Research on Regional Stacking of Broadband Seismic Records at Hongshan Station in Hebei Province
-
摘要: 可靠的震相走时是地震预警技术中精确测定震源位置和发震时刻的基础，本文运用STA/LTA震相识别技术，针对单台（河北红山台）2009—2021年共计12年积累的地震记录进行叠加计算，得到了红山台记录到的区域地震各震相走时曲线。结果显示，震中距0°～50°范围内红山台共成像7种震相的走时曲线，分别为P、S、PP、SS、PcS、ScS以及R面波震相，且随着组合参数变化，叠加成像的震相种类、震中距范围、清晰度均有所不同。此外，通过绘制各震相走时曲线发现，震中距0°～15°范围内，P波、S波及R波走时曲线基本呈线性变化，震中距0°～15°范围内计算得到红山台区域地震P波传播速度为7.5 km/s左右，S波传播速度为4.2 km/s左右，R波传播速度为3.5 km/s左右，介于P波和S波之间存在一个震相的走时痕迹，波速为5.4 km/s左右。本工作对于提升红山台震中距≤1000 km的地震预警定位精度有指导意义。Abstract: Reliable seismic phase travel time plays a fundamental role in the accurate determination of source position and occurrence time in earthquake early warning technology. In this paper, the STA/LTA phase identification technology is used for the first time to stack the seismic records accumulated by a single station (Hebei Hongshan station) for 12 years from 2009 to 2021, and the travel time curves of each seismic phase recorded by Hongshan station are imaged. The results show that the travel time curves of seven known seismic phases in Hongshan station are P, S, PP, SS, PcS, ScS, and R surface wave phases in the range of 0° to 50° epicenter distance. With the change of combination parameters, the types of seismic phases, epicentral distance range, and definition of superimposed imaging are different. In addition, by drawing the travel time curves of each seismic phase, it is found that the travel time curves of P wave, S wave, and R wave basically change linearly within the epicenter distance of 0° to 15°. Within the epicenter distance of 0° to15°, it is calculated that the seismic P-wave propagation velocity in Hongshantai area is about 7.5 km/s, S-wave propagation velocity is about 4.2 km/s and R-wave propagation velocity is about 3.5 km/s. There is a trace of seismic phase travel time between P wave and S wave, and the wave propagation velocity is about 5.4 km/s.
-
Key words:
- Seismic phase /
- Superposition /
- STA / LTA /
- Seismic record
-
引言
地震预警能够有效减轻地震灾害，世界上多个国家和地区相继建立了多套地震预警系统，并取得了明显的减灾成效（张红才等，2013；Allen等，2019）。我国“国家地震烈度速报与预警工程”于2018年正式实施，目前，正在按照“全国一张网、一套处理系统、一套处理结果以及一套发布平台、多级信息服务”的技术架构开展建设（王俊等，2021）。至2021年底，云南、四川、京津冀等地区已基本具备地震预警服务能力。
随着我国地震预警系统建设的逐步开展，系统测试用户数量和范围逐渐扩大，从最初的个人用户到学校、政府机构、企业用户等，通过不同的渠道获取预警信息并采取相应的方式进行应对（孙路强等，2020）。与此同时，对整个地震预警系统的运维监控提出了较高的要求，以保证整套系统运行稳定、性能优越、产出准确及时。
预警系统运维包括台站仪器状态、观测数据质量、网络运行状态等，其中针对网络运行状态的监控是地震预警系统运行必不可少的重要且复杂的工作。预警各项核心业务及其支撑业务系统均依赖于网络系统，网络层面发生故障，会影响台站波形数据传输，对于对外公共服务而言，甚至会发生地震漏报，影响地震预警整体服务能力。为变被动为主动，需全面监控预警业务系统各环节服务质量，快速发现并定位影响关键业务性能及稳定性的原因，实现以业务为核心的网络环境监控与支撑。
1. 地震预警网络现状
地震预警通信网络包括广域网和局域网，广域网由国家中心和省级中心共34个节点组成，各中心通过中国电信CN2虚拟专用网（陈军华等，2006）和应急指挥骨干网双平面接入，局域网指省级数据中心通信网和台站通信网。广域网各节点分别部署2台骨干路由器进行接入，局域网每个省中心部署2台台站接入路由器和2台VPN路由器，支撑台站数据传输（图1）。
图 1 省中心地震预警网拓扑Figure 1. Topology of earthquake early warning network for provincial center地震预警系统主要由3个功能部分组成（Given等，2018；王红蕾等，2019），第1个功能部分为预警信息生产系统，是预警系统最关键的部分，包括4个环节，分别为基于高密度台网的数据采集端（包括测震台网、强震台网及一般站网）、数据汇聚交换系统、数据处理系统、预警信息决策与产出系统；第2个功能部分为数据存储管理系统；第3个功能部分为综合运维监控系统（图2）。图2中箭头标识预警业务各功能区间的数据流向。在实际部署中将预警业务进一步细分为数据接入系统、数据汇集与交换系统、核心业务处理系统、数据存储系统、信息发布系统和运维监控系统等。
