An overview of landslide seismic signal analysis based on passive sources
-
摘要:
全球地震台站的增加及数据处理、建模和解释方面的进步为利用地震学研究滑坡区地下介质的动态变化提供了有利条件，使得利用滑坡地震信号研究滑坡特征逐渐成为滑坡监测中的重要手段之一。本文主要介绍了利用被动源地震学方法对滑坡信号进行识别分析和过程监测的技术和实际应用。通过案例研究表明，在合适的条件下，利用滑坡产生的地震信号可以经济又有效地监测滑坡过程，甚至能识别出滑坡灾害的前兆信号，为滑坡灾害预警提供技术支撑。未来若结合其它地球物理或遥感方法，建立多参数地球物理监测系统，将能大幅降低因滑坡灾害所导致的人员伤亡和经济损失。
Abstract:The increase of seismic stations around the world and the progress in data processing, modeling, and interpretation provide favorable conditions for studying the dynamic changes of underground media in landslides, making the study of landslide characteristics using landslide seismic signals gradually become one of the important ways in landslide monitoring. This article mainly introduces the technology and practical application of passive source seismology for landslide signal recognition, analysis, and process monitoring. Many case studies show that seismic signals generated by landslides can be used to monitor the landslide process economically and effectively and even can identify the precursor signals of landslide disasters under appropriate conditions, providing technical support for landslide disaster warnings. If Combined with other geophysical or remote sensing methods, the establishment of a multi-parameter geophysical monitoring system will significantly reduce the casualties and economic losses caused by landslide disasters in the future.
-
Keywords:
- landslides /
- seismology /
- landslide monitoring /
- passive seismic source
-
引言
滑坡是世界上最常见的地质灾害之一，长期以来对人类的生命和财产构成了重大威胁（Alimohammadlou et al，2013；Froude，Petley，2018）。对滑坡开展系统性的监测，如滑坡内部结构、滑坡地貌、滑坡基底、土壤和岩石特性等，有助于了解滑坡的运动过程与致灾机理，为滑坡模型的建立提供关键数据，减少滑坡灾害风险（Dai et al，2002）。传统的滑坡监测方法有遥感技术、现地调查、无人机航拍等，这些方法可以较好地揭示滑坡体表面的变形情况。但越来越多的研究表明，大型滑坡运动过程可能会导致滑坡体内部产生许多变形或破裂（Gomberg et al，1995；Deparis et al，2008；Ekström，Stark，2013；危自根等，2017；Smith et al，2017；盛敏汉等，2018）。而上述传统方法对这些滑坡体内部信号的探测能力有限，无法较好地刻画出滑坡全过程。
近年来，随着地球物理学仪器灵敏度和计算机效能的大幅提升，地球物理方法已成为研究滑坡内部结构、水文及动力学特征的重要手段，并且可以对滑坡过程进行连续监测 （Chao et al，2016；Orozco et al，2018；Provost et al，2018a，b；Whiteley et al，2019）。其中，地震学及地电学方法较常应用于研究滑坡体内部情况（图1）。而其它地球物理方法，如利用探地雷达对滑坡内部的流体或裂隙分布进行成像，或是利用重力测量调查滑坡稳定性 （Jongmans，Garambois，2007），因受限于探测深度或测量难度等因素应用较少。
![]()
地电学方法主要是利用电阻率法和自然电位法探测滑坡结构。电阻率法是一种常规的滑坡调查技术，该方法是利用不同岩石间导电性的差异，对地下介质电阻率分布进行成像；自然电位法主要是测量地下介质中的液体流动产生的自然电位。地电学方法对滑坡体内部的孔隙水盐度和流体循环较为敏感，可以为滑坡的水文动力过程研究提供重要参考。然而，地电学方法目前还是以主动源为主，开展连续观测的成本高，较难以对滑坡进行实时监测。
地震学方法可以远程记录地下介质变形过程，并通过介质物性变化来估算应力-应变情况。地震学现今被广泛用于了解地壳内部的物理过程，甚至是地球表面介质的动力学过程，如冰川运动（Podolskiy，Walter，2016）、雪崩（Pérez-Guillén et al，2016）和滑坡（Deparis et al，2008；Grandjean et al，2009；Harba，Pilecki，2017）。在滑坡观测方面，地震学方法虽然也有用到主动源的监测模式（Grandjean et al，2009；Bièvre et al，2012），但绝大多数仍是以被动源为主（Amitrano et al，2007；Walter et al，2011，2012；Brückl et al，2013；Harba，Pilecki ，2017；Imposa et al， 2017；Provost et al，2017）。
