Detection of clock error and polarity reversal based on surface wave phase measurement and P-wave arrival time
-
摘要:
地震观测中会遇到台站出现时钟错误和波形极性反转等问题，需要在地震数据处理过程中对其进行检测和校正。基于此，本文提出了一种基于地震面波相位测量和P波到时检测台站时钟错误和极性反转的方法，并使用该方法检测了全球30个台网的2 010个台站2008—2012年间MW≥5.5的长周期地震波形数据，对使用本文方法处理结果显示，有12个台站的14个时段出现大于10 s的时钟错误；7个台站的8个时段发生了波形极性反转。表明此方法可以快速准确地检测出地震台站出的现较大时钟错误和极性反转时段，在提高全球面波地震成像质量的同时也为使用相关数据的震源机制反演等研究提供参考。但本文方法难以处理单个事件或时间长度小于1天的时钟错误和极性反转问题，无法对数秒或更小的时钟偏差进行有效检测。
Abstract:With the extensive deployment of seismic observatory networks around the world, the amount of seismic data available for research is rapidly increasing, and the proper utilization of these data can greatly improve our understanding of the dynamics of Earth. However, factors such as failures in station time systems and deployment errors can cause observational data containing clock error and polarity reversal, thereby reducing credibility of the relevant research results. Clock error in waveform data can directly cause time errors in the picking of major phases, which can affect results of source location studies, seismic travel-time tomography etc. Therefore, accurate, fast detection and subsequent correction of clock error and polarity reversal of terabyte sized seismic data, made possible by recent deployments of national and international networks, are important steps in seismic data preprocessing.
The unsynchronized internal and external time systems of station seismometers lead to clock error. Currently, two main methods are used for clock detection and correction of waveform data. The first method uses the difference in P-wave arrival-times of nearby stations to evaluate the clock error of seismometers. However, this method requires high seismicity and clear phase records in the study area, otherwise continuous detection of seismograph clock error cannot be achieved. Another more common method is to use the Green’s function extracted from the inter-station ambient noise to detect the clock error. However, Rayleigh surface waves with a period of less than 20 s attenuate greatly after long-distance propagation, so this method is only suitable for detecting clock error in small- and medium-aperture arrays. Although longer period noise signal can enable the detection of station clock error for ultra-long intercontinental station distances, the study of global surface wave velocity tomography that requires decades of seismic station datasets spread across the globe, both of these detection methods are not applicable. Therefore, it is important to propose new methods for efficient and accurate clock error detection for a decades and worldwide seismic station dataset.
Factors such as, incorrect orientation of the seismometers installed at the station, incorrect cable connections, and symbol errors during digitization, can lead to polarity reversal of the waveform. Like clock error, detection and correction of polarity reversal can increase accuracy of results e.g. in seismic source mechanism inversion.
Although the clock error and polarity reversal problems of seismic stations have different mechanisms, both of them are manifested in the phase of the waveform recordings, which results in anomalies in the measured travel-times. Therefore, it is feasible and meaningful to propose a method that can detect clock error and polarity reversal simultaneously.
The method in this paper utilizes the combination of seismic surface wave relative travel-time measurements and P-wave arrivals to achieve an efficient method of simultaneously detecting clock error and polarity reversal at stations. Firstly, globally observable long-period surface waves excited by events with MW≥5.5 are selected. The relative travel-times are obtained by measuring the same seismic event recordings from different stations. The anomalies of the relative travel-time measurements at a certain time period of one station can reflect the clock error or polarity reversal problems of the station. In order to further exclude the possible misjudgment caused in the detection using surface wave relative travel-time measurements and to distinguish the clock error and polarity reversal, the proposed method combines the prediction of P-wave arrivals as a secondary check on the anomalous data.
The proposed method was applied to detect long-period surface waveform data from 2010 stations of 30 networks during 2008−2012. The results show that 12 stations have clock error greater than 10 s in 14 periods, and 7 stations occur polarity reversal in 8 periods.
Seismic wave data clock error detection based on surface wave or P-wave techniques has advantages and disadvantages. Surface waves have stronger energy and usually propagate over long distances, which can satisfy the detection of stations on a global scale. Due to the existence of interference factors during the measurement of surface waves, it is difficult to ensure absolute accuracy of the results. Although the detection accuracy of P-wave method is higher than the surface wave method, the lower signal-to-noise ratio of P-wave propagation over long distances could not satisfy the requirements of the method for a clear P-wave phase. The proposed method combines the two techniques to achieve better detection results.
The proposed method utilizes the cluster analysis for the efficient measurement of the relative travel-times of surface waves and it contains two checks. The first check by surface waves realizes the accurate and fast detection of a large number of data, and the secondary check by the P-wave arrival time ensures the accuracy of the final detection results. The application of the actual waveform data proves that the method can quickly and accurately detect the clock error and polarity reversal of the stations, which improves the quality of global surface wave velocity tomography and also provides a reference for the research on the inversion of source mechanism using relevant data. However, the proposed method based on seismic surface wave technology has its own limitations. Due to measurement errors and source parameter errors, the method can only detect large clock error. Additionally, the method is applicable to the clock error over long time and cannot effectively detect the anomalies of single events or clock error of less than 1 day, which need to be further verified by combining with other data. Considering the limitations of the current method, further improvements may be worth considering in the future.
