基于小波熵与相关性相结合的小波模极大值地震信号去噪

李 文 刘 霞 段玉波 姚建红 刘继承 潘洪屏

李 文 刘 霞 段玉波 姚建红 刘继承 潘洪屏. 2012: 基于小波熵与相关性相结合的小波模极大值地震信号去噪. 地震学报, 34(6): 841-850.
引用本文: 李 文 刘 霞 段玉波 姚建红 刘继承 潘洪屏. 2012: 基于小波熵与相关性相结合的小波模极大值地震信号去噪. 地震学报, 34(6): 841-850.
Li Wen Liu Xia Duan Yubo Yao Jianhong Liu Jicheng Pan Hongping. 2012: Wavelet modulus maxima denoising of seismic signals based on combined wavelet entropy and correlation. Acta Seismologica Sinica, 34(6): 841-850.
Citation: Li Wen Liu Xia Duan Yubo Yao Jianhong Liu Jicheng Pan Hongping. 2012: Wavelet modulus maxima denoising of seismic signals based on combined wavelet entropy and correlation. Acta Seismologica Sinica, 34(6): 841-850.

基于小波熵与相关性相结合的小波模极大值地震信号去噪

详细信息
  • 中图分类号: P315

Wavelet modulus maxima denoising of seismic signals based on combined wavelet entropy and correlation

  • 摘要: 小波模极大值去噪算法中将高频小波系数全部当做噪声处理, 忽略了高频小波系数中仍含有的有用信息, 从而导致了模极大值传播点错选现象以及计算出的噪声方差中仍含有用信息. 针对这些问题, 提出了小波熵与相关性相结合的小波模极大值去噪算法. 将高频小波系数进行相关处理, 确定有效信号的位置; 将最大尺度上的高频小波系数划分成若干个小区间, 计算各区间小波熵; 以小波熵最大区间的高频小波系数的平均值作为噪声方差, 根据Donoho提出的阈值公式计算最大尺度上的阈值; 经阈值比较得到的模极大值点位置与相关处理得到的有用信息的位置进行比较, 保留相同位置的模极大值, 剔除位置不同由噪声引起的模极大值点; 采用即兴(Adhoc)算法逐级搜索各尺度上的模极大值, 并用交替投影算法进行重构. 该算法实现了阈值的自适应选取, 并有效解决了去除错选模极大值传播点的问题. 将本算法和传统去噪方法用于仿真信号处理中, 经对比分析验证了本算法的有效性.
    Abstract: In wavelet modulus maxima denoising algorithms, high-frequency wavelet coefficients are all considered as noises, and the useful information in them is ignored, therefore, modulus maxima pickup points are wrongly selected and the calculated noise variances still contain useful information. To solve these problems, this paper proposed a wavelet modulus maxima denoising algorithm which combines wavelet entropy with correlation. The effective signal location is determined by correlation processing of high-frequency wavelet coefficients. The high-frequency wavelet coefficients on the maximum scale are divided into several small zones, and the interval wavelet entropy is calculated. With the mean value of high-frequency wavelet coefficients in the wavelet entropy maxima interval as noise variance, the threshold value of the maxima scale is calculated according to the formula presented by Donoho in 1995. By comparing locations of the maxima point obtained by comparison the threshold values with locations of the useful information obtained by correlation processing, the modulus maxima of the same position are retained and modulus maxima points of different positions caused by noises are eliminated. The modulus maxima of each level are searched with the Adhoc algorithm step by step and the denoised signals are reconstructed by alternating projection algorithm. This improved algorithm realized adaptive selection of threshold values and removal of wrongly selected modulus maxima pickup points. Our method and a conventional denoising method were both applied to simulation signal processing, and comparative analysis verified effectiveness of our improved method.
  • 自20世纪80年代前苏联科学家在红外遥感影像上第一次发现红外异常与地震的关系(Gornyi et al,1988)后,卫星红外技术以其能够探测到大范围的、连续的地表-云顶热辐射变化的优势,成为各国科研人员研究地震前兆的重要手段之一. 众多震例研究结果(Ouzounov et al,2007Panda et al,2007Qin et al,2012Wu et al,2012郭晓等,2013Jing et al,2013Genzano et al,2015)表明,卫星红外数据能够有效地捕捉到地震孕育过程中伴随的“热”异常信息. 这些“热”异常信息具有共同特点:在时间上,多出现在震前数月或数天;在空间上,异常区域范围较大,可达数万平方千米;在强度上,并非简单得与震级成正比,但通常M>7.0地震前的红外异常更加明显(荆凤等,2012).

