• ISSN 1673-5722
  • CN 11-5429/P

活动断层探察数据的信息编码优化研究

吴熙彦 于贵华 杜克平 徐锡伟 王银

王二涛, 高惠瑛, 孙海, 王俊杰. 基于PSO-SVM的城市桥梁群体震害预测模型研究[J]. 震灾防御技术, 2017, 12(1): 185-193. doi: 10.11899/zzfy20170119
引用本文: 吴熙彦, 于贵华, 杜克平, 徐锡伟, 王银. 活动断层探察数据的信息编码优化研究[J]. 震灾防御技术, 2017, 12(1): 85-95. doi: 10.11899/zzfy20170109
Wang Ertao, Gao Huiying, Sun Hai, Wang Junjie. Study on Seismic Damage Prediction Model of Urban Bridges Group Based on PSO-SVM[J]. Technology for Earthquake Disaster Prevention, 2017, 12(1): 185-193. doi: 10.11899/zzfy20170119
Citation: Wu Xiyan, Yu Guihua, Du Keping, Xu Xiwei, Wang Yin. Optimizing Information Coding of Active Fault Survey Data[J]. Technology for Earthquake Disaster Prevention, 2017, 12(1): 85-95. doi: 10.11899/zzfy20170109

活动断层探察数据的信息编码优化研究

doi: 10.11899/zzfy20170109
基金项目: 

中央级公益性科研院所基本科研业务专项 IGCEA1303

地震行业科研专项“编制活动断层探察相关标准的研究” 20138001

“中国地震活动断层探察” 201408123

“我国地震重点监视防御区活动断层地震危险性评价” 201008001

详细信息
    作者简介:

    吴熙彦, 女, 生于1984年。工程师。主要从事GIS在活动构造研究方面的应用研究。E-mail:xywu@ies.ac.cn

    通讯作者:

    于贵华, 女, 生于1966年。研究员。主要从事数据库、GIS、活动构造等方面的研究。E-mail:yuguihua@139.com

Optimizing Information Coding of Active Fault Survey Data

  • 摘要: 从20世纪90年代起,研究人员就开始探索活动断层探察数据的制作、存储与管理。迄今为止,已经获得了大量的活动断层探察数据,建成了一套系统的数据组织体系,为减轻地震灾害的相关研究提供了数据和技术支撑。近年来,随着活动断层数据库信息的扩充,初期设计的部分属性信息编码已不适用。为了形成适应当前工作的属性信息编码体系,本文以活动断层数据库建设体系为基础,对数据库属性值代码进行信息分类和编码优化。文章将数据库属性值代码分为字符型单一含义值、数值型单一含义值及复合含义值,分别进行编码规则设计,最终优化了数据库属性信息编码体系,提高了从建库到数据应用的数据录入、检测、制图自动化、数据分析等环节的效率。
  • 桥梁是为保证道路的连续性而专门建造的人工构筑物,也是城市生命线工程中极其重要的一部分。随着我国国民经济的不断发展,桥梁已成为城市正常运行的不可或缺的建筑物。我国是多地震国家,地震的突发性和强破坏性,往往给我国城市桥梁带来巨大的损害。桥梁是城市生命线工程和城市交通系统的重要组成部分,在交通系统防震减灾工作中处于核心地位 (王东升等,2001),如果桥梁在地震中受到严重的破坏,将会严重阻碍地震应急和灾区的救援,从而严重影响人们的生产生活和灾后的恢复重建工作。有效的桥梁震害预测可以提高城市综合抗震救灾能力,为城市抗震防灾规划提供科学依据,因此具有重要的现实意义。