-
Keywords:
- seismic station /
- clock error /
- polarity reversal /
- cross-correlation analysis /
- P wave arrival time
-
引言
破坏性地震发生后，会在短时间内造成大量的房屋建筑破坏、山体滑坡、道路中断等灾害，产生巨大的人员伤亡和经济损失，因此如何在灾后几小时内迅速获取人员伤亡、房屋建筑和道路破坏等灾情信息迫在眉睫。遥感以其影像获取速度快、范围广等特点成为获取地震灾情信息的主要途径，国内外研究人员利用高分辨率遥感影像对地震灾害信息的提取开展了很多研究，这些研究主要集中在灾区建筑物震害评估、道路检测和滑坡提取方面（薛腾飞等，2016）。建筑物震害评估内容主要包括依据遥感影像确定建筑物的空间分布、楼层数、占地面积、主要结构类型及建筑物单体或群体破坏等级，利用地震现场建筑物破坏程度调查结果修正遥感评估结果，汇总灾区建筑物震害信息并绘制建筑物震害遥感评估专题图。然而传统的正射影像只能获取建筑物顶部信息，很难获取建筑物侧面信息；由于无法分析建筑物侧面外墙的震害特征，通常结合现场建筑物震害调查资料、研究区域的建筑物结构类型以及遥感影像上破坏特征的表现，将建筑物震害程度划分为2—3类，这样往往会造成现场震害调查评估结果与遥感震害评估结果不一致（李玮玮等，2016）。
近年发展起来的倾斜摄影技术，通过飞行器搭载一种或多种传感器，拍摄建筑物多个角度影像建模生成的高分辨率三维模型展现了建筑物丰富的细节层次和侧面纹理信息，弥补了以往传统遥感影像只能获取建筑物顶部信息的局限（Petrie，2009）。基于倾斜影像的建筑物震害信息提取方面目前已有很多研究成果。Gerke和Kerle （2011）对获取的航空倾斜影像运用监督分类方法提取出外墙、完整屋顶、破坏屋顶等震害信息，并依据欧洲98地震烈度表（Grünthal，1998）划分建筑物破坏等级，判断每个建筑的损坏类别。李胜军（2013）基于倾斜航空影像采用面向对象分类方法选取最优损毁特征组合，对震后建筑物顶面和立面进行损毁评估。Galarreta等（2015）结合高分辨率倾斜影像和三维点云数据，基于面向对象方法分析外墙和屋顶破坏特征，并依据欧洲98地震烈度表实现了砖混结构建筑物5种破坏等级（轻微破坏、中等破坏、严重破坏、非常严重破坏、完全倒塌）的划分。李玮玮等（2016）导出云南鲁甸地震三维模型对应的纹理影像，并结合面向对象法提取了震区建筑物混凝土外墙及裂纹灾害信息。林月冠（2016）利用倾斜摄影技术从人工目视解译、房屋倾斜程度计算、房屋立面裂缝目视识别等3个角度来评估建筑物的破坏程度。然而，以上这些研究方法并未说明如何基于倾斜影像获取完整的建筑物侧面和顶面破坏信息，以及利用这些震害特征如何判定建筑物单体的破坏等级。
为此，本文拟利用2017年九寨沟MS7.0地震后无人机航拍的建筑物破坏信息照片，通过建模生成的三维影像获取建筑物侧面和顶部最佳纹理影像，确定最佳分割尺度，采用面向对象方法提取砖混结构建筑物单体的侧面震害信息，并判定建筑物单体的破坏等级。
1. 基于倾斜影像的建筑物震害精细信息提取方法
本文将三维模型打散，导出对应的纹理影像，通过金字塔模型中瓦片的坐标范围和建筑物单体的空间位置选取最佳纹理影像，采用面向对象法提取建筑物外墙及墙皮脱落信息、目视识别裂缝信息。下面将分别叙述纹理获取、最佳纹理影像选取、影像分割和震害信息提取所用到的方法。
1.1 纹理影像获取
三维实景模型是利用点云数据构建不规则三角网，将纹理映射到三角面外表生成（Wang et al，2008）。因此，采用microstation软件的元素打散功能，将三维模型导入后不需要设置其它参数，可以快速打散，实现贴图纹理与不规则三角网的分离，从而获取对应纹理影像。
1.2 最佳纹理影像选取
最佳纹理影像的选取方法主要有3种：定位筛选、角度筛选和面积筛选（卜松涛等，2014）。本文获取的3 mxb格式的瓦片数据自带坐标范围，因此便于采用定位筛选方法，主要步骤为：① 选取建筑物单体的空间位置坐标，与瓦片坐标范围进行比较，从而确定建筑物单体的瓦片位置；② 瓦片中层次模型以 “Tile＋存放瓦片的文件名称＋层级号＋分块行列号” 命名，从瓦片左下角开始，按照从下至上、从左到右的规则进行切片和命名，低层次模型获取的纹理影像都以对应的高层次三维模型名字命名。从瓦片最低层次模型的纹理影像开始选择最佳影像层级，以模型建筑物单体完整、同一纹理影像尽量包含建筑物侧面和顶面、纹理影像上外墙、墙皮脱落处和裂缝等震害信息清晰可见为原则，纹理影像拥有对应高层次模型的层级号，该层级号即为最佳影像的层级号；③ 最佳影像层被切割成许多块，将建筑物单体的空间位置与该层中每一块的坐标范围进行比较，所确定的建筑物单体所在层中块的位置即为建筑物单体的最佳影像层，该层级所对应的纹理影像即为最佳纹理影像。
1.3 影像分割
影像分割是面向对象分类方法的基础。由于遥感影像中地物的多样性，不同类别的地物对应于不同的分割尺度，因此多尺度分割算法成为面向对象最常用的分割算法（安立强等，2011）。地物最优分割尺度决定影像分类的效果。本文结合加权均值方差法和目视试错法获取外墙和墙皮脱落处的最优分割尺度。
均值方差法的基本原理为：增加影像层中混合对象时，相邻对象间的光谱差异降低（Woodcock，Strahler，1987），对象均值方差变小；相反，纯对象的增多使得相邻对象间的光谱异质性增大，对象的均值方差增大（黄慧萍，2003）。均值方差计算公式为
${X_L} {\text{＝}} \frac{1}{n}\sum\limits_{i {\text{＝}} 1}^n {{X_{Li}}}{\text{，}}$
(1) 式中：XL为影像对象在L波段的平均值，XLi是L波段影像第i个像元的灰度值，n为对象中的像元个数。所有影像对象在L波段上的均值为
${\overline X_L} {\text{＝}} \frac{1}{m}\sum\limits_{i = 1}^m {{X_L}}{\text{，}}$
(2) 式中m为影像对象个数。L波段上影像对象的均值方差为
$S_L^2 {\text{＝}} \frac{1}{m}\sum\limits_{i {\text{＝}} 1}^m {{{({X_L} {\text{－}} {{\overline X}_L})}^2}}{\text{，}}$
(3) 当均值方差达到峰值时所对应的尺度即为最优分割尺度的参考值（黄慧萍，2003）。
遥感影像具有多波段信息优势，但由于均值方差法仅考虑单波段信息，因此利用加权均值方差法将分割所设定的L波段权重赋予L波段均值方差（朱红春等，2015），计算整幅影像对象加权均值方差，从而获取最优分割尺度的参考值，结合目视试错法得到最优分割尺度，其中整幅影像对象的加权均值方差为
${S^2} {\text{＝}} \sum\limits_{L {\text{＝}} 1}^N {{b_L}} \cdot S_L^2{\text{，}}$
(4) 式中，N为波段数，bL为设置的波段权重。
1.4 建筑物震害精细信息提取方法