    2015年4月25日尼泊尔发生MS8.1地震,震中位于(28.2°N,84.7°E),震源深度约20 km. 该地震发生在印度板块与欧亚板块交界的喜马拉雅构造带上,是印度板块低角度俯冲到欧亚板块下的结果. 喜马拉雅构造带由于受到印度板块NE向的俯冲和挤压作用,地震活动强烈,曾发生过多次M≥8.0地震(邓起东等,2014). 该构造带从北到南由主中央断裂、主边界断裂和主前缘断裂3条大型逆断裂组成,这些断裂由距离喜马拉雅山区南部约20 km的主喜马拉雅逆冲(main Himalayan thrust,简写为MHT)断裂所控制. 尼泊尔MS8.1地震的主震震源点位于MHT上(赵文津,2015),震源机制显示该地震的破裂方式为NW-SE向的单侧破裂(郭祥云等,2015).

    本文拟整理和分析尼泊尔地震震区2007年1月—2015年8月的美国NOAA卫星长波辐射(outgoing longwave radiation,简写为OLR)数据,以获取地震破裂面及板块边界上长波辐射异常变化指数长达3158天的时间序列,对该地震前长波辐射异常的时空特征进行研究,并结合震源机制及GPS观测资料等,对红外异常与应力变化的关系进行初步探讨.

    NOAA OLR数据产品是极轨卫星搭载的辐射测量仪在红外窗区通道(10.5—12.5 μm)对地球表面和大气进行扫描所获得的数据,经过定位和定标处理后,由普朗克公式计算出红外通道的亮温,将其与大型气象实验卫星NIMBUS获取的4—50 μm宽波段总测值进行匹配,进而将红外窗区窄波段测定的亮温值转换成宽波段的总测值,再依据斯蒂芬-波尔兹曼公式计算出相应的辐射通量密度. NOAA OLR数据产品的生成采用时间-空间内插法,即首先对初始数据按照一定的标准进行预处理,再分别对白天和夜晚的观测值以先进行时间内插、后进行空间内插的次序来填补缺测值. 目前OLR数据产品的平均误差为11 W/m2(Liebmann,Smith,1996).

    长波辐射能够反映地气系统的能量辐射,同时也受地表温度、大气温度、水汽和云量等的影响,因此,该数据能够反映地表与大气层之间的能量变化情况(Ohring et al,1984). 本文使用的NOAA OLR数据产品空间分辨率为1.0°×1.0°,考虑到白天太阳辐射和人类活动等会造成干扰,所以仅选取夜间数据.

    目前,利用红外数据开展地震异常特征研究的一个基本思路是通过对比无震时期的红外数据来获得红外异常变化,并根据异常变化的强度及其空间分布特征来判断是否为地震异常. 而卫星红外数据变化往往受下垫面类型、高程等因素的影响,不同类型下垫面红外数据的变化幅度往往存在较大差异. Tramutoli等(2005)针对该问题,提出了一种红外异常鲁棒估算(robust estimator of thermal infrared radiation anomalies,简写为RETIRA)因子算法用于检测地震异常,该因子将陆地与海水区分开,分别建立背景参考场,进而消除不同区域由于气象和季节所带来的异常干扰. 除水体和陆地具有显著的红外变化差异外,陆地地区高程的差异(如山区和平原)也会引起红外辐射的显著差异. Strahler和Strahler(1978)的研究表明,气温随高程的增加而降低,其平均值为6.4 ℃/km. 马晓静等(2008)利用卫星红外亮温的研究结果表明,我国青藏高原地区亮温梯度的变化范围为1.4—3.75 ℃/km.

