 抗噪性测试
在实际应用中，当背景噪声水平高于微地震信号段时，P波拾取精度可能较低。本文采用Dai和Macbeth （1997）提出的信噪比定义，其计算方法为
$$ {\rm{SNR}} ＝ 10\;{\lg }\frac{{{P_{{\rm{sig}}}}}}{{{P_{{\rm{noi}}}}}}\text{，} $$ (6) 式中${P_{{\rm{sig}}}}$为矿震波形信号，${P_{{\rm{noi}}}}$为噪声信号。传统的STA/LTA是由长短时窗的比值和设置阈值来检测P波到时，其阈值大小直接影响拾取的准确性。如图7所示，在信噪比为9.5 dB的低噪声下，STA/LTA的比值较高，较高的阈值也可以较为准确地识别出P波；但在信噪比为3.1 dB的高噪声下，如果事件的振幅相对较小，P波隐藏于噪声中，STA/LTA将会出现较低的比值，并且难以分辨P波和S波，具有极高的误检性，只有选出较为合适的阈值才能正确拾取P波。本文算法相较于传统方法具有更高的精确率，且不受阈值和S波的影响。
![]()
图 7 CNNDet＋CGANet和传统方法STA/LTA在不同信噪比下的表现对比Figure 7. Performance comparison of CNNDet＋CGANet and STA/LTA under different SNRs为了突出算法的泛化能力，将其在不同噪声下与两个深度学习算法进行抗噪性测试。矿震属于近震波形，大部分的波形起始都有较为明显的振幅变化，如图8所示，在噪声相对较小的情况下，三种模型都表现出了较为精确的到时估计结果，增加了噪声后，三种算法都表现出了不同程度的影响，本文算法受到的影响较小。DPick采用的深度卷积算法的精度受限于其感受野，使得到时拾取结果不稳定，但由于其具有提取特征的性质，可以使其具有一定的抗噪性。PpkNet中有较大的感受野，可以在噪声较小的情况下有较好的性能，但由于缺少提取特征的功能，噪声对其影响最大，当信噪比为2.2 dB时，容易出现拾取错误或漏选等问题。本文算法也受到了一定程度的影响，但相对于其它模型来说，效果较好。
![]()
图 8 DPick，DetNet＋PpkNet与CNNDet＋CGANet在不同信噪比下的拾取对比Figure 8. Comparison of DPick，DetNet＋PpkNet and CNNDet＋CGANet picking at different SNRs4. 结果与分析
在矿震检测和识别中，往往需要对数据进行实时处理和分析，为此，本文使用该方法对连续数据进行了识别和处理，针对2020年7月山西某矿的五个台站的数据流进行事件检测和P波到时拾取。图9展示了7月11日8:58—9:17对某个台站数据的处理情况，其中CNNDet将检测到的两个矿震事件的起始和结束时间标记出来，之后CGANet进行精确的到时拾取。将卷积、门控循环单元和注意力机制的优势相结合，摒弃了深度卷积神经网络所带来的感受野和特征丢失问题，并在门控循环单元的基础上引入了注意力机制，提取矿震波形内部的特征关系，取得了较好的效果。
![]()
图 9 2020年7月11日8:58—9:17事件检测和P波拾取处理情况Figure 9. Event detection and P-wave pickup processing in 8:58−9:17 on July 11，2020数据集和深度学习网络模型是相辅相成的。不同的训练集会出现不同的效果，矿震数据相较于地震数据数量较少，导致一些在地震上应用较好的深度学习方法无法应用于矿震的震相拾取，如PhaseNet，U-Net （Ronneberger et al，2015；赵明等，2019；张逸伦等，2021）。由于矿震的数据集问题，本文选取的训练集设置针对性的标签，在拾取过程中使滑动步长等于界限区域大小，根据界限区域的大小，使用平移和加噪的方式进行数据增强。仅使用1 874个事件数据通过数据增强方式生成8 820条数据用于模型的训练，远远少于类似方法所需的数百万条记录（Perol et al，2018；Saad，Chen，2021）。
为了探究各种到时拾取算法对震源定位的影响，本文对同一事件使用STA/LTA，DPick，DetNet＋PpkNet和本文算法来提取矿震P波到时，然后使用粒子群定位算法（Chen et al，2009）对震源进行精定位，得到的使用STA/LTA，DPick，DetNet＋PpkNet算法的定位误差分别为95.75，91.50和55.26 m，而使用本文算法的定位误差可达41.67 m，明显优于其它算法。
由于矿震所需的到时拾取精度较高，本文采用两个模型进行拾取：使用CNNDet模型进行到时预估计，给出到时范围，然后再用CGANet模型进行P波估计。总体方法步骤比较复杂，但拾取精度提高，能够有效地拾取P波震相；该方法采用少量数据集训练，增加数据量是否会提升方法的性能仍待研究证实；从实际的连续波形处理中可以看出，虽然该方法可以对事件进行准确检测，但对于事件结束点的提取仍存在一定的误差，如何精准地提取事件结束点以及简化模型等方面仍需进一步研究。
5. 结论