地震学方法中的主动源监测包括地震反射勘探、折射勘探和面波勘探，是利用人工激发出的震源产生地震波经过滑坡体的波形变化来分析滑坡体内部结构，如裂缝分布、含水量等。Bichler等（2004）曾利用P和S波反射勘探技术研究滑坡，成功探测到滑坡内部界面；Kearey等（2002）使用折射勘探技术探测滑坡体内的结构变化，监测了地球物理参数（电阻率、横波速度和瑞雷波衰减）；Bièvre等（2012）利用面波勘探和其它地球物理学观测研究了法国的一处滑坡，揭示了该滑坡内裂缝的分布。地震被动源方法不需对滑坡体施加人工源，主要是对地震记录中滑坡活动过程产生的信号或来自外源的背景噪声信号进行分析。随着地震仪布设密度的逐渐提高以及信号分析技术的精进，越来越多的研究使用地震被动源方法长期监测滑坡过程。被动监测技术包括背景噪声成像、水平向-垂直向波形振幅比、微破裂分析和噪声互相关等，均是利用自然界产生的信号源来分析滑坡体结构和运动过程。背景噪声成像主要用于监测滑坡体内部速度结构，并不针对滑坡体是否存在信号源进行分析。相较之下，其它被动源方法主要监测滑坡体内部岩石破裂演化情况，以滑坡体内部信号源或整个滑坡体产生的振动为主要分析对象，由于不同形态的震源产生的信号特征不同，可以推测滑坡体是以何种模式破裂。本文拟针对利用被动源地震学方法研究滑坡过程的现况进行概述，对未来可能的发展方向提出评述，以期为多物理量滑坡观测系统的建立提供参考。
1. 滑坡事件的地震信号特征
早在1967年，Cadman和Goodman （1967）就从实验室内和野外观测中发现处于斜坡的介质在破裂前会产生高频（10—1000 kHz）的声发射（体波）信号。二十世纪九十年代开始，陆续有研究发现在滑坡孕育过程中，地下介质会产生微地震（以下简称滑坡微震）信号，这些信号有助于了解滑坡体在运动过程中的破裂演化情况。Gomberg等（1995）曾在美国科罗拉多州内进行滑坡观测，认为滑坡断裂过程与地壳内的断层破裂过程相似，滑坡体运动会产生滑坡微震和蠕滑事件。其后的许多研究结果也表明滑坡从孕育阶段到最后的滑坡发生均会产生滑坡微震（Michlmayr et al，2012；Poli，2017；Smith et al，2017；Schöpa et al，2018），这些事件信号可以被大多数的宽频或便携式地震仪所记录到，因此滑坡微震逐渐成为一种有前景的滑坡监测方法。
根据介质在破裂面两侧的运动，破裂产生有三种基本模式：拉张，滑动和撕裂。除了滑动之外，拉张和撕裂通常是由介质的脆性破坏或土壤干燥过程所造成。在滑坡过程中，由于滑坡体介质韧性较低、深度较浅，大多数破裂以拉张模式发生（Stumpf et al， 2013），地面振动或风化作用和介质本身自有的重力荷载也会导致破裂面形成。在滑坡体的底部（即滑脱面）和边缘处，主要是由剪切应力变化而造成的破裂，通常是以滑动方式存在，并产生地震信号。除了滑动之外，破裂的剪切或张开−闭合过程也会产生微震信号。Provost等（2018b）曾对不同类型的滑坡事件信号进行分类，基于其信号的持续时间和能量频率段分布，滑坡微震可以分为三大类（图2）：块状落石（rockfall）、颗粒流（granular flow）和滑坡震（slopequake），简述如下：
![]()
图 2 滑坡源示意图（修改自Provost等，2018b）（a） 湿粒状流；（b） 干粒状流；（c） 落石；（d） 张拉裂隙张开；（e） 裂隙拉张；（f） 剪切作用；（g） 裂隙内流体运移Figure 2. Conceptual figure of the landslide sources （modified from Provost et al，2018b）（a） Wet granular flow；（b） Dry granular flow；（c） Rockfall； （d） Tensile fracture opening；（e） Tensile cracks opening； （f） Shearing；（g） Fluid migration in fracture1） 块状落石
Hibert等（2017a，b）用人工方式制造块状落石坠落情况，以估计它们在不同的斜坡撞击时的速度，结果显示，地震波形信号的主要能量分布在10 Hz以上（图3a），地震波振幅与碰撞时块状落石的动量相关，并计算出落石撞击后地震波在传播过程中损失的势能、动能和撞击辐射能量之间的关系。自然情况下的块状落石波形呈现与人工模拟的情况相似，但持续时间会与坠落的高度相关，信号持续的时长可能从数秒到数十秒 （Provost et al，2018b）。块状落石产生的能量与体积成正比，但落石的质量越大，能量集中的频段越低（Farin et al，2014；Hibert et al，2014；Burtin et al，2016）。
![]()
图 3 不同类型的滑坡信号（修改自Provost et al，2018b）（a） 块状落石；（b） 干颗粒流；（c） 湿颗粒流；（d） 低频滑坡震；（e） 高频滑坡震；（f） 混合型滑坡震。滑坡地点标记在各图上，不同颜色代表同一事件被不同台站记录到的波形，Amax表示波形信号的最大振幅值Figure 3. Landslide seismic signals （modified from Provost et al，2018b）（a） Rock fall；（b） Dry granular flow；（c） Wet granular flow；（d） Low-frequency slopequakes；（e） High-frequency slopequakes；（f） Hybrid slopequake。The landslide sites are shown on each figure. Different colors represent the waveforms of the same event recorded by different stations，and Amax represents the maximum amplitude value of the waveform signal2） 颗粒流
颗粒流的持续时间常在数十秒到数千秒之间，根据发生时的构造背景含水条件（如：降雨）主要可以分为干颗粒流和湿颗粒流两类，而雪茄状形态的波形又是颗粒流信号的代表性特征（Provost et al，2018b）：① 干颗粒流，一般持续时间在500 s之内，波形前大后小，形似雪茄，能量分布的主频段在1—35 Hz之间，最大功率谱密度（power spectral density，缩写为 PSD）值介于5—10 Hz之间（图3b）；② 湿颗粒流（如泥石流），由于土壤颗粒含水后黏度增加，会使得湿颗粒流的移动过程加长，因此一般的信号持续时间在几千秒到几万秒之间（图3c），信号的振幅变化与流经地震仪附近的物体质量相关，当湿颗粒流与地震台的距离逐渐缩短时，信号的振幅会逐渐增加，随后相对低频的能量逐渐减少（Burtin et al，2016；Walter et al，2017）。
3） 滑坡震
滑坡震是指滑坡体内因原有破裂拉伸或闭合、介质产生新破裂或相对运动以及流体迁移等机制产生的震源。Provost等（2018b）将滑坡震分成单纯型和复杂型，简述如下：