本文对影像进行最优尺度分割后，采用阈值分类和模糊分类提取建筑物震害的精细信息。阈值分类又称为指定分类，通过选择表征影像对象特征的灰度阈值进行分类。由于一个特征难以明确划分类别，阈值分类通常在类描述中使用，即结合若干个阈值条件一起使用。模糊分类描述了像元被划分至某个地物类别的概率，它将对象像元特征值转化为0—1之间的隶属度值，根据像元隶属度值的变化走向选择最佳的隶属度函数并将对象像元分类至需要提取的目标地物中（颜宏娟，2008）。对纹理影像建筑物震害特征分析后，通过人工多次试验选取表征建筑物墙体及墙皮脱落处信息的特征灰度阈值和隶属度曲线进行分类。
2. 九寨沟地震后建筑物震害精细信息提取
2.1 研究区域概况
2017年8月8日21时19分46秒，四川省阿坝州（33.20°N，103.82°E）发生MS7.0地震，震源深度为20 km。本文使用的试验数据是无人机航拍漳扎镇内千古情风景区和漳扎镇小学建筑物破坏的三维影像。李静等（2018）对漳扎镇的实地调查显示，该地区房屋建筑的主要结构类型（所占比例）为砖混结构（49.57%）、框架结构（23.6%）、木结构（26.83%）等3类，研究区域的房屋建筑物为砖混结构。三维影像是等间距瓦片切割形成的多细节层次模型，影像分辨率为10 cm，数据格式为3 mxb，每一个3 mxb数据文件拥有对应的瓦片层次坐标范围。
2.2 最佳纹理影像选取
本文以九寨沟千古情风景区的三维模型为例来选取最佳纹理影像，使用microstation软件的元素打散功能将三维模型打散，获取对应的纹理影像，依据最佳纹理影像的定位筛选方法来获取建筑物单体所对应的最佳层级纹理影像。
千古情三维模型被分割成33个瓦片，瓦片中最低层级号为16，最高层级号为23。首先，选取有震害信息的建筑物单体空间位置坐标与33个瓦片的坐标范围进行对比，确定建筑物单体在Tile_p003_p002瓦片中；然后，从16层级三维模型开始获取对应的纹理影像，该纹理影像以对应的20层级三维模型名字命名，17层级、18层级、19层级的纹理影像均以对应的20层级模型名字命名，20层级纹理影像以对应的21层级模型名字命名。选择20层级和21层级同一建筑物单体的三维模型及纹理影像进行分析，结果如图1所示。从图1a和1b中可以看出，两个层级均拥有完整的建筑物单体，但21层级的建筑物单体侧面和顶面分布在不同的纹理影像中，同一墙体瓦片切割破碎，导致震害信息分布在不同的纹理影像中（图1d）。20层级的建筑物单体的顶面和侧面墙体分布在同一纹理影像中，同一墙体上的震害信息未被进一步分割（图1c），因此选择20层级为最佳影像层级。最后，20影像层级被分成5块，选择建筑物单体的空间位置坐标与这5块影像层坐标范围进行对比，确定建筑物位于第一块影像层中，该影像层即为建筑物单体的最佳影像层，所对应的纹理影像即为最佳纹理影像。
![]()
图 1 千古情风景区建筑物的三维模型和纹理影像（a） 20级三维模型；（b） 21级三维模型；（c） 20级纹理影像；（d） 21级纹理影像Figure 1. Three-dimensional models and texture images of building in Qianguqing scenic spot（a） 20-level 3D model；（b） 21-level 3D model；（c） 20-level texture image；（d） 21-level texture image2.3 影像分割
本文选取震害特征明显的一块墙体使用不同分割尺度进行分割，形状因子和紧致度因子分别设为0.3和0.5，分割尺度从20至90不等（以10为尺度间隔）。通过对分割后的影像分析可知：当尺度为30时，分割过于细碎，特别是裂缝和墙面脱落处，如图2a所示；当尺度为90时，分割效果较差，裂缝与外墙混合在一起，没有被很好地分割，如图2b所示。
![]()
图 2 分割尺度分别为30 （a），90 （b），50 （c）和70 （d）的千古情风景区建筑物的纹理影像Figure 2. Texture images of the building in Qianguqing scenic spot with scales of 30 （a），90 （b），50 （c） and 70 （d）因此，选取尺度为30，40，50，60，70，80，90进行多尺度分割，利用式（4）计算分割影像的加权均值方差并绘制加权均值方差随分割尺度的变化曲线图（图3），曲线的峰值是不同地物的最优分割参考值即50和70。通过对比分割尺度为50和70的影像层（图2c，d）可知：当分割尺度为50时，分割效果较好，裂缝外墙被很好地分割；分割尺度为70时，裂缝和墙皮脱落处被分割到外墙体中，没有被很好地分割。因此，选择50作为外墙和墙皮脱落信息的最优分割尺度。
![]()
图 3 对象加权均值方差随分割尺度的变化图Figure 3. Variation of weighted mean variance of object with segmentation scale2.4 建筑物震害精细信息提取
基于面向对象分类方法提取地物，需要根据影像对象的光谱、形状、纹理、上下文关系等特征建立规则集（赵妍等，2016）。本文提取的是震后建筑物外墙及墙皮脱落信息，因此首先分析倒塌、破坏和未倒塌这三种建筑物的破坏状态在遥感影像上的特征表现：影像上倒塌房屋建筑的震害特征一般为主体结构倒塌，屋顶垮塌，建筑物周围地面有废墟分布，轮廓不清晰，几何形状杂乱无章，纹理不规则，灰度发生明显变化（张景发等，2001），对于倾斜三维影像首先从正面和侧面影像大体推断出房屋的结构类型，倒塌房屋的楼层数减少，建筑物占地面积增大，主体结构变形、倾斜或倒塌，墙体倒塌，斑点状废墟分布周围；破坏房屋建筑的震害特征一般为主体结构未倒塌，屋顶不规整、局部损坏，有落瓦、塌陷现象，女儿墙倒塌，墙体破坏或部分变形（张雪华，2017），对于倾斜影像，从外墙体、窗口处、窗间墙、门口等处的裂缝类型和数量、墙皮脱落信息以及屋顶破坏程度等方面（帅向华等，2018），依据建（构）筑地震破坏等级划分标准（中华人民共和国国家质量监督检验检疫总局，中国国家标准化管理委员会，2009）精细评估建筑物单体的震害程度；未倒塌房屋建筑的屋顶无明显损坏和陷落现象，轮廓完整，边缘清晰，几何形状规则，纹理均匀。
This page contains the following errors:
error on line 1 at column 1: Start tag expected, '<' not foundBelow is a rendering of the page up to the first error.
表 1 规则集特征参数及阈值Table 1. Feature parameters and thresholds of rule sets建筑物震害信息提取对象 特征参数及其阈值 外墙面 $\tfrac{{\overline R }}{{\overline R {\simfont\text{＋}} \overline G {\simfont\text{＋}} \overline B }}$ ＞0.42，72＜
$\tfrac{{{\overline{R}} {\simfont\text{＋}} {\overline{B}} {\simfont\text{＋}} {\overline{G}} }}{3}$ ＜144，267＜A＜543，0.5＜C＜0.8，7＜GLDV＜32