    国内外对桥梁震害预测的方法主要有4类 (王东升等,20012003姜淑珍等,2004):经验统计法 (包括久保庆三郎方法、日本土木工程学会方法、朱美珍方法、Buckle方法、回归统计法等),规范校核法,Pushover (推覆分析) 法和大跨度桥梁定性与定量相结合的震害预测方法。庄丽等 (2007)基于VB语言和经验统计公式对青岛市桥梁做出了震害预测,并将该方法运用到青岛市地震应急指挥系统;柳春光等 (2008)将遗传算法和BP神经网络相结合,克服了BP神经网络容易陷入局部最优、运算速度慢等弱点,建立了遗传优化BP神经网络的桥梁震害预测方法;谭潇等 (2013)用支持向量机 (SVM) 原理建立了桥梁震害评估的SVM模型,同时也证明了SVM模型对桥梁震害的预测优于基于人工神经网的预测模型。本文充分利用粒子群算法和支持向量机的优点,借助Matlab软件和Libsvm工具箱,结合桥梁的震害影响因素,建立基于PSO-SVM的城市桥梁震害模型,使桥梁的震害预测方法更加完善和多元。

    粒子群算法 (Particle Swarm Optimization,PSO) 是一种结构简单、易于实现、通用的智能算法。通常粒子群 (田雨波,2104) 的数学描述为:假设在一个n维的搜索空 间中由m个粒子组成的种群,其中第i个粒子位置${x_i} = {({x_{i, 1}}, {x_{i, 2}}, \ldots, {x_{i, m}})^{\rm{T}}} $,其粒子速度${v_i} = {({v_{i, 1}}, {v_{i, 2}}, \ldots, {v_{i, n}})^{\rm{T}}}$。它的一个极值为${P_i} = {({p_{i, 1}}, {p_{i, 2}}, \ldots, {p_{i, n}})^{\rm{T}}}$,种群的全局极值为${P_{\rm{g}}} = {({p_{{\rm{g}}, 1}}, {p_{{\rm{g}}, 2}}, \ldots, {p_{{\rm{g}}, n}})^{\rm{T}}}$。粒子群算法在找到以上的2个极值后,根据公式 (1) 和 (2) 不断更新自己的速度和位置:

    $$ v_{i, d}^{k + 1} = v_{i, d}^k + {c_1} \cdot \;{r_1} \cdot \;(p_{i, d}^k - x_{i, d}^k) + {c_2} \cdot {r_2} \cdot \;(p_{g, d}^k - x_{i, d}^k) $$ (1)
    $$ x_{i, d}^{k + 1} = x_{i, d}^k + v_{i, d}^{k + 1} $$ (2)

    其中,c1c2常被称为学习因子或加速常数;r1r2为介于0和1之间的随机数;$v_{i, d}^k$和$x_{i, d}^k$是粒子在第k次迭代中第d维的速度和位置;$p_{i, d}^k$是粒子在第k次迭代中第d维的个体极值的位置;与个体极值相对应的$p_{g, d}^k$是群体在第k次迭代中第d维的全局极值的位置。

    支持向量机 (Support Vector Machine,SVM) 在解决小样本和非线性高维模式识别中具有明显优势。一个非线性的SVM模型主要通过把原始空间的低维非线性数据映射到高维空间,将其转化为线性可分问题 (王建国等,2015),这样在高维的空间中就对应其低维的非线性回归问题,其本质就是在训练样本中来寻找一个最优超平面,是一个二次规划问题,可以通过对偶问题来求解。

    其具体的步骤是通过一定的映射关系φ(·),在一定的条件下构成核函数$K({x_i}, {x_j}) = (\varphi ({x_i}) \cdot \varphi ({x_j}))$以避免高维空间的复杂计算。设样本集 (王雪刚,2014王书舟,2009):$\{ (xi, yi), i = 1, 2, \cdots, l, xi \in {R^n}, yi \in R\} $,R为欧式空间,n为样本输入维数,对于引入松弛因子${\xi _i}、{\zeta _i}$的二次优化问题:

    $$ \min [\frac{1}{2}{\left\| \omega \right\|^2} + C\sum\limits_{i = 1}^l {({\xi _i} + {\zeta _i})} ] $$ (3)
    $$ {\rm{s}}{\rm{.t}}{\rm{.}}\left\{ \begin{array}{l} yi - [{\omega ^{\rm T}}\varphi (xi) + {\rm{b}}] \le \varepsilon + {\xi _i}\\ {\omega ^{\rm T}}\varphi (xi) + {\rm{b}} - yi \le \varepsilon + {\zeta _i}\\ \xi i, \zeta i \ge 0 \end{array} \right. $$ (4)