单纯型滑坡震。信号持续的时间非常短，通常在2 s之内。依能量分布的频段可以细分为：低频滑坡震、高频滑坡震和混合型滑坡震。低频滑坡震信号具体到时较难确认，波形一般只有一个峰值，功率谱密度高值集中在5—25 Hz，平均值落在10—15 Hz之间（图3d）。高频滑坡震的信号持续时长和低频滑坡震类似，但信号初达波为脉冲形态，最大振幅出现在信号起始处，功率谱密度高值集中在3—45 Hz，平均值落在20—30 Hz之间（图3d）。混合型滑坡震包含低频和高频滑坡震的特点，初达波以脉冲型态为主，但后续波形则类似于低频滑坡震的尾波。
Tonnellier等（2013）通过分析法国和意大利的滑坡事件，认为此类单纯型滑坡震信号与滑坡体内部的剪切或滑动有关。Colombero等 （2018）从实验室和野外观测结果推论滑坡体内的破裂可能是造成这些滑坡震的主因，而破裂可能是由于温度差造成的热胀冷缩，促使应力变化所导致。不同的滑坡震能量分布的频率段存在差异可能是源于台站收到的信号经历了传播介质衰减的影响，但也有可能是不同震源破裂速度和破裂型态所导致（Mikesell et al，2012；Thomas et al，2016；Colombero et al，2018）。
复杂型滑坡震。其波形基本特征与单纯型滑坡震类似，能量分布频段主要在5—100 Hz，但是带有前兆或类似微震颤（tremor）信号。Poli （2017）发现2017年格陵兰岛努加恰克滑坡发生前出现了明显的微震颤形态前兆信号。前兆信号随时间演化的结果显示在滑坡发生前数小时就坡体开始滑动，滑动的方式主要以无震滑移为主，滑移速度呈指数增长，滑坡的短临孕育过程与断层孕震过程中的成核机制相近。Bell （2018）则针对2017年努加恰克滑坡的前兆信号再现率进行拟合，发现信号出现的频率相当高，暗示滑坡体从开始运动到最后发生大规模崩陷的时间非常短。整体而言，复杂型滑坡震的信号相较于单纯型滑坡震信号仍存在较多未知，后续仍需要进一步研究来揭示相关机理。
根据前人对滑坡信号的研究，可以简单对块状落石、颗粒流和滑坡震信号特征作出两点总结：① 从信号持续时间来看，颗粒流＞块状落石＞滑坡震；② 通常情况下，单一滑坡震事件释放的能量小于块状落石和颗粒流。然而，自然界常存在复合型的滑坡，使得滑坡信号呈现多样性，目前仍难以对所有的信号特征提出一个统一的分类标准。
2. 滑坡体结构与运动过程监测
几十年来，滑坡发生前的地下介质动态变化一直为人们所关注，滑坡微震的出现常是地下介质变化的表征。自从Gomberg等（1995）利用地震学方法系统地监测美国科罗拉多的滑坡过程后，随后陆续有研究以滑坡微震信号为目标，尝试对滑坡的动力学过程进行监测。
经过数十年的研究，Whiteley等（2019）归纳出了可以使用地球物理方法进行研究的滑坡基本模型（图4）。在此模型中，滑坡体基本上沿着地表之下的滑脱面移动，在滑坡孕育过程中，滑坡体上缘的地表可以观测到受拉张应力作用的表征（例如：地表裂缝）；滑坡体下缘的地表可以观测到受压缩应力作用的表征（例如：地表隆起）。这个模型的特征是地下介质存在不连续性（例如：存在滑脱面）或材料物性有明显差异（例如：含水量或孔隙压力差异）。因此，在野外的实际观测中，可被用于滑坡过程连续监测的地球物理学仪器必须满足以下四点要求（Whiteley et al，2019）：
![]()
1） 所选择的仪器和方法必须能够检测到地下介质物性变化或过程（例如：滑坡微震）；
2） 相对介质物性变化率，仪器的数据采样率相对于监测过程中的变化而言必须足够高，以便能建立完整的数据集；
3） 测量设备须能够在一系列的野外工作中精确地被重新定位，若为半永久性监测台站，必须精确地定位台站的位置。
4） 理想情况下，仪器记录到的数据须反映出地下介质物性随时间的变化。
现今的条件下，绝大多数用于野外的地震仪均可满足上述要求，因此关于利用地震波形分析滑坡过程的相关研究不断涌现。如：冰岛Askja火山（Schöpa et al，2018）、中国四川地区（Fan et al，2017；盛敏汉等，2018；Li et al，2019；Zhao et al，2020）、中国台湾地区（Chen et al，2013；Lin et al，2015；Chao et al，2016，2017）、日本伊津岛（Ogiso，Yomogida， 2015）、加拿大Mount Meager地区（Zhang，He，2019）、加拿大格陵兰岛（Poli，2017）、美国科罗拉多州（Gomberg et al，2011）、法国阿尔卑斯山脉（Amitrano et al，2007；Provost et al， 2017）等，均有监测滑坡的连续地震波形记录。然而，并非所有地球物理学相关的仪器均完全满足前述四点要求，例如：探地雷达和重力仪虽可对滑坡内部结构进行探测，但却难以作为长期监测滑坡的工具（Hruska，Hubatka，2000；Jongmans，Garambois ，2007）。
由于滑坡本身的信号特征和地震波衰减等因素，用于长期监测滑坡的地震仪以宽频地震仪（频宽约0.01—100 Hz）和短周期地震仪（频宽约0.1—100 Hz）为主。较常见的宽频地震仪有Nanometrics生产的STS和Trillium系列、Güralp生产的Güralp 6系列等，短周期地震仪有Lennartz生产的3Dlite，中地装（重庆）地质仪器有限公司生产的EPS系列，Güralp生产的Güralp 40系列等（Amitrano et al，2007；Lin et al，2015；Chao et al，2017；Provost et al，2017；Walter et al， 2017；盛敏汉等，2018）。其它型态的地震仪，如强震仪和声发射传感器也可用于野外监测。强震仪通常用于记录强地面运动，有文献记载用于滑坡监测的如KINEMETRICS生产的EPISENSOR系列、Sercel生产的Sercel DSU3等（Lenti et al，2013；Helmstetter et al，2015），由于对小振幅的地表运动灵敏度不如宽频及短周期地震仪，较难以单独使用在长期滑坡监测上。声发射传感器可以记录极高频（10 Hz至10 MHz）的信号，将其与强震仪结合使用，可用于实验室尺度的滑坡模拟或是野外滑坡内部介质微小变化监测（Michlmayr et al，2012；Smith et al，2017）。
在滑坡监测的研究案例中，有些使用现有的地震观测台网监测滑坡信号（如：Lin et al，2015；Chao et al，2016，2017；Poli，2017；Li et al，2019；Zhao et al，2020），有些则是专门为了监测滑坡孕育过程中的细微变化布设地震仪（如：Amitrano et al，2007；Provost et al，2017，2018a；盛敏汉等，2018）。现有研究表明，大型滑坡事件发生时产生的低频（小于0.1 Hz）地震波可以传播数百千米以上，其信号可以被固定宽频地震台所记录，并用于反演滑坡动力学过程。由于滑坡过程中产生的高频微破裂或微震信号衰减较快，较难以被远距离的地震台站所记录，因此要监测滑坡产生的高频信号，通常要在滑坡体上及其周边有限距离内布设仪器。在滑坡体上的地震仪通常和其它地球物理仪器（如大地测量、地电仪器等）一起布设，在滑坡周边地震仪的布设取决于地质条件和仪器种类，在距离滑坡体1 km范围内较能记录到高频信号（Podolskiy，Walter，2016；Hibert et al，2017a；盛敏汉等，2018；Provost et al，2018b）。