墙皮脱落处 0.56＜Y＜1，−41＜2 $ {\overline { G}} $ －
${\overline { B}} $ －
${\overline { R}} $ ＜−28，16＜GLDV＜24，1.8＜S＜2.6，1.3＜C＜2.3
3. 震害结果分析
根据建（构）筑物地震破坏等级划分规范（中华人民共和国国家质量监督检验检疫总局，中国国家标准化管理委员会，2009）对建筑物单体的墙皮脱落和裂缝震害信息进行分析，并判定其破坏等级。本文对3个受损建筑物单体进行分析，震害提取结果如图4d，5d和6d所示，其中蓝色表示墙皮脱落信息，红色表示外墙，青色表示裂缝。
在图4d所示的建筑物单体震害信息提取结果中可见，3个墙面出现墙皮脱落现象，其中：一个墙面的窗口出现裂缝，抹灰层表面测量宽度介于2—8 cm之间；另一个为女儿墙面，该墙面出现严重裂缝，表层混凝土有明显、大面积的酥碎脱落。目视判读该单体为多层砖混结构，有两处裂缝仅肉眼可见，属于细微裂缝。根据建（构）筑物地震破坏等级划分规范，该砖混结构的建筑物单体属于中等破坏。
![]()
图 4 千古情风景区建筑物震害信息提取结果图（d）中蓝色表示墙皮脱落信息，红色表示外墙，青色表示裂缝，图5d和6d与此相同（a） 航拍照片；（b） 三维模型；（c） 纹理影像；（d） 震害信息提取结果Figure 4. Extraction results of building seismic damage information in Qianguqing scenic spotIn Fig. （d），blue indicates the wall peeling information，red indicates the exterior wall，and cyan indicates the crack，which are the same in Figs. 5d and 6d. （a） Aerial photography；（b） 3D model；（c） Texture image；（d） Extraction results of seismic damage information如图5d所示，纹理影像中3个建筑物外墙面属于同一个承重墙体，该墙体窗口处、窗户间和墙面有多处水平裂缝和大面积墙皮脱落，在抹灰层表面测得裂缝宽度介于3—20 cm之间，墙体严重破坏。从三维影像和航拍照片判定该砖混结构单体为3层，建筑物屋顶基本完好，侧面墙体窗口出现多处墙皮脱落和水平裂缝。根据建（构）筑物地震破坏等级划分规范，该砖混结构的建筑物单体属于严重破坏。
![]()
图 5 漳扎镇邮政储蓄银行震害信息提取结果（a） 航拍照片；（b） 三维模型；（c） 纹理影像；（d） 震害信息提取结果Figure 5. Extraction results of building seismic damage information in Zhangzha town postal savings bank（a） Aerial photography；（b） 3D model；（c） Texture image；（d） Extraction results of seismic damage information从航拍照片和三维模型目视解译该建筑物单体为七层砖混结构，屋顶基本完好，图6d中，该建筑物单体第一到六层侧面4个墙面均有大量的混凝土掉落，第七层有1个墙面出现多个 “X” 型裂缝，在砖砌体表面测得裂缝宽度介于2—6 cm之间，门口和窗口处均出现裂缝，其余三个墙面的混凝土大面积脱落，墙体严重破坏。根据建（构）筑物地震破坏等级划分规范，该砖混结构的建筑物单体属于中等破坏。
![]()
图 6 藏式碉楼建筑物震害信息提取结果（a） 航拍照片；（b） 三维模型；（c） 纹理影像；（d） 震害信息提取结果Figure 6. Seismic damage information extraction results of Tibetan watchtower building（a） Aerial photography；（b） 3D model；（c） Texture image；（d） Extraction results of seismic damage information4. 讨论与结论
本文研究三维模型建模原理和金字塔瓦片切割规则，并通过九寨沟地震后三维模型快速导出纹理影像，根据定位筛选最佳纹理影像，之后采用面向对象方法提取纹理影像中建筑物外墙和墙皮脱落信息，评估3个砖混结构的建筑物单体侧面外墙裂缝等震害信息的破坏程度，判定建筑物单体为中等、严重这两个破坏等级，具有传统正射遥感无法比拟的优势。
需要指出的是，本文获得的3mxb格式三维模型自带瓦片坐标范围，而诸如osgb和s3c等其它三维模型的数据格式无瓦片坐标范围，这使得筛选最佳纹理影像方法存在很大的局限性。另外，倾斜摄影三维建模是不规则三角网经过选取最优纹理影像映射生成，这为建筑物震害的提取增加了难度：① 获取的纹理影像具有不规则性、多样性和破碎性，建筑物外墙面被切割在不同的纹理影像中。如何快速确定具有震害信息的建筑物纹理影像在哪一瓦片中的哪一层级成为关键。本文虽然提出利用其纹理影像命名特点和空间位置坐标，但仍需采用人机交互的形式，降低了提取效率。因此获取高分辨率建筑物纹理需要尝试新的方法，如利用三维点云数据通过分割算法直接获取建筑物5个方向的立面影像（方智辉等，2017）；② 面向对象方法提取墙体、墙皮脱落信息时，由于其杂乱性和不规则性导致很难将一些轻微裂缝与外墙体分割，在确定最优分割尺度时只选取影像的光谱特征，并未考虑形状、纹理等特征对影像分割效果的影响，而对最优分割尺度的确定需要对全部特征进行有效选择；③ 阈值分类和模糊分类需要经过大量人工试验选取特征或特征组合建立最优规则集，降低了提取的精度和效率。因此基于倾斜影像提高建筑物震害信息的精度和效率仍需进一步研究。
-
![]()
图 1 一个波形聚类示例图
此示例中有827道波形，程序允许点击右侧的聚类树来选择合适的截止值。垂直黄线为此示例的合理截止值
Figure 1. An example of waveform clustering
There are 827 waveforms in this example. The program allows to select the appropriate cut-off value by clicking oon the cluster tree on the right side with the mouse. The vertical yellow line represents a reasonable cutoff for this example
![]()
图 2 相对走时测量值分布直方图（灰色方块）与正态分布曲线（蓝色曲线）
Figure 2. Distribution histogram （gray squares） of relative traveltime measurements and the normal distribution curve （blue curve）