    通过引入Lagrange乘子α, β, η,定义Lagrange函数的二次规划方程为:

    $$ \begin{array}{l} \;\;L(\omega, b, \alpha, \beta) = \frac{1}{2}{\left\| \omega \right\|^2} + C\sum\limits_{i = 1}^l {({\xi _i} + {\zeta _i}) - \sum\limits_{i = 1}^l {{\alpha _i}({\xi _i} + \varepsilon - {y_i} + (\omega \cdot \varphi ({x_i})) + b)} } \\ - \sum\limits_{i = 1}^l {{\beta _i}} ({\zeta _i} + \varepsilon - {y_i} - (\omega \cdot \varphi ({x_i})) - b) - \sum\limits_{i = 1}^l {{\eta _i}({\xi _i} + {\zeta _i})} \end{array} $$ (5)

    其中,$\alpha {\rm{, }}\beta {\rm{, }}\eta \ge 0$;xiyi为模型的输入和输出;ω为权重向量,b为偏值;i=1,2,…,ll为样本个数;C为惩罚参数,用于控制模型的复杂度和逼近误差;ε主要用于控制误差和模型的泛化能力。其函数的值条件为:

    $$ \frac{{\partial L}}{{\partial \omega }} = 0 \to \omega = ({\beta _i} - {\alpha _i}) \cdot \varphi ({x_i}) $$ (6)
    $$ \frac{{\partial L}}{{\partial b}} = 0 \to \sum\limits_{i = 1}^l {({\beta _i} - {\alpha _i})} = 0 $$ (7)
    $$ \frac{{\partial L}}{{\partial {\xi _i}}} = 0 \to \gamma - {\alpha _i} - {\eta _i} = 0\;\;\;(i = 1, 2, \cdots, l) $$ (8)
    $$ \frac{{\partial L}}{{\partial {\zeta _i}}} = 0 \to \gamma - {\beta _i} - {\eta _i} = 0\;\;\;(i = 1, 2, \cdots, l) $$ (9)

    解得:

    $$ b = {y_i} - \sum\limits_{j = 1}^l {({\alpha _j} - {\beta _j})\; \cdot K({x_i}, {x_j}) - \varepsilon } $$ (10)

    或:

    $$ b = {y_i} - \sum\limits_{j = 1}^l {({\alpha _j} - {\beta _j}) \cdot K({x_i}, {x_j}) - \varepsilon } $$ (11)

    根据这些条件可以得到引入Lagrange函数的二次规划的对偶问题:

    $$ \mathop {{\rm{min}}}\limits_{{a_i}, {\beta _i}} \frac{1}{2}\sum\limits_{i = 1}^l {\sum\limits_{j = 1}^l {({\alpha _i} - {\beta _i})({\alpha _j} - {\beta _j})} } \cdot K({x_i}, {x_j}) - \sum\limits_{i = 1}^l {{y_i} \cdot ({\alpha _i} - {\beta _i}) + \varepsilon \sum\limits_{i = 1}^l {({\alpha _i} + {\beta _i})} } $$ (12)

    令:

    $$ \sum\limits_{i = 1}^l {({\alpha _i} - {\beta _i}) = 0} \;\;\left({{\alpha _i} \ge 0, C \ge {\beta _i}, i = 1, 2, \cdots l} \right) $$ (13)

    在求得对偶问题的最优解,在最优解中对应的非零向量为α, β; $\alpha = (\alpha 1, \alpha 2, \cdot \cdot \cdot, \alpha_l)$, $\beta = (\beta 1, \beta 2, \cdot \cdot \cdot, \beta_l)$;进一步就得到该高维特征空间的最优超平面 (即非线性回归方程):

    $$ f(x) = \sum\limits_{i = 1}^l {({\alpha _i} - {\beta _i})} \cdot K({x_i}, {x_j}) + b $$ (14)