Amitrano 等（2007）利用地震仪所记录到的水平-竖向谱比监测滑坡体内部结构变化，结果表明降雨能改变滑坡介质的物性（如密度）。Renalier等（2010）利用互相关技术分析法国阿尔卑斯山地区Avignonet滑坡的连续波形记录，发现有两个地震仪之间的地震波到时增加，推测到时增加的主因是滑坡体内部裂隙增加。Brückl和Mertl （2006）利用地震学、大地测量等方法研究了阿尔卑斯山脉东部一处滑坡，发现在滑坡主体开始以较高速率滑动时，滑坡微震的数量明显增加。Walter和Joswig （2008）利用地震台阵在阿尔卑斯山脉另一处记录到许多极小震级的滑坡微震事件，发现这些事件与地震位移和降雨量高度相关。Gomberg等（2011）研究表明滑坡体和滑脱面以下的介质可以是解耦的，这种情况下滑坡体沿着滑脱面以无震滑移的模式运动，表明滑坡震在滑坡孕育过程中并非一定出现。Walter等（2013）认为滑坡震起源于滑坡体表面不稳定盖层沉积物内的介质破裂，并且这些地震事件的密集程度与滑坡体运动速率相关。Harba和Pilecki （2017）采集了三个不同时期的地震背景噪声数据，计算出波兰南部Just-Tegoborze滑坡区域的频散曲线，并反演出滑坡体剪切波速度。他们结合钻井资料发现，S波速度的速度分界面与滑脱面位置吻合，并且春季土体解冻和降雨的增加使得滑坡含水量增加，进而导致剪切波速度降低。
国内学者对滑坡信号也作了大量研究，例如Zhang等（2020）分析了2013年4月美国犹他州的两次大规模滑坡低频和高频地震信号，根据三个频段（周期为50—150 s、1—50 s和0.3—1 s）的信号源差异，发现低-中频段信号是由滑动过程中的大块体产生的，此外，中频段信号包含沿滑动路径的小颗粒撞击的信息，而高频信号受滑动过程中小尺度介质运动控制，是随机现象叠加后的结果；Li等（2019）利用周期在20—100 s间的地震信号反演2017年四川茂县滑坡过程，揭示了滑动过程中加速、减速和堆积的三段过程。同时，结合现场的地质调查结果，可以推算出滑坡总质量、加速度等重要参数，为日后探讨滑坡动力学过程提供了重要参考；赵娟等（2019）分析2003年7月湖北千将坪滑坡产生的地震信号，揭示了滑坡“静止—加速—减速—前端反倾后整体再加速—静止”的过程，并进一步估算出滑脱面的摩擦系数和滑动距离等参数。国内诸多学者对滑坡信号来源的分析可增进对滑坡过程中产生的地震信号的了解，为滑坡地震学的发展提供了支撑。
长久以来，利用InSAR、地质调查等手段对滑坡灾害进行分析已经是非常成熟的方法。但由于大型滑坡灾害常常发生在较为偏远的地区，使得人类较难以观察到滑坡发生时的动态过程。然而现有的常规观测多为间断性对地观测，不容易捕捉到滑坡发生时的连续变化，制约了对滑坡动力过程的理解。若能对滑坡过程的物理性质，如应力变化、能量释放等作定量分析，可以为滑坡灾害评估及后续救援提供关键支撑。Ekström和Stark （2013）率先利用全球不同地区的滑坡事件波形反演滑坡发生时的动力学过程，结合来自卫星影象的资讯，提出了滑坡作用力、持续时间、能量耗损等重要物理量之间的关系，其结果表明连续地震波形记录对揭示滑坡动力学过程有重要助益，随后对在其它地区的研究也同样证实地震波形是刻画滑坡发生过程及其相关物理量的重要工具（Lin et al，2015；Chao et al，2016，2017；Schöpa et al，2018；Zhang，He ，2019）。
几年来国内外均有利用地震学方法连续监测滑坡的案例，例如Cook等（2021）利用区域密集地震台网数据结合遥感数据分析2021年2月7日印度北部北阿坎德邦泥石流事件，此事件造成100余人伤亡，且破坏了两处水电设施，是近年来印度发生的重要滑坡灾害之一。其研究表明北阿坎德邦泥石流的运动过程主要可分为三个阶段，每阶段的地震信号特征不同。第一阶段开始于当地时间10时21分14秒，是约2700万m3的岩石滑坡崩落，夹带着冰和基岩碎屑；第二阶段以冰和第一阶段岩石碎屑为主，整个滑坡前沿以25 m/s的速度向下滑动，在滑动过程中物质大量沉积，使得滑坡辐射出的地震能量持续下降；最后阶段滑坡移动速率下降到平均10.6 m/s，产生的地震能量远低于前两个阶段。Cook等（2021）证实了利用地震学方法可以在滑坡发生之初从连续地震记录中识别出事件造成的地表振动信号，并可以连续追综滑坡移动路径，在不同的位置也许可以提前9—30分钟收到预警，是滑坡灾害早期预警的重要手段之一；Bontemps等（2020）利用3年的地震和大地测量监测数据分析秘鲁马卡滑坡在长期缓慢运动过程中（滑动速率约1.5—7 m/a）的物性变化过程。监测结果表明当地震为M＞5.0时会导致滑坡体岩石裂缝增加，使其内部刚性（rigidity）降低，一旦滑坡的刚度下降到某个阈值以下，就会产生变形和位移，滑坡体进入一个临界状态，容易受外在条件触发。随时间推移，裂缝会逐渐愈合，而在此过程中，降雨和小地震（M＜3.6）的发生会阻碍愈合。这些结果有助于更好地理解地震与降水在滑坡过程中的作用，并为滑坡灾害预测提供了关键的参考资料；盛敏汉等（2018）在四川理县西山村滑坡布设了密集地震台网，对滑坡微震信号进行识别与定位，结果表明滑坡过程的能量释放主要集中在滑坡底部和表面，且以底部的微震活动性较高，而滑坡中部微震释放的能量较低。此外，滑坡微震的信号源与当地钻孔测到的不稳定区域较为吻合，推测这些信号与滑坡体本身的运动和形变相关。这些案例说明利用地震数据监测滑坡具有一定的可行性，是了解滑坡过程的利器。
随着地震信号处理技术的精进和世界地震台网密度不断提高，有些地区已仿照生成地震目录的处理流程建立滑坡目录（Hammer et al，2013；Dammeier et al，2016；Provost et al，2017），其核心概念是利用程序识别滑坡发生时产生的波形信号，但如何做到类似地震速报，尽可能正确地将滑坡信号从日常连续波形中挑选出来是一个非常有挑战性的工作。和常规地震目录生成的处理流程相近，滑坡事件信号处理依次是波形检测、分类和事件源定位。建立一个通用的分析流程仍是困难的工作，主要由于滑坡事件辐射出的能量通常较低（震级小），加上传播过程中的能量衰减，使得滑坡信号的信噪比不高，正确识别信号具有难度。常见的自动识别方法是利用傅里叶变换或功率谱密度（短时窗傅里叶变换）结合短/长时窗振幅比（STA/LTA）值或其它标准，如持续时间，判定滑坡信号。然而，虽然这些方法都已相当成熟，但阈值的判定仍较为困难，很大程度还需要人工干预。