![]()
图 3 利用10 mHz面波初步反演全球波速图
图（a−c）分别为平滑因子$ \lambda $取2，10和100的结果。图（d）为$ \lambda $取10的拟合残差直方图
Figure 3. Global 10 mHz surface wave velocity map
Figs. （a−c） are the results when the smoothing factor λ is 2，10 and 100，respectively. Fig. （d） is the fitting residual histogram when λ is 10
![]()
图 4 2012年第1—170天台网II中台站AAK的相对走时测量值与拟合残差折线图
Figure 4. Line chart of relative traveltime measurements （blue dots） and fitting residuals （green square dots） at station AAK of Network II during the period from the 1st to the 170th day in 2012
![]()
图 5 台站ECH （a）和台站STU （b）在2011年第1—80天的相对走时测量值与拟合残差折线图
Figure 5. Line chart of the relative traveltime measurements （blue dots） and fitting residuals （green square dots） of station ECH （a） and station STU （b） from the 1st to the 80th day in 2011，respectively
![]()
图 6 台站ERM在2010年第1—180天期间的相对走时测量值与拟合残差折线图
Figure 6. Line chart of The relative traveltime measurements （blue dots） and fitting residuals （green square dots） of station ERM from the 1st to the 180th day in 2010
![]()
图 7 台站ULN的相对走时和拟合残差折线图（a）与示例地震事件5个台站的波形记录（b，c）
（a） 2010年第150—230天台网IU的台站ULN的相对走时测量值与拟合残差折线图；（b） 2010年第167天MW6.2地震的5个台站的波形记录；（c） 2010年第222天MW7.3地震的5个台站的波形记录。红色波形为时钟错误台站记录，黑色波形为正常台站记录，蓝色虚线表示预测P波到时，下同
Figure 7. Line chart of relative traveltime measurements and fitting residuals and waveforms of two example events
（a） Line chart of relative traveltime measurements and fitting residuals at station ULN of network IU during the period from 150th to 230th day in 2010；（b） The waveforms of the MW6.2 earthquake recorded by five stations on the 167th day in 2010；（c） The waveforms of the MW7.3 earthquake recorded by the five stations on the 222nd day in 2010。The red waveform is the record of the ULN station （clock error），and the black waveform is the record of the normal station. The blue dotted line indicates the predicted arrival of P wave，the same below
![]()
图 8 出现记录错误的台站的相对走时测量值、拟合残差折线图与示例地震事件波形图
图（a）和（b）分别为台站ERM与GRGR在2011年第130—第230天期间相对走时测量值与拟合残差折线图；图（c）和（d）分别为台站ERM和GRGR与对比台站记录的2011年第175天MW7.3地震的波形图
Figure 8. Line chart of relative traveltime measurements and fitting residuals and waveforms of the example event
Figs.（a） and （b） show the relative traveltime measurements （blue dots） and fitting residuals （green square dots） of the stations ERM and GRGR from the 130th to 230th day of 2011，respectively；Figs.（c） and （d） are the waveforms of the MW7.3 earthquake recorded by five stations on the 175th day of 2011，respectively
![]()
图 9 台站KOWA 2012年相对走时测量值、拟合残差折线图（a）与示例地震事件波形图（b）
（a） 台站KOWA2012年下半年的相对走时测量值与拟合残差折线图；（b） 5个台站记录的2012年第302天MW7.8地震的波形记录
Figure 9. Line chart of relative traveltime measurements and fitting residuals and waveforms of example event
（a） The relative traveltime measurement value （blue dots） and fitting residuals （green square dots） of the station ULN during the second half of 2012； （b） The waveforms of the MW7.8 earthquake on the 302th day of 2012 recorded by five stations
![]()
图 10 2008年汶川MS8.0地震事件及台站位置（a）与新西兰岛三个台站记录到的波形（b）（波形数据仅作0.01—0.02 Hz滤波处理）
Figure 10. Example event and stations location map and corresponding waveforms diagram