传统的矿山微震P波到时拾取算法存在P波缺失、P波拾取精度低等问题，本文引入了深度学习方法进行研究，提出了一种融合门控循环单元和自注意力机制的矿山微震P波到时拾取方法，为矿山微震监测和冲击地压等灾害的准确识别提供了一种新方法。针对矿震数据的优缺点，提出一种新的数据分类方式，仅利用数据增强的少量数据进行模型训练，即可实现较高精度的P波到时拾取。CNNDet在测试集上的事件检测精确率和召回率都达到98%以上，CGANet对于P波到时估计的误差均值和标准差分别为0.014 s和0.051 s。对比结果表明，本文算法在性能、精度和抗噪性等方面均优于STA/LTA，DPick和PpkNet等算法，且在实际震源定位中，应用本文算法的定位误差明显小于其它算法。随着矿山开采的工业化，微震监测系统将会采集更多的矿山微震数据，未来可考虑增加数据集，简化方法，不断优化神经网络模型。深度学习方法在实时微震监测、矿震预警等方面将会发挥越来越重要的作用。
-
![]()
图 1 密集台阵及震源位置分布图
Figure 1. Location of dense seismic array and distribution of hypocenters
![]()
图 2 研究区射线覆盖及信号叠加对比示意图
（a） 研究区内的射线分布；（b） 710号台站原始信号（上）和叠加后信号（下）
Figure 2. Distribution of rays in the study area and the comparison of signal before and after stacking
（a） Distribution of rays in the study area；（b） Original signal （upper） and stacked signal （lower） of the station No. 710
![]()
图 3 尾波Q值拟合示意图（以气枪信号为例）
（a） 11号台站叠加后信号，tc表示尾波起算时间，红色方框表示截取的尾波窗口；（b） 函数$\mathrm{l}\mathrm{n} ［ A （ f|r \text{，} t ） /K （ r \text{，} \alpha ） ］ $随时间的变化曲线，红色直线为最小二乘拟合线
Figure 3. Diagram of coda Q value fitting (take the airgun signal as an example)
（a） The stacked signal of the station No. 11，tc represents the the starting point of coda，the red box indicates the selected coda window；（b） The function $\mathrm{l}\mathrm{n} ［ A （ f|r \text{，} t ） /K （ r\text{，} \alpha ） ］ $ versus lapse time along with least squares fits of selected coda window，the red line represents the fitted line
![]()
图 4 不同中心频率下Qc值的空间分布及与速度层析成像结果对比
（a−e） 2—6 Hz频率尾波Qc值的空间分布，黑线表示宾川盆地范围；（f） 宾川地区0 km处速度层析成像结果（引自张云鹏等，2020）
Figure 4. Spatial distribution of Qc values at different frequencies and comparison with velocity tomography
（a−e） Spatial distribution of coda Qc values at 2−6 Hz frequency，the black line indicates the extent of Binchuan basin；（f） Velocity tomography results at 0 km depth in Binchuan area （from Zhang et al，2020）
![]()
图 5 六个台站位置（a）及其Qc值与频率的关系（b）
Figure 5. Location of the six stations （a） and the relationship between Qc and frequency for the stations （b）
![]()
图 6 30号台站Q0和频率依赖指数 $ \eta $ 随流逝时间的变化曲线
Figure 6. Values of Q0 and frequency-dependent coefficient $ \eta $ as function of lapse time for the station No. 30
![]()
图 7 全区域各台站尾波衰减参数及标准差
（a） 各台站Q0统计特征；（b） 各台站频率依赖指数 $ \eta $ 统计特征
Figure 7. Coda attenuation parameters and their standard deviations of each station in the study area