    核函数为RBF (径向基函数),采用其高斯形式 (白春华等,2013):

    $$ K(x, x') = {\rm{exp(}} - \frac{{{{\left\| {x - x'} \right\|}^2}}}{{2{\delta ^2}}}{\rm{)}} $$ (15)

    在RBF为核函数的SVM模型中,SVM的性能在一定的方面容易受到惩罚参数C和核函数参数δ2的影响,在下文中核函数参数δ2用Γ表示,因此,结合粒子群算法的优点进行全局寻优来不断的优化惩罚参数C和核函数参数,使得预测结果更加准确。

    通过查阅资料,收集了唐山地震、丽江地震、汶川地震、海城地震、通海地震、台湾集集地震中的城市桥梁震害情况 (吴昊,2009郭恩栋等,2014刘恢先,1986),根据经验统计法已有的研究成果,且城市桥梁建设广泛采用桩基础,所以模型中不考虑基础类型因素。模型选择影响桥梁震害等级的8个主要因素主要包括地震烈度、场地土类型、地基失效程度、上部结构、墩台高度、支座型式、桥梁跨数和桥梁的建成年代,用以上8个因素作为特征输入向量,并结合城市桥梁的相关特征。由于PSO-SVM模型只能对已量化的数字信息进行处理,但本文所选择的影响桥梁震害的8个因素都是非量化的,所以采用吴昊 (2009)对桥梁震害的影响因素进行量化的方法得到相应的值。城市桥梁主要震害因素和其量化值如表 1

    表 1  震害影响因素指标及量化值
    Table 1.  Quantitative value of disaster factors
    影响因素 量化值
    地震烈度 7度 1.0
    8度 1.1
    9度 1.2
    10度 1.5
    场地土类型 Ⅰ类 0.8
    Ⅱ、Ⅲ类 1
    Ⅳ类 1.2
    场地失效程度 1.0
    1.5
    1.8
    上部结构 简支梁 1.0
    连续梁 1.4
    墩台高度 ≤5m 1.0
    5-10m 1.1
    ≥10m 1.2
    支座型式 有防落梁措施 1.0
    消能支座 1.2
    一般支座 1.4
    桥梁长度 跨数≤3 1
    跨数>3 1.2
    桥梁的建成年代 1987年以前 1.1
    1987-2006年 1.0
    2006年以后 0.9
    下载: 导出CSV 
    | 显示表格

    根据国内现有桥梁地震破坏等级的分类标准,通常把桥梁震害分为基本完好、轻微破坏、中等破坏、严重破坏和毁坏5个等级 (王再荣等,2010),各个震害等级下破坏现象的描述如表 2。由于模型只能对已量化的数字信息进行处理,因此把桥梁震害等级的5种情况--基本完好、轻微破坏、中等破坏、严重破坏和毁坏分别对应模型的输出结果为1、2、3、4、5(如表 3)。输出结果的每一个标识对应着一种桥梁的破坏情况。

    表 2  桥梁破坏等级划分
    Table 2.  Classification criterion of bridge damage
    破坏等级 震害描述
    基本完好   承重结构完好,桥面无明显变化,只有个别构件轻微损坏,其他构件无损,可正常通行
    轻微破坏   桥台、桥面、桥墩、桥拱、桥塔、主梁等的混凝土部件表面出现细裂缝,非承重构件有破坏,桥面伸缩有变化,梁有轻微的移动,腹拱有细微裂缝,拱身有微裂,拱肋与拱波关系处松脱,墩台轻微变位,台背填土下沉等,可照常使用。
    中等破坏   桥墩混凝土出现明显裂缝,梁端混凝土出现明显裂缝,支座与梁连接的螺栓部分剪断,梁移动,桥塔结构轻微变形,墩台轻微移动,出现明显裂缝梁,端混凝土脱落,腹拱错位,拱肋、拱波龟裂,墩台微移动或开裂,经适当修复可使用。
    严重破坏   桥墩混凝土出现贯通裂缝、剥落,梁、拱出现贯通裂缝或破碎,桥塔结构变形,主要承重构件破坏、断裂,如梁、拱开裂或破碎,墩台滑移、断裂或严重倾斜,承载能力明显降低,必须大修。
    毁坏   发生落梁、塌拱、墩台折断等破坏、倒塔,已不能使用,需重建。
    下载: 导出CSV 
    | 显示表格
    表 3  桥梁震害等级标识
    Table 3.  Classification criterion of bridge damage by earthquake
    桥梁破坏等级 基本完好 轻微破坏 中等破坏 严重破坏 倒毁
    标识 1 2 3 4 5
    下载: 导出CSV 
    | 显示表格