    基于此,本文对RETIRA法进行了改进,通过对陆地区域按照不同高程进行划分,进而构建不同高程区的背景场来获得不同区域的红外变化信息. 具体作法为将地形数据按照1.0°×1.0°(与长波辐射空间分辨率相同)进行网格化,首先依据单个网格内高程均值将其进行划分,如图 1黑色实线所示,其次再对各像素进行运算处理以获得每个位置的长波辐射变化情况,具体计算过程为

    式中,T(p,t)t时刻p像元的长波辐射值,Ttt时刻某高程区的长波辐射均值,ΔT(p,t)p像元相对于该像元所属高程区的长波辐射变化量,Tab(p,t)t时刻p像元的长波辐射异常变化指数,μΔT(p,t)为长时间尺度的ΔT(p,t)均值,σΔT(p,t)为长时间尺度的ΔT(p,t)标准偏差. 异常判断依据统计学上的3σ准则来确定,该准则认为超出检测数据均值与3σ之和的数据不超过数据总数的0.3%,可判断其为异常值,因此,将均值与3σ之和作为判断数据变化是否异常的阈值.

    图  1  2015年尼泊尔MS8.1地震震区高程分布
    星号为震中位置,红色实线为喜马拉雅构造带,下同. 黑色实线为高程划分线,黄色实线为本文对板块边界分段研究的分段位置
    Figure  1.  The elevation distribution of the Nepal MS8.1 seismic zone in 2015
    Star indicates the epicenter, red line indicates Himalayan tectonic zone,the same below. Black line divides the different elevation regions, yellow lines indicate the segment of the plate boundary in this study

    根据2015年尼泊尔MS8.1地震破裂过程的反演结果(张勇等,2015),本文计算了2007年1月—2015年8月覆盖断层破裂面在地面投影(地震破裂面)像元的长波辐射异常变化指数,如图 2所示. 可以看出,8年多的时间内,长波辐射异常变化指数仅在2015年尼泊尔地震前出现突破阈值的现象,最高接近8,异常出现的时间开始于2014年10月上旬,即地震发生前半年在地震破裂面区域出现异常.

    图  2  尼泊尔MS8.1地震破裂面长波辐射(OLR)异常变化指数的时间序列,灰色实线为阈值线
    Figure  2.  Time series of outgoing longwave radiation (OLR) anomalous variation index over the earthquake rupture surface of the Nepal MS8.1 earthquake, where the gray line represents the threshold line

    尼泊尔地震是发生在板块交界处的逆断层型地震,基于此,我们对板块边界的喜马拉雅构造带(图 1中红色实线)的长波辐射数据进行了分段分析. 根据纬向分布将其分为ABC等3个部分(图 1中黄色实线),对2007年1月—2015年8月期间各段长波辐射异常变化指数的均值进行分析,结果如图 3所示. 可以看出,喜马拉雅构造带AB两段长波辐射异常变化指数在2015年尼泊尔地震前显著增强(图 3ab),异常出现的时间与地震破裂面长波辐射异常出现的时间一致,而C段的长波辐射变化则相对平稳(图 3c).

    图  3  2007—2015年喜马拉雅构造带长波辐射异常变化指数的时间序列. 箭头指示异常变化
    Figure  3.  Time series of OLR anomalous variation index along Himalayan tectonic zone from 2007 to 2015. The arrows mark the OLR anomalous variation

    考虑到尼泊尔地震区高程变化及板块边界位置大致沿纬向分布,又对该区域内各纬向上的长波辐射异常变化指数的时间序列进行分析. 图 4给出了尼泊尔地震震中所在纬度的28°N长波辐射异常变化指数的时间序列. 可以看出,在104个月内,该指数仅在尼泊尔地震前出现高值异常. 为进一步了解异常的分布特征,对2014年和2015年沿28°N的长波辐射异常变化指数时间序列进行放大(图 4b),结果显示异常出现的时间为2014年下半年(震前半年),异常断续出现,且主要分布在震中以西,震后则逐渐消失.

    图  4  尼泊尔地震震区沿28°N的长波辐射异常变化指数时间序列,椭圆区为异常区
    Figure  4.  Time series of OLR anomalous variation index along latitude 28°N in Nepal seismic zone, where ellipse indicates the anomalous region

    通过对长时间序列的数据分析获得了尼泊尔地震长波辐射异常出现的时间及大致方位. 为了进一步明确该异常的空间位置,需对长波辐射异常变化指数的空间分布进行分析.

    本文首先计算研究区长波辐射异常变化指数的逐月累加值,如图 5所示. 累加值能够反映异常在某个固定位置的强度. 从研究区全区来看,异常出现的时间为2014年10月(震前半年),这与前面对地震破裂面、板块边界构造带以及震中纬向长波辐射异常变化指数的长时间序列分析所获得的异常出现时间一致. 而从异常出现的空间位置来看,异常最初出现在尼泊尔地震震中以西,且沿板块边界分布;2014年11月异常则正好出现在尼泊尔地震震中位置;之后几个月异常连续出现,且多位于板块边界及其以南地区,直至震后基本消失.