（a） The statistical characteristics of Q0 of each station；（b） The statistical characteristics of the frequency dependence coefficient $ \eta $ of each station
表 1 所用地震详细参数
Table 1 Parameters of the earthquakes using in the study
发震时刻 东经/° 北纬/° ML 震源
深度/km发震时刻 东经/° 北纬/° ML 震源
深度/km年-月-日 时:分:秒 年-月-日 时:分:秒 2017-03-26 16:24:03 100.563 25.852 0.4 17 2017-04-28 00:16:55 100.445 25.831 1.3 15 2017-03-27 03:28:14 100.394 25.928 0.8 8 2017-05-07 10:20:12 100.698 25.891 1.6 5 2017-03-31 04:54:56 100.594 25.829 0.4 18 2017-05-12 11:27:14 100.681 25.863 1.3 6 2017-04-03 17:48:41 100.409 25.815 1.0 14 2017-05-12 11:36:35 100.648 25.884 1.4 10 2017-04-12 21:05:22 100.673 25.659 0.5 9 2017-05-21 21:42:29 100.451 25.771 1.0 5 2017-04-13 10:41:05 100.613 25.908 1.7 5 2017-05-23 09:19:53 100.359 25.680 1.5 12 
下载: 导出CSV
表 2 30号台站不同流逝时间下Q0和频率依赖指数 $ \eta $ 的统计结果
Table 2 Q0 and frequency-dependent coefficient $ \mathrm{\eta } $ at different lapse times of the station No.30
流逝时间/s Q0 ${ \delta }{ Q_0}$ $ \eta $ ${\delta }\eta$ 5 26.00 15.55 1.057 0.342 10 38.11 18.59 0.988 0.242 15 50.60 24.27 0.937 0.227
下载: 导出CSV
表 3 Q0标准差较大的台站详细信息
Table 3 Information of the stations with larger standard deviation of Q0
台站编号 东经/° 北纬/° Q0 $\delta{ Q_0}$ $ \eta $ ${\delta }\eta$ 195 100.399 1 25.719 9 38 37 1.123 0.431 633 100.523 5 25.657 2 48 36 0.713 0.674 613 100.538 8 25.680 0 61 33 0.702 0.401 83 100.670 6 25.835 4 40 31 0.958 0.298 18 100.630 4 25.912 7 43 29 0.831 0.282
下载: 导出CSV
表 4 表3中相邻台站的Q0结果
Table 4 Results of Q0 for neighboring stations in Table 3
台站编号 东经/° 北纬/° Q0 $\delta{ Q_0}$ $ \eta $ ${\delta }\eta$ 196 100.417 5 25.722 4 25 5 1.148 0.198 632 100.501 0 25.660 6 34 5 0.912 0.218 752 100.530 1 25.680 8 18 6 1.195 0.202 81 100.639 7 25.840 2 31 16 0.857 0.347 17 100.620 1 25.901 3 23 11 1.107 0.335
下载: 导出CSV
-
陈婷,董建辉,王晓山. 2017. 唐山地区尾波 Q值时空分布特征[J]. 地震地磁观测与研究,38(2):51–56. Chen T,Dong J H,Wang X S. 2017. Temporal and spatial distribution characteristics of the coda wave Q value in Tangshan region[J]. Seismological and Geomagnetic Observation and Research,38(2):51–56 (in Chinese).
洪玉清,杨选. 2015. 利用Aki模型对新丰江水库地区尾波 Q值的研究[J]. 华南地震,35(3):66–71. doi: 10.13512/j.hndz.2015.03.010 Hong Y Q,Yang X. 2015. Q value research of coda wave in Xinfengjiang reservoir area based on Aki model[J]. South China Journal of Seismology,35(3):66–71 (in Chinese).