    上文已经确定了影响支持向量机预测的基本因素是惩罚参数C和核函数的宽度,这两个参数的微妙变化都会影响预测结果的精度,本文主要比较用粒子群优化的前后模型预测准确度的变化,通过对结果的比较来研究更为准确的城市桥梁震害预测的模型。通过粒子群算法来寻找最佳的核函数参数和惩罚参数C,使模型的预测结果不断得到优化,相关的步骤的流程图如下:

    图 1  PSO-SVM桥梁震害预测模型的构建
    Figure 1.  Flowchart of PSO-SVM construction for seismic damage prediction model of urban bridge

    在利用PSO-SVM模型进行桥梁震害预测时,需要对已量化的训练数据和测试数据进行归一化处理,这样就使得不同类型的数据之间有一定的可比性,同时在一定的程度上也消除了数据之间的量纲差异,使不同类型的桥梁震害影响因子的量化值处于同一个数量级,有利于对数据进行综合评价。

    $$ {\overrightarrow x_{ik}} = \frac{{{X_{ik}} - X_k^{\min }}}{{X_k^{\max } - X_k^{\min }}} $$ (16)

    公式 (16) 对数据进行线性转换,将桥梁震害数据的量化值转换到[0,1],${\overrightarrow x _{ik}}$表示第i个样本、第k个因素归一化指标值,Xik表示第i个样本、第k个因素的量化值,$X_k^{\max }$和$X_k^{{\rm{min}}}$分别为k个因素列中的最大值和最小值。

    利用Libsvm工具箱及Matlab软件设置PSO-SVM的初始参数。设粒子的种群s=40,最大迭代次数kmax=300,学习因子c1c2取值分别为1.2和1.5。图 2可以看出粒子群的适应度在前期的变化的幅度比较大,这样可以保证粒子群算法具有较好的全局寻优能力,避免寻优结果达到局部最优。后期粒子寻优的最佳适应度的变化幅度较小,则表明粒子快速收敛已达到最优。同样粒子群优化的适应度是判定训练样本位置优化好坏的有力标准,优化后的惩罚参数C和Γ分别取值为53.88和0.01,从图 2中可以看出,经过参数优化的支持向量机预测模型具有较好的收敛效果。

    图 2  参数c和Γ的优化和适应度MSE
    Figure 2.  The fitness MSE of c and g parameter optimization

    PSO-SVM预测模型选择123个具有代表性的桥梁样本,其中103个作为训练样本,20个作为测试样本用于仿真检验。借助Matlab及相关软件对20个测试样本进行预测,将模型的预测结果与实际桥梁震害结果进行比较,更能直接地观测实验结果的准确度。相应的实验预测结果在图 3图 4中进行了详细的描述。从表 4中得知,PSO-SVM模型预测结果只有序号为4、15、18的3座桥梁的震害与实际震害结果不一致,而SVM模型的预测结果有序号为4、6、9、15、18、20的6座桥梁与实际震害结果有差异。

    图 3  PSO-SVM预测结果与实际结果对比
    Figure 3.  Observed vs. predicted result of PSO-SVM model
    图 4  SVM的预测结果与实际结果的对比
    Figure 4.  Observed vs. predicted result of SVM model
    表 4  模型预测结果差异项比较
    Table 4.  Comparison of predicted results from various models
    预测模型 预测结果差异项序列号 差异项的预测震害指数 差异项的实际震害指数 模型预测精度
    SVM 4 3 5 70%
    6 3 4
    9 2 3
    15 2 3
    18 2 4
    20 3 4
    PSO-SVM 4 4 5 85%
    15 2 3
    18 3 4
    下载: 导出CSV 
    | 显示表格