利用机器学习来监测滑坡信号已逐渐发展起来。Hammer等（2013）利用机器学习开发出了一种隐马尔可夫模型（hidden Markov model）自动扫描波形数据，该算法能实现滑坡事件自动分类，即不需要繁琐的收集训练样本的过程，也不需要对分类标准进行设置。Dammeier等（2016）将隐马尔可夫模型应用到瑞士中部地区两个台站近14年的连续地震数据，探测以前未知的事件，成功识别出30个新的滑坡事件，并且这套分析流程可以和现有的常态地震观测台网相结合，具有相当大的应用前景。Provost等（2017）结合短/长时窗振幅比提出了一种自动识别滑坡信号的方法，并应用在法国南部阿尔卑斯山脉的滑坡监测，与人工识别相比具有93%的灵敏度。由于滑坡从开始到抵达下游城镇的时间约为半小时，因此他们认为地震台网可以有效地监测滑坡和泥石流，并在事件发生几分钟内向下游提供预警。有别于常规自动识别滑坡信号的方法，Chao等（2017）为滑坡事件实时判定和监测提供了新的思路，他们利用中国台湾地区的固定宽频台网建立了一套滑坡事件自动识别系统，主要利用网格搜索的方式将已建立的滑坡正演结果与实时截取的地震波形进行对比，若吻合度超过设定的阈值即判定此地震在波形内存在。在合理的台站分布下，此方法可以有效判定信噪比大于5，体积大于106 m3和面积超过0.2 km2的滑坡事件，但是对于小型滑坡的判定存在一定的限制。
3. 结论与展望
在近代的滑坡监测中，地球物理学方法逐渐成为重要手段之一，其中被动源地震学方法的成本相对较低，效率相对较高，能够提供有关滑坡过程演变的高分辨率时间信息，成为连续实时监测滑坡过程的主要工具。在过去的二十多年，利用滑坡微震揭示滑坡机理的研究取得了相当多成果。随着近年来全球数字地震台网建设的不断完善，未来采用已有的地震观测台网进行滑坡监测将成为一个趋势，尤其是在国内的滑坡高发地区，基于连续地震波形的监测手段将可以大大提高监测效率。与此同时，利用地震台网监测滑坡还有一些挑战，在此简单列举三点：
1） 如何正确识别不同类型的滑坡波形信号是首先要解决的问题。虽然前人已对滑坡信号的基本特征和信号识别提出了许多实例和方法，对于大型滑坡而言，其辐射出的低频能量可以传播很远，结合现有的宽频固定台网，识别这些低频信号相对较易。相较之下，小型滑坡事件或滑坡内部的微地震信号传播距离有限，信噪比低，从海量的波形数据中将这些信号正确识别出来并进行信号源定位仍需要进行更多深入的研究。
2） 滑坡被动源信号分析。在过去的几十年里，前文提及的研究记录了由各种类型滑坡（不同的运动状态和岩石/土壤介质）产生的地震信号，这些研究提高了我们对滑坡机制的认识。与此同时，滑坡源的复杂性导致了信号具有较大的可变性（Gomberg et al，2011；Tonnellier et al，2013；Provost et al，2018b）。现有的被动源信号分析面临的一个重大挑战是大量数据的质量评估和信号处理的时间要求。目前大多数数据仍然是手动评估和处理的，但已有数种针对滑坡信号实时自动监测或识别的方法，且均取得了较好的效果（Hammer et al，2013；Dammeier et al，2016）。此外，尽管被动源地震学方法被广泛用于滑坡信号的回顾性分析和滑坡相关的地震活动分析，但尚未充分利用于监测滑坡发生前地下条件的演变，这可能是未来滑坡信号分析相关研究的热点。然而，目前尚未有一个世界性通用的分析手段，建立一个可适用于不同地区的基本信号分析流程是相当具有挑战性的工作。
3） 联合监测系统的建立。被动源地震学方法监测滑坡的优势明显，但其短板是无法直观地了解滑坡的地表情况，无人机技术（Walter et al，2009）、干涉合成孔径雷达（Hilley et al，2004）、其它遥感技术（Kirschbaum et al，2015）的发展提高了监测地表变形的时间和空间分辨率。此外，由于分布式光纤对于外界环境变化如应变和温度都有响应，未来也许可以用于长期滑坡监测（Palis et al，2017；Clarkson et al，2021）。如何使地震监测指标与现有滑坡监测预警指标进行融合，厘清滑坡岩石结构与物性参数的影响机制，仍是一个需努力的方向。
本文描述了利用被动源地震学方法研究滑坡的现状，并着重于滑坡相关信号的特征与监测。由于收集的文献有限，这里仅介绍了滑坡地震学应用的一些侧面，随着仪器和观测技术的不断扩展，基于被动源地震学方法的滑坡监测体系是非常令人期待的。
湖北省地质局地球物理勘探大队的正高职高级工程师王建军和工程师周世昌对本文提出了有益的建议，在此一并表示感谢。
-
![]()
![]()
图 2 滑坡源示意图（修改自Provost等，2018b）
（a） 湿粒状流；（b） 干粒状流；（c） 落石；（d） 张拉裂隙张开；（e） 裂隙拉张；（f） 剪切作用；（g） 裂隙内流体运移
Figure 2. Conceptual figure of the landslide sources （modified from Provost et al，2018b）
（a） Wet granular flow；（b） Dry granular flow；（c） Rockfall； （d） Tensile fracture opening；（e） Tensile cracks opening； （f） Shearing；（g） Fluid migration in fracture
![]()
图 3 不同类型的滑坡信号（修改自Provost et al，2018b）
（a） 块状落石；（b） 干颗粒流；（c） 湿颗粒流；（d） 低频滑坡震；（e） 高频滑坡震；（f） 混合型滑坡震。滑坡地点标记在各图上，不同颜色代表同一事件被不同台站记录到的波形，Amax表示波形信号的最大振幅值
Figure 3. Landslide seismic signals （modified from Provost et al，2018b）
（a） Rock fall；（b） Dry granular flow；（c） Wet granular flow；（d） Low-frequency slopequakes；（e） High-frequency slopequakes；（f） Hybrid slopequake。The landslide sites are shown on each figure. Different colors represent the waveforms of the same event recorded by different stations，and Amax represents the maximum amplitude value of the waveform signal
-
盛敏汉,储日升,危自根,包丰,郭爱智. 2018. 四川省理县西山村滑坡运动变形过程中的微震研究[J]. 地球物理学报,61(1):171–182. Sheng M H,Chu R S,Wei Z G,Bao F,Guo A Z. 2018. Study of microseismicity caused by Xishancun landslide deformation in Li County,Sichuan Province[J]. Chinese Journal of Geophysics,61(1):171–182 (in Chinese).