（a） The focal mechanism and location of the selected earthquakes，and the distribution locations of the three stations. Figure （b） shows the first-arrival of the 2008 MW7.9 earthquake recorded by three stations，and the azimuths of the stations relative to the hypocentral location （Waveform data is only filtered 0.01—0.02 Hz）
![]()
图 1 正常台站AAK （上行）与钟错台站ECH （下行）的测量对比
（a）正常测量；（b）震源参数添加50 km内的随机水平定位误差；（c）震源参数添加$ \pm 10 $ km内的随机深度定位误差
Figure 1. Measurement comparison between normal station AAK （upper） and clock error station ECH （bottom）
（a） are normal measurements；（b） are source parameters with random horizontal localization errors within 50 km added；（c） are source parameters with random depth localization errors within ±10 km added
![]()
图 2 台站间距与相对走时测量值差的对应关系
每个直条的宽度为1°，误差棒取每个直条的比例中位数绝对偏差
Figure 2. Correspondence between station spacing and the difference in relative travel time measurements
The width of each bin is 1°，the error bars take Scaled Median Absolute Deviation （SMAD） of each bin
![]()
图 3 钟错台站（红色三角形）与附近正常台站（蓝色三角形）的分布图
Figure 3. Distribution of clock error stations （red triangles） and nearby normal stations （blue triangles）
表 1 BREQ_FAST和ObsPy两种方式在相同网络环境中的下载用时统计
Table 1 The download time of BREQ_FAST and ObsPy in the same network environment
下载方式 第1次用时/s 第2次用时/s 第3次用时/s 平均用时/s BREQ_FAST 216.67 216.07 217.93 216.89 ObsPy 566.50 570.35 568.56 568.47 
下载: 导出CSV
表 2 本文研究实际应用数据所属台网和该台网中包含的台站数量
Table 2 The networks recorded the actual application data and the station number in networks
台网 台站数量 台网 台站数量 台网 台站数量 台网 台站数量 台网 台站数量 台网 台站数量 TA 1 439 CU 9 IU 79 NZ 10 G 32 XH 16 AF 1 CZ 2 KN 10 PM 5 GE 67 XN 11 9D 2 DK 16 MY 7 PS 5 IC 10 XV 2 BE 1 ER 1 US 62 SS 1 II 40 XY 58 C 12 MN 17 NR 13 TW 7 YT 45 ZM 30
下载: 导出CSV
表 3 本文检测到的台站出现时钟错误的时段
Table 3 Periods of clock errors stations
台网 台站 钟错时段 台网 台站 钟错时段 MN BNI 2 011年第97—2 09天 IU KOWA 2 012年第261—350天 G ECH 2 011年第42—59天 GE MALT 2 009年第174—229天 GE EIL 2 008年第2 02—252天 GE PSZ 2 008年第199—2 07天 IU FURI 2 009年第190—251天 G SPB 2 010年第5—75天 GE KMBO 2 012年第156—222天 IU ULN 2 010年第160—2 00天 CU GRGR 2 011年第140—177天
2 011年第286—301天G SCZ 2 010年第352—2 011年第165天
2 011年第350—2 012年第153天
下载: 导出CSV
表 4 本文检测到的台站出现极性反转的时段
Table 4 Periods of polarity reversal stations
台网 台站 极性反转转时段 台网 台站 极性反转时段 NZ BKZ 2 008年—2 012年 II ERM 2 008年—2 012年第303天 NZ KHZ 2 008年—2 011第54天 NZ HIZ 2 008年—2 012年 NZ OUZ 2 008年—2 010第55天 NZ ODZ 2 008年第1—190天 NZ QRZ 2 008年第1—第232天 NZ QRZ 2 008年第290天—2 009年第22 0天
下载: 导出CSV
表 5 对比台站对及其台间距
Table 5 Comparison of station pairs and their spacing
对比台站 台站间距 对比台站 台站间距 对比台站 台站间距 BNI—SSB 1.52° FURI—DAMY 7.95° ECH—STU 1.46° GRGR—BBGH 2.28° SCZ—TPNV 4.15° ULN—TLY 4.41° EIL—KSDI 3.56° MALT—CSS 5.28° KMBO—MBAR 6.54° PSZ—MORC 2.42°
下载: 导出CSV
-
王俊,郑定昌,詹小艳,江昊琳,缪发军,高景春. 2013. 基于背景噪声互相关格林函数的单台时间误差估计[J]. 地震学报,35(6):888–901. doi: 10.3969/j.issn.0253-3782.2013.06.012 Wang J,Zheng D C,Zhan X Y,Jiang H L,Miao F J,Gao J C. 2013. Estimation of time error for a single station based on Green’s function by ambient noise cross-correlation[J]. Acta Seismologica Sinica,35(6):888–901 (in Chinese).