刘斌,Kern H,Popp T. 1998. 不同围压下孔隙度不同的干燥及水饱和岩样中的纵横波速度及衰减[J]. 地球物理学报,41(4):537–546. doi: 10.3321/j.issn:0001-5733.1998.04.012 Liu B,Kern H,Popp T. 1998. Velocities and attenuation of P- and S-waves in dry and wet rocks with different porosities under different confining pressures[J]. Acta Geophysica Sinica,41(4):537–546 (in Chinese).
罗睿洁,吴中海,黄小龙,黄小巾,周春景,田婷婷. 2015. 滇西北宾川地区主要活动断裂及其活动构造体系[J]. 地质通报,34(1):155–170. doi: 10.3969/j.issn.1671-2552.2015.01.013 Luo R J,Wu Z H,Huang X L,Huang X J,Zhou C J,Tian T T. 2015. The main active faults and the active tectonic system of Binchuan area,northwestern Yunnan[J]. Geological Bulletin of China,34(1):155–170 (in Chinese).
师海阔,曾宪伟,张立恒,贺永忠. 2016. 利用Aki模型对宁夏及邻区尾波 Q值分布特征的研究[J]. 地震工程学报,38(1):51–57. doi: 10.3969/j.issn.1000-0844.2016.01.0051 Shi H K,Zeng X W,Zhang L H,He Y Z. 2016. Distribution characteristics of Q values of seismic coda in Ningxia and neighboring area based on Aki model[J]. China Earthquake Engineering Journal,38(1):51–57 (in Chinese).
史水平,周斌,黄树生,阎春恒,郭培兰. 2020. 广西龙滩水库库区地震尾波衰减特征[J]. 地震学报,42(2):151–162. Shi S P,Zhou B,Huang S S,Yan C H,Guo P L. 2020. Characteristics of seismic coda attenuation in Longtan reservoir of Guangxi region[J]. Acta Seismologica Sinica,42(2):151–162 (in Chinese).
苏金波,王宝善,王海涛,王琼,冀战波. 2015. 利用大容量气枪震源资料研究北天山地区介质衰减特征[J]. 地震研究,38(4):598–605. Su J B,Wang B S,Wang H T,Wang Q,Ji Z B. 2015. Research on characteristic of seismic attenuation in the northern Tianshan area using seismic signal from airgun source[J]. Journal of Seismological Research,38(4):598–605 (in Chinese).
苏有锦. 2009. 云南地区地震波衰减(Q值)结构反演成像研究[D]. 合肥:中国科学技术大学:36−38. Su Y J. 2009. Inversion Tomography of the Seismic Wave Attenuation (Q Value) Structure in Yunnan Region[D]. Hefei:University of Science and Technology of China:36−38 (in Chinese).
孙业君,黄耘,王斌,王俊,李锋,江昊琳. 2014. 江苏地区尾波 Q值特征研究[J]. 地震,34(1):24–33. Sun Y J,Huang Y,Wang B,Wang J,Li F,Jiang H L. 2014. Characteristics of coda wave Q values in Jiangsu area[J]. Earthquake,34(1):24–33 (in Chinese).
王宝善,王伟涛,葛洪魁,徐平,王彬. 2011. 人工震源地下介质变化动态监测[J]. 地球科学进展,26(3):249–256. Wang B S,Wang W T,Ge H K,Xu P,Wang B. 2011. Monitoring subsurface changes with active sources[J]. Advances in Earth Science,26(3):249–256 (in Chinese).
王勤彩,陈章立,王中平,郑斯华. 2010. 云南地区散射衰减、吸收衰减及尾波衰减的综合研究[J]. 地球物理学进展,25(2):419–431. doi: 10.3969/j.issn.1004-2903.2010.02.007 Wang Q C,Chen Z L,Wang Z P,Zheng S H. 2010. Comprehensive study of scattering,intrinsic and coda attenuation in the Yunnan area[J]. Progress in Geophysics,25(2):419–431 (in Chinese).
王振宇,赵培培,薄景山. 2017. 地震动随机模拟方法主要影响参数分析[J]. 世界地震工程,33(3):34–41. Wang Z Y,Zhao P P,Bo J S. 2017. Analysis for the effects of main parameters on ground motions by stochastic simulation method[J]. World Earthquake Engineering,33(3):34–41 (in Chinese).