危自根,储日升,李志伟,盛敏汉,张海江,王宝善. 2017. 利用近震高频接收函数研究四川理县西山村滑坡体结构[J]. 地球物理学报,60(10):3793–3803. Wei Z G,Chu R S,Li Z W,Sheng M H,Zhang H J,Wang B S. 2017. Structures of Xishan village landslide in Li County,Sichuan,inferred from high-frequency receiver functions of local earthquakes[J]. Chinese Journal of Geophysics,60(10):3793–3803 (in Chinese).
赵娟,漆静晨,杨佳琛,陈何玲. 2019. 基于地震信号反演滑坡动力学机制[J]. 大地测量与地球动力学,39(10):1007–1012. Zhao J,Qi J C,Yang J C,Chen H L. 2019. Inverted landslide dynamics based on seismic signals[J]. Journal of Geodesy and Geodynamics,39(10):1007–1012 (in Chinese).
Alimohammadlou Y,Najafi A,Yalcin A. 2013. Landslide process and impacts:A proposed classification method[J]. Catena,104:219–232. doi: 10.1016/j.catena.2012.11.013
Amitrano D,Gaffet S,Malet J P,Maquaire O. 2007. Understanding mudslides through micro-seismic monitoring:The Super-Sauze (South-East French Alps) case study[J]. Bull Soc Géol Fr,178(2):149–157.
Bell A F. 2018. Predictability of landslide timing from quasi-periodic precursory earthquakes[J]. Geophys Res Lett,45(4):1860–1869. doi: 10.1002/2017GL076730
Bièvre G,Jongmans D,Winiarski T,Zumbo V. 2012. Application of geophysical measurements for assessing the role of fissures in water infiltration within a clay landslide (Trièves area,French Alps)[J]. Hydrol Process,26(14):2128–2142. doi: 10.1002/hyp.7986
Bichler A,Bobrowsky P,Best M,Douma M,Hunter J,Calvert T,Burns R. 2004. Three-dimensional mapping of a landslide using a multi-geophysical approach:The Quesnel Forks landslide[J]. Landslides,1(1):29–40. doi: 10.1007/s10346-003-0008-7
Bontemps N,Lacroix P,Larose E,Jara J,Taipe E. 2020. Rain and small earthquakes maintain a slow-moving landslide in a persistent critical state[J]. Nat Commun,11:780. doi: 10.1038/s41467-020-14445-3
Brückl E, Mertl S. 2006. Seismic monitoring of deep-seated mass movements[C]// Disaster Mitigation of Debris Flows, Slope Failures and Landslides. Tokyo: Universal Academic Press: 571–580.
Brückl E,Brunner F K,Lang E,Mertl S,Müller M,Stary U. 2013. The gradenbach observatory:Monitoring deep-seated gravitational slope deformation by geodetic,hydrological,and seismological methods[J]. Landslides,10(6):815–829. doi: 10.1007/s10346-013-0417-1
Burtin A,Hovius N,Turowski J M. 2016. Seismic monitoring of torrential and fluvial processes[J]. Earth Surf Dynam,4(2):285–307. doi: 10.5194/esurf-4-285-2016
Cadman J D,Goodman R E. 1967. Landslide noise[J]. Science,158(3805):1182–1184. doi: 10.1126/science.158.3805.1182
Chao W A,Zhao L,Chen S C,Wu Y M,Chen C H,Huang H H. 2016. Seismology-based early identification of dam-formation landquake events[J]. Sci Rep,6(1):19259. doi: 10.1038/srep19259
Chao W A,Wu Y M,Zhao L,Chen H,Chen Y G,Chang J M,Lin C M. 2017. A first near real-time seismology-based landquake monitoring system[J]. Sci Rep,7(1):43510. doi: 10.1038/srep43510
Chen C H,Chao W A,Wu Y M,Zhao L,Chen Y G,Ho W Y,Lin T L,Kuo K H,Chang J M. 2013. A seismological study of landquakes using a real-time broad-band seismic network[J]. Geophys J Int,194(2):885–898. doi: 10.1093/gji/ggt121
Clarkson P, Crickmore R, Godfrey A, Minto C, Purnell B, Gunn D, Dashwood B, Chambers J, Watlet A, Whiteley J. 2021. Ground condition monitoring of a landslide using distributed Rayleigh sensing[C]//EAGE GeoTech 2021 Second EAGE Workshop on Distributed Fibre Optic Sensing. European Association of Geoscientists & Engineers: 1–5.