    从实验的结果来看,PSO-SVM和SVM的预测结果都和桥梁震害的实际结果进行了比较,PSO-SVM的计算结果的精度高于SVM。为使结果更易于清晰可见,特制作表 4来对比2种模型的预测结果。

    表 4可以看出,PSO-SVM模型对桥梁的预测结果明显优于没有被PSO算法优化过的预测模型,同时模型没有出现过拟合现象,从而可以得知PSO-SVM预测模型用于城市桥梁震害预测和评估是切实可行的。

    本文通过对比基于SVM和PSO-SVM的桥梁群体震害预测模型对测试桥梁样本的预测结果,结论显示,PSO-SVM模型不仅提高了城市群体桥梁震害预测的准确率,也给出了一种更为科学有效的桥梁震害评估模型,该模型充分利用粒子群算法和支持向量机算法的优点不断优化惩罚参数C和核函数参数δ2,使桥梁震害预测更准确。

    但是,本文所提出的PSO-SVM桥梁群体震害评估模型还存在一定的不足之处:① PSO-SVM的桥梁震害模型的预测结果是相对准确的,但是其计算时间较长,不如SVM模型省时;② 模型训练样本和测试样本都基于小样本系统,没有经过较多样本的检验与测试。

  • 图  1  规范化在数据库建设各环节中的示意图

    Figure  1.  Abridged general view of standardization in building Active Fault Database

    图  2  编码对象总览图

    Figure  2.  Overview of encoding object

    图  3  数据组织第一层面

    Figure  3.  The first dimension of data structure

    图  4  数据组织第二层面:以断层数据为例

    Figure  4.  The second dimension of data structure: a case of fault data

    图  5  线分类法示意图

    Figure  5.  Classification method of lines

    图  6  面分类法示意图

    Figure  6.  Classification method of areas

    表  1  表示数据来源的值代码表

    Table  1.   Codes of data sources

    值域名称 代码
    样品数据来源 野外地质调查点 GSP
    探槽 TC
    钻孔 DL
    微地貌测量 GS
    目标破裂带来源 1:10 000地震地表破裂带(FractureBelt1) FB1
    1:50 000地震地表破裂带(FractureBelt5) FB5
    1:250 000断裂地震地表破裂带(FractureBelt25) FB25
    目标断层来源 1:10 000断层(Fault1) F1
    1:50 000断裂(Fault5) F5
    1:250 000断裂(Fault25) F25
    活动断层(ActiveFault) AF
    采样情况说明 一种样品单次采样 STSS
    一种样品多次采样 STMS
    多种样品多次采样 MTMS
    下载: 导出CSV

    表  2  单一含义数值型代码表

    Table  2.   Codes of simple numerical value

    值域名称 描述值 代码
    方位角(16方位) E 90
    NEE 75
    NE 45
    NNE 15
    N 0
    NNW 345
    NW 315
    NWW 285
    W 270
    SWW 255
    SW 225
    SSW 195
    S 180
    SSE 165
    SE 135
    SEE 105
    可靠性等级 Excellent 5
    Good 4
    Normal 3
    Poor 2
    Fail 1
    下载: 导出CSV