    图  5  尼泊尔MS8.1地震前、后长波辐射异常空间分布的逐月变化
    Figure  5.  The monthly variation of OLR anomalies spatial distribution before and after MS8.1 Nepal earthquake

    在此基础上,本文又计算了2007年1月—2015年8月研究区内各点位所有长波辐射异常变化指数大于设定阈值的均值,其中设定阈值为该点位上所有数据均值与3倍标准偏差之和. 计算结果代表了该时间段内长波辐射增强的平均幅度和空间位置,如图 6所示. 可以看出,最大值出现在尼泊尔地震以西和以南地区,且恰好分布在板块边界构造带上.

    图  6  尼泊尔MS8.1地震长波辐射平均异常的空间分布
    Figure  6.  The spatial distribution of average OLR anomalies caused by MS8.1 Nepal earthquake

    2015年尼泊尔MS8.1地震发生在印度板块与欧亚板块交界的喜马拉雅构造带上. 印度板块以40 mm/a的速度向北运动,其中1/3以上的缩短量被喜马拉雅构造带所吸收,因此,该构造带为应力高度集中区(赵文津,2015). 尼泊尔地震正是由于印度板块和欧亚板块沿南北向的持续汇聚使得主喜马拉雅逆冲断层带上的应力不断积累,并超过岩层摩擦阻力而发生的破裂地震(郭祥云等,2015). 已有研究表明,地壳应力变化与地表“热”场之间有很强的相关性(陈顺云等, 20092014),因此,本研究检测到的出现在尼泊尔地震震前高应力区的“热”异常对理解“热”前兆机理具有重要意义.

    目前,学术界对于地震“热”前兆还存在争论,主要集中在所谓的异常只在地震前出现,还是在任何时候都有可能出现. Eneva等(2008)通过对美国加州2000—2007年卫星红外数据的分析指出震前温度增强只是偶然现象,在无震时也会出现,认为红外辐射异常与地震间的关联性并不确定. 之后,Tramutoli(2011)认为Eneva等(2008)的结果虽然考虑了对长时间序列卫星红外数据的分析,但并未考虑红外异常的时空关系,而这对于确定地震异常至关重要. Eleftheriou等(2016)以希腊为试验区,分析了2004—2013年红外异常与M≥4.0地震的关系,结果显示识别出的异常在地震时空窗内的比例超过93%. 因此,地震红外异常检测应该从时间和空间上同时考虑.

    本文分析了尼泊尔地震前后104个月共3 158天的长波辐射日数据,结果表明,仅在尼泊尔地震发生半年前出现显著异常,且幅度较高,远超过3倍标准偏差的阈值线,而通过检索地震目录,在104个月内在板块边界及周边地区仅发生这一次M>7.0地震,在时间窗上与地震吻合,可以认为这种变化并不是一次随机事件. 从异常出现的空间位置来看,长波辐射增强主要集中在喜马拉雅构造带西段及其以南区域. 由于地壳应力状态与地表“热”场之间有很强的相关性(陈顺云等, 20092014),构造带西段出现的异常现象可以用GPS观测资料显示的喜马拉雅构造带的震前面应变率西部高于东部来解释(苏小宁等,2015). 此外,岩石力学实验结果(陈顺云等,2009)表明岩石受挤压温度上升,拉张温度下降. 尼泊尔地震的震源机制显示发震断层南部区域为断层压缩区,北部为断层拉张区,因此,检测到的异常多集中在喜马拉雅构造带南部这一结果与震源机制和力学试验结果均吻合. 综上,本研究检测到的长波辐射异常均位于2015年尼泊尔地震的时空窗内.

    此外,本文提出的改进的RETIRA法通过对不同高程等级像素的归一化处理,进一步削弱了地形变化对红外辐射的影响,在尼泊尔地震应用中有效地获取了震前红外异常的时空变化信息. 在实际地震监测应用中,可根据板块分区或重点地震监视区划分等获取不同区域的红外辐射背景变化,进而对每个区域的红外辐射异常变化进行跟踪研究. 特别值得指出的是,本研究所使用的长波辐射数据主要反映云顶辐射信息,不需要进行去云处理,如果将该方法应用于红外亮温数据则必须在计算前进行去云处理,可能会造成数据在时间上的不连续(有云数据被剔除),因此,若应用于红外亮温数据可考虑使用高时间分辨率的静止卫星红外数据.