Colombero C,Comina C,Vinciguerra S,Benson P M. 2018. Microseismicity of an unstable rock mass:From field monitoring to laboratory testing[J]. J Geophys Res:Solid Earth,123(2):1673–1693. doi: 10.1002/2017JB014612
Cook K L,Rekapalli R,Dietze M,Pilz M,Cesca S,Rao N P,Srinagesh D,Paul H,Metz M,Mandal P,Suresh G,Cotton F,Tiwari V M,Hovius N. 2021. Detection and potential early warning of catastrophic flow events with regional seismic networks[J]. Science,374(6563):87–92. doi: 10.1126/science.abj1227
Dai F C,Lee C F,Ngai Y Y. 2002. Landslide risk assessment and management:An overview[J]. Eng Geol,64(1):65–87. doi: 10.1016/S0013-7952(01)00093-X
Dammeier F,Moore J R,Hammer C,Haslinger F,Loew S. 2016. Automatic detection of alpine rockslides in continuous seismic data using hidden Markov models[J]. J Geophys Res:Earth Surf,121(2):351–371. doi: 10.1002/2015JF003647
Deparis J,Jongmans D,Cotton F,Baillet L,Thouvenot F,Hantz D. 2008. Analysis of rock-fall and rock-fall avalanche seismograms in the French Alps[J]. Bull Seismol Soc Am,98(4):1781–1796. doi: 10.1785/0120070082
Ekström G,Stark C P. 2013. Simple scaling of catastrophic landslide dynamics[J]. Science,339(6126):1416–1419. doi: 10.1126/science.1232887
Fan X M,Xu Q,Scaringi G,Dai L X,Li W L,Dong X J,Zhu X,Pei X J,Dai K R,Havenith H B. 2017. Failure mechanism and kinematics of the deadly June 24th 2017 Xinmo landslide,Maoxian,Sichuan,China[J]. Landslides,14(6):2129–2146. doi: 10.1007/s10346-017-0907-7
Farin M,Mangeney A,Roche O. 2014. Fundamental changes of granular flow dynamics,deposition,and erosion processes at high slope angles:Insights from laboratory experiments[J]. J Geophys Res:Earth Surf,119(3):504–532. doi: 10.1002/2013JF002750
Froude M J,Petley D N. 2018. Global fatal landslide occurrence from 2004 to 2016[J]. Nat Hazards Earth Syst Sci,18(8):2161–2181. doi: 10.5194/nhess-18-2161-2018
Gomberg J,Bodin P,Savage W,Jackson M E. 1995. Landslide faults and tectonic faults,analogs?The Slumgullion earthflow,Colorado[J]. Geology,23(1):41–44. doi: 10.1130/0091-7613(1995)023<0041:LFATFA>2.3.CO;2
Gomberg J,Schulz W,Bodin P,Kean J. 2011. Seismic and geodetic signatures of fault slip at the Slumgullion Landslide Natural Laboratory[J]. J Geophys Res:Solid Earth,116(B9):B09404.
Grandjean G,Hibert C,Mathieu F,Garel E,Malet J P. 2009. Monitoring water flow in a clay-shale hillslope from geophysical data fusion based on a fuzzy logic approach[J]. Compt Rend Geosci,341(10/11):937–948.
Hammer C,Ohrnberger M,Fäh D. 2013. Classifying seismic waveforms from scratch:A case study in the alpine environment[J]. Geophys J Int,192(1):425–439. doi: 10.1093/gji/ggs036
Harba P,Pilecki Z. 2017. Assessment of time–spatial changes of shear wave velocities of flysch formation prone to mass movements by seismic interferometry with the use of ambient noise[J]. Landslides,14(3):1225–1233. doi: 10.1007/s10346-016-0779-2
Helmstetter A,Nicolas B,Comon P,Gay M. 2015. Basal icequakes recorded beneath an Alpine glacier (Glacier d’Argentière,Mont Blanc,France):Evidence for stick-slip motion?[J]. J Geophys Res:Earth Surf,120(3):379–401. doi: 10.1002/2014JF003288
Hibert C,Mangeney A,Grandjean G,Baillard C,Rivet D,Shapiro N M,Satriano C,Maggi A,Boissier P,Ferrazzini V,Crawford W. 2014. Automated identification,location,and volume estimation of rockfalls at Piton de la Fournaise volcano[J]. J Geophys Res:Earth Surf,119(5):1082–1105. doi: 10.1002/2013JF002970
Hibert C,Malet J P,Bourrier F,Provost F,Berger F,Bornemann P,Tardif P,Mermin E. 2017a. Single-block rockfall dynamics inferred from seismic signal analysis[J]. Earth Surf Dynam,5(2):283–292. doi: 10.5194/esurf-5-283-2017
Hibert C,Mangeney A,Grandjean G,Peltier A,DiMuro A,Shapiro N M,Ferrazzini V,Boissier P,Durand V,Kowalski P. 2017b. Spatio-temporal evolution of rockfall activity from 2007 to 2011 at the Piton de la Fournaise volcano inferred from seismic data[J]. J Volcanol Geoth Res,333-334:36–52. doi: 10.1016/j.jvolgeores.2017.01.007
Hilley G E,Burgmann R,Ferretti A,Novali F,Rocca F. 2004. Dynamics of slow-moving landslides from permanent scatterer analysis[J]. Science,304(5679):1952–1955. doi: 10.1126/science.1098821
Hruska J, Hubatka F. 2000. Landslide investigation and monitoring by a high-performance ground penetrating radar system[C]//8th International Conference on Ground Penetrating Radar. Gold Coast: SPIE.
Imposa S,Grassi S,Fazio F,Rannisi G,Cino P. 2017. Geophysical surveys to study a landslide body (north-eastern Sicily)[J]. Nat Hazards,86:327–343.
Jongmans D,Garambois S. 2007. Geophysical investigation of landslides:A review[J]. Bull Soc Géol Fr,178(2):101–112.
Kearey P, Brooks M, Hill I. 2002. An Introduction to Geophysical Exploration[M]. Oxford: Blackwell: 262.
Kirschbaum D,Stanley T,Zhou Y P. 2015. Spatial and temporal analysis of a global landslide catalog[J]. Geomorphology,249:4–15. doi: 10.1016/j.geomorph.2015.03.016
Lenti L, Martino S, Paciello A, Prestininzi A, Rivellino S. 2013. Seismometric monitoring of hypogeous failures due to slope deformations[M]//Margottini C, Canuti P, Sassa K, eds. Landslide Science and Practice. Berlin, Heidelberg: Springer: 309–315.
Li W,Chen Y,Liu F,Yang H F,Liu J L,Fu B H. 2019. Chain-style landslide hazardous process:Constraints from seismic signals analysis of the 2017 Xinmo landslide,SW China[J]. J Geophys Res:Solid Earth,124(2):2025–2037. doi: 10.1029/2018JB016433
Lin C H,Jan J C,Pu H C,Tu Y,Chen C C,Wu Y M. 2015. Landslide seismic magnitude[J]. Earth Planet Sci Lett,429:122–127. doi: 10.1016/j.jpgl.2015.07.068
Michlmayr G,Cohen D,Or D. 2012. Sources and characteristics of acoustic emissions from mechanically stressed geologic granular media:A review[J]. Earth-Sci Rev,112(3/4):97–114.
Mikesell T D,van Wijk K,Haney M M,Bradford J H,Marshall H P,Harper J T. 2012. Monitoring glacier surface seismicity in time and space using Rayleigh waves[J]. J Geophys Res:Earth Surf,117(F2):F02020.