    表  3  地质年代代码表

    Table  3.   Code values of geological times

    年代 代码
    Qh3 33320300
    Qh2-3 33320230
    Qh2 33320200
    Qh1-2 33320120
    Qh1 33320100
    Qh 33320000
    Qp3-Qh 33312300
    Qp32 33310302
    Qp31 33310301
    Qp3 33310300
    Qp2 33310200
    Qp1+2 33310120
    Qp1 33310100
    Qp 33310000
    Q 33300000
    Pre-Q -33300000
    N22 33220200
    N21 33220100
    N2 33220000
    N14 33210400
    N13 33210300
    N12 33210200
    N11 33210100
    N1 33210000
    N 33200000
    E32 33130200
    E31 33130100
    E3 33130000
    E24 33120400
    E23 33120300
    E22 33120200
    E21 33120100
    E2 33120000
    E12 33110200
    E11 33110100
    E1 33110000
    E 33100000
    Cz 33000000
    AnR -33000000
    K1 32310000
    K 32300000
    T1 32110000
    T 32100000
    Mz 32000000
    Pre-Mz -32000000
    P2 31620000
    P1 31610000
    P 31600000
    C1 31510000
    C 31500000
    D2 31420000
    D1 31410000
    D 31400000
    S4 31340000
    S3 31330000
    S2 31320000
    S1 31310000
    S 31300000
    O3 31230000
    O21 31220100
    O2 31220000
    O1 31210000
    O 31200000
    3 31130000
    2 31120000
    1 31110000
    31100000
    Pre-∈ -31100000
    Pz 31000000
    PH 30000000
    Z2 23320000
    Z1 23310000
    Z 23300000
    Nh2 23220000
    Nh1 23210000
    Nh 23200000
    Qb2 23120000
    Qb1 23110000
    Qb 23100000
    Pt3 23000000
    Jx2 22220000
    Jx1 22210000
    Jx 22200000
    Ch2 22120000
    Ch1 22110000
    Ch 22100000
    下载: 导出CSV

    表  4  岩体形成时期代码表

    Table  4.   Codes of rock formation times

    年代 代码
    喜马拉雅期(古近纪-第四纪) 33103330
    燕山期(侏罗纪-白垩纪) 32203230
    印支期(三叠纪) 32100000
    华力西期(泥盆纪-二叠纪) 31403160
    加里东期(寒武纪-志留纪) 31103130
    震旦期(南华纪-震旦纪) 23202330
    晋宁期(青白口纪) 23000000
    四堡期(中元古代) 22000000
    吕梁期(古元古代) 21000000
    前吕梁期(太古宙) 10000000
    下载: 导出CSV

    表  5  代码结构示意表

    Table  5.   Structure of code

    格式 分类
    * 大类
    * 小类
    ③④⑤⑥ * * * * 小类内部编码
    下载: 导出CSV

    表  6  第3 — 6位代码含义概况表

    Table  6.   Description of the third to sixth characters of code

    大类 小类 复合含义6位数值型代码的第3—6位含义
    地质 实体 第3位实体名代码 第4、5、6位内部编码
    描述 第3位描述参数代码
    地球物理 实体 第3、4位实体名代码 第5、6位保留
    方法 第3、4位探测方法代码 第5、6位内部编码
    状态 第3、4位保留 第5、6位表示状态
    地球化学 方法 第3、4位探测方法代码 第5、6位表示探测方法
    样品 方法 第3、4位测试方法代码 第5、6位内部编码
    火山 实体 第3位实体名称代码 第4、5、6位内部编码
    下载: 导出CSV