  • 陈德智, 唐磊, 盛剑霓, 王恒利. 1998. 由小波变换的模极大值快速重构信号[J]. 电子学报, 26(9): 82——85.

    段炜. 2008. 基于小波变换的探地雷达信号去噪方法研究[D]. 长沙: 中南大学: 43——54.

    姜弢, 刘庆普, 胡留军. 2002. 地震信号去噪的小波方法研究[J]. 哈尔滨工程大学学报, 23(4): 86——89.

    蒋鹏. 2004. 小波理论在信号去噪和数据压缩的应用研究[D]. 杭州: 浙江大学: 47——59.

    孔祥茜, 吴继伟, 岳继光. 2005. 地震信号小波变换的去噪方法[J]. 计算机辅助工程, 14(3): 52——56.

    李华. 2000. 小波理论分析及其在地震信号处理中的应用研究[D]. 成都: 成都理工学院: 43——52.

    陆基孟. 2005. 地震勘探原理下册[M]. 北京: 石油大学出版社: 312——328.

    潘洪屏. 2011. 基于小波分析技术的地震信号去噪方法研究[D]. 大庆: 东北石油大学: 38——40.

    孙丰荣, 翟广涛, 李艳玲, 刘泽, 张梅, 张运. 2005. 由小波变换模极大值重构信号的快速算法[J]. 小型微型计算机系统, 26(12): 2147——2149.

    孙延奎. 2005. 小波分析及其应用[M]. 北京: 机械工业出版社: 224——236.

    田金文, 高谦, 杜拥军. 2001. 基于小波变换模极大值的地震信号去噪处理方法[J]. 江汉石油学院学报, 23(1): 22——25.

    王秀明. 2007. 应用地球物理方法原理[M]. 北京: 石油工业出版社: 23——25.

    徐长发, 李国宽. 2004. 实用小波方法[M]. 武汉: 华中科技大学出版社: 107——119.

    姚胜利. 2007. 地震信号的小波去噪方法研究[D]. 长沙: 中南大学: 22——37.

    张荣标, 胡海燕, 冯友兵. 2007. 基于小波熵的微弱信号检测方法研究[J]. 仪器仪表学报, 28(11): 2078——2083.

    张媛玲. 2001. 小波分析在地震勘探资料处理中的应用[D]. 沈阳: 沈阳工业大学: 12——14, 34——43.

    周怀来. 2006. 基于小波变换的地震信号去噪方法研究与应用[D]. 成都: 成都理工大学: 1——7.

    朱晓明. 2007. 工程地震信号去噪技术研究[D]. 青岛: 中国海洋大学: 1——14.

    Alnashash H A, Paul J S. 2003. Wavelet entropy method for EEG analysis application to global brain injury[C]//IEEE EMBS Conference on Neural Engineering. Capri Island, Italy. 3: 348——351.

    Donoho D. 1995. De——noising by soft——thresholding [J]. IEEE Trans on IT, 3: 613——627.

    He Z Y, Cai Y M. 2004. A study of wavelet entropy theory and its application in power system[C]//IEEE International Conference on Intelligent Mechatronics and Automation. Chengdu, China. 8: 847——851.

    Hsung T C, Lun D P K. 1999. Denoising by singularity detection[J]. IEEE Transactions on Signal Processing, 47(11): 3139——3144.

    Mallat S G, Zhong S. 1992. Characterization of signals from multiscale edges[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 14(7): 710——732.

    Witkin A P. 1983. Scale space filtering[C]//Proceedings of the Eighth International Joint Conference on Artificial Intelligence. Karlsruhe, Germany: 1019——1022.

    Ykhlef F, Arezki M. 2004. A wavelet denoising method to improve detection with ultrasonic signal[C]//IEEE International Conference on Industrial Technology. Hammamet, Tunisia: 1422——1425.

    陈德智, 唐磊, 盛剑霓, 王恒利. 1998. 由小波变换的模极大值快速重构信号[J]. 电子学报, 26(9): 82——85.

    段炜. 2008. 基于小波变换的探地雷达信号去噪方法研究[D]. 长沙: 中南大学: 43——54.