Ogiso M,Yomogida K. 2015. Estimation of locations and migration of debris flows on Izu-Oshima Island,Japan,on 16 October 2013 by the distribution of high frequency seismic amplitudes[J]. J Volcanol Geoth Res,298:15–26. doi: 10.1016/j.jvolgeores.2015.03.015
Orozco A F,Bücker M,Steiner M,Malet J P. 2018. Complex-conductivity imaging for the understanding of landslide architecture[J]. Eng Geol,243:241–252. doi: 10.1016/j.enggeo.2018.07.009
Palis E,Lebourg T,Tric E,Malet J P,Vidal M. 2017. Long-term monitoring of a large deep-seated landslide (La Clapiere,South-East French Alps):Initial study[J]. Landslides,14(1):155–170. doi: 10.1007/s10346-016-0705-7
Pérez-Guillén C,Sovilla B,Suriñach E,Tapia M,Köhler A. 2016. Deducing avalanche size and flow regimes from seismic measurements[J]. Cold Reg Sci Technol,121:25–41. doi: 10.1016/j.coldregions.2015.10.004
Podolskiy E A,Walter F. 2016. Cryoseismology[J]. Rev Geophys,54(4):708–758. doi: 10.1002/2016RG000526
Poli P. 2017. Creep and slip:Seismic precursors to the Nuugaatsiaq landslide (Greenland)[J]. Geophys Res Lett,44(17):8832–8836. doi: 10.1002/2017GL075039
Provost F,Hibert C,Malet J P. 2017. Automatic classification of endogenous landslide seismicity using the Random Forest supervised classifier[J]. Geophys Res Lett,44(1):113–120. doi: 10.1002/2016GL070709
Provost F,Malet J P,Gance J,Helmstetter A,Doubre C. 2018a. Automatic approach for increasing the location accuracy of slow-moving landslide endogenous seismicity:The APOLoc method[J]. Geophys J Int,215(2):1455–1473. doi: 10.1093/gji/ggy330
Provost F,Malet J P,Hibert C,Helmstetter A,Radiguet M,Amitrano D,Langet N,Larose E,Abancó C,Hürlimann M,Lebourg T,Levy C,Le Roy G,Ulrich P,Vidal M,Vial B. 2018b. Towards a standard typology of endogenous landslide seismic sources[J]. Earth Surf Dynam,6(4):1059–1088. doi: 10.5194/esurf-6-1059-2018
Renalier F,Jongmans D,Campillo M,Bard P Y. 2010. Shear wave velocity imaging of the Avignonet landslide (France) using ambient noise cross correlation[J]. J Geophys Res:Earth Surf,115(F3):F03032.
Schöpa A, Chao W A, Lipovsky B P, Hovius N, White R S, Green R G, Turowski J M. 2018. Dynamics of the Askja caldera July 2014 landslide, Iceland, from seismic signal analysis: Precursor, motion and aftermath[J], Earth Surf Dynam, （6）: 467–485.
Smith A,Dixon N,Fowmes G J. 2017. Early detection of first-time slope failures using acoustic emission measurements:Large-scale physical modelling[J]. Géotechnique,67(2):138–152.
Stumpf A,Malet J P,Kerle N,Niethammer U,Rothmund S. 2013. Image-based mapping of surface fissures for the investigation of landslide dynamics[J]. Geomorphology,186:12–27. doi: 10.1016/j.geomorph.2012.12.010
Thomas A M,Beroza G C,Shelly D R. 2016. Constraints on the source parameters of low-frequency earthquakes on the San Andreas Fault[J]. Geophys Res Lett,43(4):1464–1471. doi: 10.1002/2015GL067173
Tonnellier A,Helmstetter A,Malet J P,Schmittbuhl J,Corsini A,Joswig M. 2013. Seismic monitoring of soft-rock landslides:The Super-Sauze and Valoria case studies[J]. Geophysical Journal International,193(3):1515–1536. doi: 10.1093/gji/ggt039
Walter F,Burtin A,McArdell B W,Hovius N,Weder B,Turowski J M. 2017. Testing seismic amplitude source location for fast debris-flow detection at Illgraben,Switzerland[J]. Nat Hazards Earth Syst Sci,17(6):939–955. doi: 10.5194/nhess-17-939-2017
Walter M,Joswig M. 2008. Seismic monitoring of fracture processes generated by a creeping landslide in the Vorarlberg Alps[J]. First Break,26(6):131–135.
Walter M,Niethammer U,Rothmund S,Joswig M. 2009. Joint analysis of the Super-Sauze (French Alps) mudslide by nanoseismic monitoring and UAV-based remote sensing[J]. First break,27(8):75–82.
Walter M,Walser M,Joswig M. 2011. Mapping rainfall-triggered slidequakes and seismic landslide-volume estimation at heumoes slope[J]. Vadose Zone J,10(2):487–495. doi: 10.2136/vzj2009.0147
Walter M,Arnhardt C,Joswig M. 2012. Seismic monitoring of rockfalls,slide quakes,and fissure development at the Super-Sauze mudslide,French Alps[J]. Eng Geol,128:12–22. doi: 10.1016/j.enggeo.2011.11.002
Walter M,Gomberg J,Schulz W,Bodin P,Joswig M. 2013. Slidequake generation versus viscous creep at softrock-landslides:Synopsis of three different scenarios at slumgullion landslide,heumoes slope,and super-sauze mudslide[J]. J Environ Eng Geophys,18(4):269–280. doi: 10.2113/JEEG18.4.269
Whiteley J S,Chambers J E,Uhlemann S,Wilkinson P B,Kendall J M. 2019. Geophysical monitoring of moisture-induced landslides:A review[J]. Rev Geophys,57(1):106–145. doi: 10.1029/2018RG000603
Zhang Z,He S M. 2019. Analysis of broadband seismic recordings of landslide using empirical Green’s function[J]. Geophys Res Lett,46(9):4628–4635. doi: 10.1029/2018GL081448
Zhang Z,He S M,Li Q F. 2020. Analyzing high-frequency seismic signals generated during a landslide using source discrepancies between two landslides[J]. Eng Geol,272:105640. doi: 10.1016/j.enggeo.2020.105640
Zhao J,Ouyang C J,Ni S D,Chu R S,Mangeney A. 2020. Analysis of the 2017 June Maoxian landslide processes with force histories from seismological inversion and terrain features[J]. Geophys J Int,222(3):1965–1976. doi: 10.1093/gji/ggaa269
下载:
计量
- 文章访问数: 385
- HTML全文浏览量: 101
- PDF下载量: 120