    表  7  断层类型代码表

    Table  7.   Codes of different fault types

    代码
    出露性质未知 111100
    走滑 111101
    左旋 111102
    右旋 111103
    正断 111110
    走滑正断 111111
    左旋正断 111112
    右旋正断 111113
    逆断 111120
    走滑逆断 111121
    左旋逆断 111122
    右旋逆断 111123
    隐伏性质未知 111200
    隐伏走滑 111201
    隐伏左旋 111202
    隐伏右旋 111203
    隐伏正断 111210
    隐伏走滑正断 111211
    隐伏左旋正断 111212
    隐伏右旋正断 111213
    隐伏逆断 111220
    隐伏走滑逆断 111221
    隐伏左旋逆断 111222
    隐伏右旋逆断 111223
    推测性质未知 111300
    推测走滑 111301
    推测左旋 111302
    推测右旋 111303
    推测正断 111310
    推测走滑正断 111311
    推测左旋正断 111312
    推测右旋正断 111313
    推测逆断 111320
    推测走滑逆断 111321
    推测左旋逆断 111322
    推测右旋逆断 111323
    下载: 导出CSV
  • 崔瑾, 柴炽章, 王银, 2014.活断层数据库建设技术方法及操作综述.震灾防御技术, 9(2):271-279. doi: 10.11899/zzfy20140212
    董曼, 杨天青, 2014.地震应急灾情信息分类探讨.震灾防御技术, 9(4):937-943. doi: 10.11899/zzfy20140423
    葛孚刚, 王冬雷, 王志才等, 2011.山东省1:20万活断层数据库建设.土工基础, 25(3):64-67. http://www.cnki.com.cn/Article/CJFDTOTAL-TGJC201103021.htm
    葛伟鹏, 袁道阳, 郭华, 2006.对城市活断层探测项目中地震地质数据建模的探讨.西北地震学报, 28(2):134-139. http://www.cnki.com.cn/Article/CJFDTOTAL-ZBDZ200602007.htm
    李策, 杜云艳, 于贵华等, 2008.基于ArcGIS的地震活断层多源数据组织与管理研究.地球信息科学, 10(6):716-723. http://www.cnki.com.cn/Article/CJFDTOTAL-DQXX200806007.htm
    李新通, 何建邦, 毕建涛, 2002.国家资源环境数据库信息分类编码及应用模式.地理学报, 57(S):9-17. http://cdmd.cnki.com.cn/Article/CDMD-10759-1016181552.htm
    刘娜, 张建国, 毛燕等, 2009.活断层数据库在昆明市防震减灾工作中的应用研究.地震研究, 32(S):503-506. http://cdmd.cnki.com.cn/Article/CDMD-11415-2007066981.htm
    柔洁, 刘云华, 傅长海, 2008.乌鲁木齐市活断层数据库在城市建设中的作用.内陆地震, 22(3):193-202. http://www.cnki.com.cn/Article/CJFDTOTAL-LLDZ200803002.htm
    田胜清, 2006.核电厂地震安全性评价中的断裂构造调查与评价.震灾防御技术, 1(1):25-30. doi: 10.11899/zzfy20060104
    徐锡伟, 于贵华, 马文涛等, 2002.活断层地震地表破裂"避让带"宽度确定的依据与方法.地震地质, 24(4):470-483. http://www.cnki.com.cn/Article/CJFDTOTAL-DZDZ200204001.htm
    徐锡伟, 2006.活动断层、地震灾害与减灾对策问题.震灾防御技术, 1(1):7-14. doi: 10.11899/zzfy20060102
    于贵华, 邓起东, 邬伦等, 1996.利用GIS系统建立中国活动断裂信息咨询分析系统.地震地质, 18(2):156-160. http://www.cnki.com.cn/Article/CJFDTOTAL-DZDZ602.007.htm
    于贵华, 徐锡伟, 孙怡等, 2006.城市活断层探测信息系统的设计与实现——以福州市活断层信息管理系统为例.地震地质, 28(4):655-662. http://www.cnki.com.cn/Article/CJFDTOTAL-DZDZ200604012.htm
    于贵华, 杜克平, 徐锡伟, 吴熙彦, 2012.活动构造数据库建设相关问题的研究.地震地质, 34(4):713-725. http://www.cnki.com.cn/Article/CJFDTOTAL-DZDZ201204017.htm
    中国地震局震害防御司, 2013.地下搞清楚:中国地震活动断层探察.防灾博览, (4):20-25. http://www.cnki.com.cn/Article/CJFDTOTAL-FZBL201304011.htm
    张翼, 唐姝娅, 王悦等, 2016.地震应急信息产品分类编码研究.震灾防御技术, 11(1):132-143. doi: 10.11899/zzfy20160115
  • 加载中
图(6) / 表(7)
计量
  • 文章访问数:  130
  • HTML全文浏览量:  28
  • PDF下载量:  12
  • 被引次数: 0
出版历程
  • 收稿日期:  2016-01-11
  • 刊出日期:  2017-03-01

目录

/

返回文章
返回