杨微,王宝善,葛洪魁,王伟涛,陈颙. 2013. 大容量气枪震源主动探测技术系统及试验研究[J]. 中国地震,29(4):399–410. Yang W,Wang B S,Ge H K,Wang W T,Chen Y. 2013. The active monitoring system with large volume airgun source and experiment[J]. Earthquake Research in China,29(4):399–410 (in Chinese).
张云鹏,王宝善,林国庆,王伟涛,杨微,吴中海. 2020. 利用密集台阵近震层析成像研究云南宾川上地壳速度结构[J]. 地球物理学报,63(9):3292–3306. Zhang Y P,Wang B S,Lin G Q,Wang W T,Yang W,Wu Z H. 2020. Upper crustal velocity structure of Binchuan,Yunnan revealed by dense array local seismic tomography[J]. Chinese Journal of Geophysics,63(9):3292–3306 (in Chinese).
赵秋芳,云美厚,朱丽波,李晓斌,李伟娜. 2019. 近地表 Q值测试方法研究进展与展望[J]. 石油地球物理勘探,54(6):1397–1418. doi: 10.13810/j.cnki.issn.1000-7210.2019.06.026 Zhao Q F,Yun M H,Zhu L B,Li X B,Li W N. 2019. Progress and outlook of near-surface quality factor Q measurement and inversion[J]. Oil Geophysical Prospecting,54(6):1397–1418 (in Chinese).
周连庆,赵翠萍,修济刚,陈章立,郑斯华. 2008. 利用天然地震研究地壳 Q值的方法和进展[J]. 国际地震动态,(2):1–11. Zhou L Q,Zhao C P,Xiu J G,Chen Z L,Zheng S H. 2008. Methods and developments of research on crustal Q value by using earthquakes[J]. Recent Developments in World Seismology,(2):1–11 (in Chinese).
周庆,虢顺民,向宏发. 2004. 滇西北地区潜在震源区的划分原则和方法[J]. 地震地质,26(4):761–771. doi: 10.3969/j.issn.0253-4967.2004.04.022 Zhou Q,Guo S M,Xiang H F. 2004. Principle and method of delineation of potential seismic sources in northeastern Yunnan Province[J]. Seismology and Geology,26(4):761–771 (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:66−79. Zhu X Y. 2011. Comprehensive Study on Seismic Wave Propagation Related Information Such as Attenuation and Site Response[D]. Beijing:Institute of Geophysics,China Earthquake Administration:66−79 (in Chinese).
朱新运,刘杰,张帆. 2006. 基于Aki模型的近震S波尾波 Q值求解及分析软件研制[J]. 地震研究,29(1):76–80. doi: 10.3969/j.issn.1000-0666.2006.01.015 Zhu X Y,Liu J,Zhang F. 2006. Development of Q-value calculating and processing software using S-wave coda in local earthquakes based on Aki model[J]. Journal of Seismological Research,29(1):76–80 (in Chinese).
Abdel-Fattah A K,Morsy M,El-Hady S,Kim K Y,Sami M. 2008. Intrinsic and scattering attenuation in the crust of the Abu Dabbab area in the eastern desert of Egypt[J]. Phys Earth Planet Inter,168(1/2):103–112.
Aki K. 1969. Analysis of the seismic coda of local earthquakes as scattered waves[J]. J Geophys Res,74(2):615–631. doi: 10.1029/JB074i002p00615
Aki K,Chouet B. 1975. Origin of coda waves:Source,attenuation,and scattering effects[J]. J Geophys Res,80(23):3322–3342. doi: 10.1029/JB080i023p03322
Aki K. 1980. Scattering and attenuation of shear waves in the lithosphere[J]. J Geophys Res: Solid Earth,86(B11):6496–6504.
Correig A M,Mitchell B J,Ortiz R. 1990. Seismicity and coda Q values in the eastern Pyrenees:First results from the La Cerdanya seismic network[J]. Pure Appl Geophys,132(1):311–329.
Das R,Mukhopadhyay S,Singh R K,Baidya P R. 2018. Lapse time and frequency-dependent coda wave attenuation for Delhi and its surrounding regions[J]. Tectonophysics, 738 − 739 :51−63.