    姜弢, 刘庆普, 胡留军. 2002. 地震信号去噪的小波方法研究[J]. 哈尔滨工程大学学报, 23(4): 86——89.

    蒋鹏. 2004. 小波理论在信号去噪和数据压缩的应用研究[D]. 杭州: 浙江大学: 47——59.

    孔祥茜, 吴继伟, 岳继光. 2005. 地震信号小波变换的去噪方法[J]. 计算机辅助工程, 14(3): 52——56.

    李华. 2000. 小波理论分析及其在地震信号处理中的应用研究[D]. 成都: 成都理工学院: 43——52.

    陆基孟. 2005. 地震勘探原理下册[M]. 北京: 石油大学出版社: 312——328.

    潘洪屏. 2011. 基于小波分析技术的地震信号去噪方法研究[D]. 大庆: 东北石油大学: 38——40.

    孙丰荣, 翟广涛, 李艳玲, 刘泽, 张梅, 张运. 2005. 由小波变换模极大值重构信号的快速算法[J]. 小型微型计算机系统, 26(12): 2147——2149.

    孙延奎. 2005. 小波分析及其应用[M]. 北京: 机械工业出版社: 224——236.

    田金文, 高谦, 杜拥军. 2001. 基于小波变换模极大值的地震信号去噪处理方法[J]. 江汉石油学院学报, 23(1): 22——25.

    王秀明. 2007. 应用地球物理方法原理[M]. 北京: 石油工业出版社: 23——25.

    徐长发, 李国宽. 2004. 实用小波方法[M]. 武汉: 华中科技大学出版社: 107——119.

    姚胜利. 2007. 地震信号的小波去噪方法研究[D]. 长沙: 中南大学: 22——37.

    张荣标, 胡海燕, 冯友兵. 2007. 基于小波熵的微弱信号检测方法研究[J]. 仪器仪表学报, 28(11): 2078——2083.

    张媛玲. 2001. 小波分析在地震勘探资料处理中的应用[D]. 沈阳: 沈阳工业大学: 12——14, 34——43.

    周怀来. 2006. 基于小波变换的地震信号去噪方法研究与应用[D]. 成都: 成都理工大学: 1——7.

    朱晓明. 2007. 工程地震信号去噪技术研究[D]. 青岛: 中国海洋大学: 1——14.

    Alnashash H A, Paul J S. 2003. Wavelet entropy method for EEG analysis application to global brain injury[C]//IEEE EMBS Conference on Neural Engineering. Capri Island, Italy. 3: 348——351.

    Donoho D. 1995. De——noising by soft——thresholding [J]. IEEE Trans on IT, 3: 613——627.

    He Z Y, Cai Y M. 2004. A study of wavelet entropy theory and its application in power system[C]//IEEE International Conference on Intelligent Mechatronics and Automation. Chengdu, China. 8: 847——851.

    Hsung T C, Lun D P K. 1999. Denoising by singularity detection[J]. IEEE Transactions on Signal Processing, 47(11): 3139——3144.

    Mallat S G, Zhong S. 1992. Characterization of signals from multiscale edges[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 14(7): 710——732.

    Witkin A P. 1983. Scale space filtering[C]//Proceedings of the Eighth International Joint Conference on Artificial Intelligence. Karlsruhe, Germany: 1019——1022.

    Ykhlef F, Arezki M. 2004. A wavelet denoising method to improve detection with ultrasonic signal[C]//IEEE International Conference on Industrial Technology. Hammamet, Tunisia: 1422——1425.

  • 期刊类型引用(3)

    1. 张铁宝,杨星,路茜,龙锋. 青藏高原东部及周边地区热红外背景场特征. 科学技术与工程. 2021(22): 9217-9223 . 百度学术
    2. 荆凤,崔月菊,孙珂,熊攀. 2008年新疆乌恰M6.7地震多参量时空变化特征研究. 遥感学报. 2018(S1): 181-191 . 百度学术
    3. 耿飞,孟庆岩,魏鸣,卢显. 2013年芦山M_S7.0地震前后甲烷排放时空演化分析. 地震学报. 2017(03): 386-394+452 . 本站查看

    其他类型引用(6)

计量
  • 文章访问数:  1514
  • HTML全文浏览量:  1345
  • PDF下载量:  230
  • 被引次数: 9
出版历程
  • 发布日期:  2012-11-13

目录

/

返回文章
返回