Abbas A,Zhu G H,Zi J P,Chen H,Yang H F. 2023. Evaluating and correcting short-term clock drift in data from temporary seismic deployments[J]. Earthquake Research Advance,3(2):100199. doi: 10.1016/j.eqrea.2022.100199
Anchieta M C,Wolfe C J,Pavlis G L,Vernon F L,Eakins J A,Solomon S C,Laske G,Collins J A. 2011. Seismicity around the Hawaiian islands recorded by the PLUME seismometer networks:Insight into faulting near Maui,Molokai,and Oahu[J]. Bull Seismol Soc Am,101(4):1742–1758. doi: 10.1785/0120100271
Bondár I,Storchak D. 2011. Improved location procedures at the international seismological centre[J]. Geophys J Int,186(3):1220–1244. doi: 10.1111/j.1365-246X.2011.05107.x
Butler R,Lay T,Creager K,Earl P,Fischer K,Gaherty J,Laske G,Leith B,Park J,Ritzwolle M,Tromp J,Wen L X. 2004. The global seismographic network surpasses its design goal[J]. Eos,Trans,Am Geophys Union,85(23):225-229.
Dziewonski A,Bloch S,Landisman M. 1969. A technique for the analysis of transient seismic signals[J]. Bull Seismol Soc Am,59(1):427–444. doi: 10.1785/BSSA0590010427
Ekström G,Nettles M,Abers G A. 2003. Glacial earthquakes[J]. Science,302(5645):622–624. doi: 10.1126/science.1088057
Ekström G,Dalton C A,Nettles M. 2006. Observations of time-dependent errors in long-period instrument gain at global seismic stations[J]. Seismol Res Lett,77(1):12–22. doi: 10.1785/gssrl.77.1.12
Ekström G,Nettles M. 2010. Performance of the GSN station CASY-IU,1996-2009[R]. New York:Waveform Quality Center.
Ekström G. 2011. A global model of Love and Rayleigh surface wave dispersion and anisotropy,25-250 s[J]. Geophys J Int,187(3):1668–1686. doi: 10.1111/j.1365-246X.2011.05225.x
Gouédard P,Seher T,McGuire J J,Collins J A,van der Hilst R D. 2014. Correction of ocean-bottom seismometer instrumental clock errors using ambient seismic noise[J]. Bull Seismol Soc Am,104(3):1276–1288. doi: 10.1785/0120130157
Hartigan J A. 1975. Clustering Algorithms[M]. New York:John Wiley and Sons:351.
Houser C,Masters G,Shearer P,Laske G. 2008. Shear and compressional velocity models of the mantle from cluster analysis of long-period waveforms[J]. Geophys J Int,174(1):195–212. doi: 10.1111/j.1365-246X.2008.03763.x
Hurst A W,Bibby H M,Robinson R R. 2002. Earthquake focal mechanisms in the central Taupo volcanic zone and their relation to faulting and deformation[J]. N Z J Geol Geophys,45(4):527–536. doi: 10.1080/00288306.2002.9514989
Jin G,Gaherty J B. 2015. Surface wave phase-velocity tomography based on multichannel cross-correlation[J]. Geophys J Int,201(3):1383–1398. doi: 10.1093/gji/ggv079
Lentas K. 2021. Indications of seismic station phase reversals detected from parametric data in the ISC bulletin[J]. J Seismol,25(1):1–23. doi: 10.1007/s10950-020-09960-1
Ma Z,Masters G. 2014. A new global Rayleigh- and love-wave group velocity dataset for constraining lithosphere properties[J]. Bull Seismol Soc Am,104(4):2007–2026. doi: 10.1785/0120130320
Ma Z T,Masters G. 2015. Effect of earthquake locations on Rayleigh wave azimuthal anisotropy models[J]. Geophys J Int,203(2):1319–1333. doi: 10.1093/gji/ggv369
Ma Z T,Masters G,Laske G,Pasyanos M. 2014. A comprehensive dispersion model of surface wave phase and group velocity for the globe[J]. Geophys J Int,199(1):113–135. doi: 10.1093/gji/ggu246
Niu F L,Li J. 2011. Component azimuths of the CEArray stations estimated from P-wave particle motion[J]. Earthq Sci,24(1):3–13. doi: 10.1007/s11589-011-0764-8
Petersen G M,Cesca S,Kriegerowski M,the AlpArray Working Group. 2019. Automated quality control for large seismic networks:Implementation and application to the AlpArray seismic network[J]. Seismol Res Lett,90(3):1177–1190. doi: 10.1785/0220180342
Pollitz F F,Stein R S,Sevilgen V,Bürgmann R. 2012. The 11 April 2012 east Indian Ocean earthquake triggered large aftershocks worldwide[J]. Nature,490(7419):250–253. doi: 10.1038/nature11504
Priestley K,McKenzie D,Ho T. 2018. A lithosphere-asthenosphere boundary:A global model derived from multimode surface‐wave tomography and petrology[M]//Yuan H Y,Romanowicz B. Lithospheric Discontinuities. Hoboken:John Wiley & Sons:111-123.