Dinesh K,Sarkar I,Sriram V,Khattri K N. 2005. Estimation of the source parameters of the Himalaya earthquake of October 19,1991,average effective shear wave attenuation parameter and local site effects from accelerograms[J]. Tectonophysics,407:1–24
Domínguez T,Rebollar C J,Fabriol H. 1997. Attenuation of coda waves at the Cerro Prieto geothermal field,Baja California,Mexico[J]. Bull Seismol Soc Am,87(5):1368–1374. doi: 10.1785/BSSA0870051368
Herrmann R B. 1980. Q estimates using the coda of local earthquake[J]. Bull Seismol Soc Am,70(2):447–468. doi: 10.1785/BSSA0700020447
Jin A S,Aki K. 1988. Spatial and temporal correlation between coda Q and seismicity in China[J]. Bull Seismol Soc Am,78(2):741–769. doi: 10.1785/BSSA0780020741
Kosuga M. 1992. Dependence of coda Q on frequency and lapse time in the western Nagano region,central Japan[J]. J Phys Earth,40(2):421–445. doi: 10.4294/jpe1952.40.421
Ma’hood M,Hamzehloo H. 2009. Estimation of coda wave attenuation in east central Iran[J]. J Seismol,13(1):125–139. doi: 10.1007/s10950-008-9130-2
Padhy S,Subhadra N,Kayal J R. 2011. Frequency-dependent attenuation of body and coda waves in the Andaman Sea Basin[J]. Bull Seismol Soc Am,101(1):109–125. doi: 10.1785/0120100032
Pulli J J. 1984. Attenuation of coda waves in New England[J]. Bull Seismol Soc Am,74(4):1149–1166.
Rautian T G,Khalturin V I. 1978. The use of the coda for determination of the earthquake source spectrum[J]. Bull Seismol Soc Am,68(4):923–948. doi: 10.1785/BSSA0680040923
Roecker S W,Tucker B,King J,Hatzfeld D. 1982. Estimates of Q in central Asia as a function of frequency and depth using the coda of locally recorded earthquakes[J]. Bull Seismol Soc Am,72(1):129–149. doi: 10.1785/BSSA0720010129
Sato H. 1977. Energy propagation including scattering effects single isotropic scattering approximation[J]. J Phys Earth,25(1):27–41. doi: 10.4294/jpe1952.25.27
Su F,Aki K. 1995. Site amplification factors in central and southern California determined from coda waves[J]. Bull Seismol Soc Am,85(2):452–466.
Tian W,Li Z W. 2020. S wave anelastic attenuation of shallow sediments in mainland China[J]. Earth Space Sci,7(10):e2020EA001348. doi: 10.1029/2020EA001348
Toksöz M N,Johnston D H,Timur A. 1979. Attenuation of seismic waves in dry and saturated rocks:I. Laboratory measurements[J]. Geophysics,44(4):681–690. doi: 10.1190/1.1440969
Wang S,Li Z W. 2018. S-wave attenuation of the shallow sediments in the North China basin based on borehole seismograms of local earthquakes[J]. Geophys J Int, 214 :1391−1400.
Wang W,Shearer P M. 2019. An improved method to determine coda- Q,earthquake magnitude,and site amplification:Theory and application to southern California[J]. J Geophys Res: Solid Earth,124(1):578–598. doi: 10.1029/2018JB015961
Wong V,Rebollar C J,Munguía L. 2001. Attenuation of coda waves at the Tres Vírgenes Volcanic area,Baja California Sur,Mexico[J]. Bull Seismol Soc Am,91(4):683–693. doi: 10.1785/0120000025
-
期刊类型引用(3)
1. 孙文魁，唐新功. 华北地区岩石圈有效弹性厚度及其地球动力学意义. 大地测量与地球动力学. 2023(09): 936-944 . 
百度学术
2. 王薇，吴建平，蔡妍. 鄂尔多斯及周边地区上地幔三维P波速度结构及其构造意义. 地震学报. 2023(04): 628-644 . 本站查看
3. 郭雨帆，肖健，付光明，许志山，李清武，黄仁桂，赵影，徐长文，肖建华，袁俊. 华北地块及邻区重力异常特征及地质结构. 地震工程学报. 2023(05): 1075-1084 . 百度学术
其他类型引用(2)
计量
- 文章访问数: 142
- HTML全文浏览量: 57
- PDF下载量: 29
- 被引次数: 5