Roman D C,Neuberg J,Luckett R R. 2006. Assessing the likelihood of volcanic eruption through analysis of volcanotectonic earthquake fault-plane solutions[J]. Earth Planet Sci Lett,248(1/2):244–252.
Schneider J F,Aster R C,Powell L A,Meyer R P. 1988. Timing of portable seismographs from omega navigation signals[J]. Bull Seismol Soc Am,78(2):1035–1035. doi: 10.1785/BSSA0780021035
Sens-Schönfelder C. 2008. Synchronizing seismic networks with ambient noise[J]. Geophys J Int,174(3):966–970. doi: 10.1111/j.1365-246X.2008.03842.x
Stehly L,Campillo M,Shapiro N M. 2007. Traveltime measurements from noise correlation:Stability and detection of instrumental time-shifts[J]. Geophys J Int,171(1):223–230. doi: 10.1111/j.1365-246X.2007.03492.x
Tape C,Liu Q Y,Maggi A,Tromp J. 2009. Adjoint tomography of the Southern California crust[J]. Science,325(5943):988–992. doi: 10.1126/science.1175298
Tian Y,Ning J Y,Yu C Q,Cai C,Tao K. 2013. Focal mechanism solutions of the 2008 Wenchuan earthquake sequence from p-wave polarities and SH/P amplitude ratios:New results and implications[J]. Earthquake Science,26(6):357–372. doi: 10.1007/s11589-014-0067-y
VanDecar J C,Crosson R S. 1990. Determination of teleseismic relative phase arrival times using multi-channel cross-correlation and least squares[J]. Bull Seismol Soc Am,80(1):150–169.
Xia Y J,Ni S D,Zeng X F,Xie J,Wang B S,Yuan S Y. 2015. Synchronizing intercontinental seismic networks using the 26 s persistent localized microseismic source[J]. Bull Seismol Soc Am,105(4):2101–2108. doi: 10.1785/0120140252
Yang W Z,Hauksson E,Shearer P M. 2012. Computing a large refined catalog of focal mechanisms for Southern California (1981—2010):Temporal stability of the style of faulting[J]. Bull Seismol Soc Am,102(3):1179–1194. doi: 10.1785/0120110311
Young B A,Chen K C,Huang B S,Chiu J M. 2017. Identification and elimination of data peculiarities in the strong‐motion downhole array in Taipei Basin[J]. Seismol Res Lett,88(1):82–95. doi: 10.1785/0220160164
Yukutake Y,Iio Y. 2017. Why do aftershocks occur? relationship between mainshock rupture and aftershock sequence based on highly resolved hypocenter and focal mechanism distributions[J]. Earth Planets Space,69(1):68. doi: 10.1186/s40623-017-0650-2
-
期刊类型引用(14)
1. 洪梓铭. 电力巡检的移动作业无人机倾斜影像三维采集模型. 电子设计工程. 2023(06): 149-152+157 . 
百度学术
2. 肖本夫，张露露，陈波，毛利，孟凡馨，宴金旭. 四川泸县M_s6.0地震极震区无人机影像震害分析. 震灾防御技术. 2023(02): 301-308 . 百度学术
3. 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
4. 黄永，于建琦，林旭川，钟江荣，李惠. 基于深度学习的建筑破坏状态智能评估研究. 自然灾害学报. 2023(04): 148-158 . 百度学术
5. 蔡天池，刘春，周骁腾，许泽然，陈晨. 基于无人机的建筑立面裂缝检测. 工程勘察. 2022(04): 45-51 . 百度学术
6. 李忠武，陈桂华. 基于无人机倾斜航空摄影三维点云测量同震倾滑变形研究——以2021年玛多M_S7.4地震地表破裂为例. 震灾防御技术. 2022(01): 46-55 . 百度学术
7. 帅向华，荆帅军，郑向向，刘钦. 多尺度分割和深度学习相结合的倾斜摄影三维影像建筑物震害信息提取. 地震学报. 2022(05): 881-890 . 本站查看
8. 彭懋磊，郝宁，李垠，张萍. 基于0.2m分辨率遥感影像的震害信息提取仿真. 计算机仿真. 2022(10): 209-213 . 百度学术
9. 李金香，谭明，孙甲宁，吴国栋，赵江涛，李波. 新疆拜城M_S5.4地震无人机遥感快速灾情获取与分析. 震灾防御技术. 2022(04): 784-794 . 百度学术
10. 刘超，雷启云，余思汗，杨顺，王银. 基于无人机摄影测量技术的地震地表破裂带定量参数提取——以1709年中卫南M7(1/2)地震为例. 地震学报. 2021(01): 113-123+136 . 本站查看
11. 沈小娜. 基于BIM模型的室内环境布局系统设计. 现代电子技术. 2021(16): 129-132 . 百度学术
12. 张方浩，杜浩国，张原硕，张建国，卢永坤，曹彦波. 基于倾斜摄影的2021年云南漾濞M_S6.4地震典型震害调查分析. 地震研究. 2021(03): 481-489 . 百度学术
13. 张志文，任俊杰，章小龙. 高精度无人机航测在2021年玛多7.4级地震地表破裂精细研究中的应用. 震灾防御技术. 2021(03): 437-447 . 百度学术
14. 王忠丰. 基于自适应末端滑膜控制的无人机倾斜摄影测量技术. 计算机测量与控制. 2020(08): 88-92 . 百度学术
其他类型引用(12)
计量
- 文章访问数: 35
- HTML全文浏览量: 7
- PDF下载量: 8
- 被引次数: 26