2. 业务集中监控
本文以河北省地震预警网为例，实现省中心地震预警业务集中监控。河北省地震预警业务系统部署在物理服务器和虚拟机服务器上，物理机主要用于波形流服务、预警业务处理及数据存储等系统部署，虚拟机主要用于信息发布、监控运维业务系统部署。预警业务监控基于网络流量监控和数据包采集与解码技术实现，对预警局域网和广域网高速转发的流量进行数据包解码与关键指标监控，实现对预警系统的网络访问性能、系统服务性能、应用响应性能等关键性能指标的采集与分析。
2.1 监控元素梳理
依据地震预警主要业务区，梳理待监控应用主机、网段、终端等基本元素。按照业务划分建立端到端的全业务流程图和分区业务流程图。河北省中心共梳理核心应用34个（表1）。根据业务类型及台站位置分布，将局域网划分为20个网段，其中业务网段为包含专线预警发布区、互联网对外发布区、DMZ区、预警数据交换区、预警数据处理区、预警数据存储与备份区、预警运行监控与展示区、预警数据信息服务区、预警系统安全管理区和测试区在内的10个网段（表2），以实现网段间业务、设备等交互信息统计。针对预警台站数量较多的特点，以地市为单位进行网段区分，将新建137个预警台站分为10个网段（表3）。终端元素为新建137个预警台站的数据采集设备。
表 1 核心应用Table 1. List of core applications业务分区 分系统部署单元 部署方式 IP地址 数据接入区 波形流服务（分流服务） 物理机 10.×.×.5（国家项目台站流） 10.×.×.6（省项目台站流1） 10.×.×.7（省项目台站流2） 10.×.×.8（唐山台站流） 10.×.×.9（张家口台站流） 10.×.×.10（背景场台站流） 10.×.×.11（一般站） 汇集交换区 波形流服务（综合） 物理机 10.×.×.12 波形流服务（触发流） 物理机 10.×.×.13 波形流服务（台网中心） 未知 10.×.×.14 波形流服务（备份中心） 未知 10.×.×.15 波形流服务（北京局） 未知 10.×.×.16 波形流服务（天津局） 未知 10.×.×.17 业务处理区 预警处理软件（JEEW） 物理机 10.×.×.18 预警处理软件（EEW） 物理机 10.×.×.19 烈度速报 物理机 10.×.×.20 决策平台 物理机 10.×.×.21 决策平台（台网中心） 未知 10.×.×.22 数据存储区 数据存储AWS 物理机 10.×.×.23 信息发布区 信息发布子系统 集群 10.×.×.24；10.×.×.25 消息中间件 主备 10.×.×.26 消息通道：预警终端政府 集群 10.×.×.27 消息通道：预警终端学校 集群 10.×.×.28 消息通道：PC端、通信运营商、新闻媒体通道、特殊行业通道 集群 10.×.×.29 消息通道：市级转发通道 集群 10.×.×.30；10.×.×.31 Nginx（负载均衡） 主备 10.×.×.32 MYSQL（紧急地震信息服务） 主备 10.×.×.12 预警转发平台（IPTV、广电等预警信息发布） 集群 10.×.×.33 运维监控区 站点监控 集群（负载均衡） 10.×.×.34 业务系统监控/预警终端 10.×.×.35 观测数据监控 主备 10.×.×.36 NTP 单机 10.×.×.37 表 2 预警业务网段划分Table 2. Network segments of EEW system地址段划分 业务分区 VLAN 网关 10.×.0.0/24 专线预警发布区（接入政府专线） 2100 10.×.0.254 10.×.1.0/24 互联网对外发布区 2101 10.×.1.254 10.×.2.0/24 DMZ区 2102 10.×.2.254 10.×.7.0/24 预警数据交换区 2107 10.×.7.254 10.×.8.0/24 预警数据处理区 2108 10.×.8.254 10.×.9.0/24 预警数据存储与备份区 2109 10.×.9.254 10.×.10.0/24 预警运行监控与展示区 2110 10.×.10.254 10.×.11.0/24 预警数据信息服务区 2111 10.×.11.254 10.×.13.0/24 预警系统安全管理区 2113 10.×.13.254 10.×.63.0/24 测试区 2163 10.×.63.254 表 3 预警台站网段划分Table 3. Network segments of EEW stations地市 台站数 网段 总带宽/Mbps 廊坊 9 15.×.4.0/22 18 保定 17 15.×.8.0/22 34 邢台 16 15.×.12.0/22 32 唐山 13 15.×.16.0/22 26 沧州 13 15.×.20.0/22 26 邯郸 15 15.×.24.0/22 30 衡水 11 15.×.28.0/22 22 承德 5 15.×.32.0/22 10 石家 4 15.×.36.0/22 8 张家口 34 15.×.40.0/22 68 2.2 业务监控架构实现
对于各应用之间的交互关系，在理解业务逻辑关系的基础上，通过交互数据包分析进一步确定网络节点之间IP会话特征（刘恩海等，2015；王颀等，2021），分析预警各业务数据流之间的关联关系，划分应用类型，形成预警业务数据流监控框架。
地震预警业务数据流交互如图3所示，整体数据流流向按照业务逻辑分区自左至右推进，主要核心应用的数据流交互关系通过不同方向和不同颜色的箭头进行标记，箭头方向表示数据流向，橙色表示省数据中心内部数据，蓝色表示省中心之外的设备及数据流交互。由图3可明确各应用要素在业务分区的位置及不同业务分区中的关键节点和数据流向。
当需要分析某一特定业务时，可以该节点为中心，进一步挖掘特定时间段内与其交互的所有访问关系，确定正常连接之间的访问类型、网络流量、应用响应时间等，并以此监控是否存在非法连接。以省决策平台为例，梳理了与其有数据交互的11个应用，包括每个应用的详细信息及应用间的数据流向，如图4所示。河北省邢台市威县3.6级地震发生前后1 min内（发震时刻2022-02-06 21:48:49）以发布平台为中心的交互访问关系如图5所示，通过数据流回溯挖掘，可分析发布应用的响应时间，其作为服务端或客户端与其他应用的交互协议类型、端口号（图5中应用间连线所标注信息）、流量峰值数据等基于网络应用层的各项特征值，从应用程序会话角度细致分析TCP请求协议类型、响应时间，确定延迟源，更精准地分析发布服务器的运行性能。
3. 监控指标分析
通过构建预警业务流监控架构图，可将预警系统的整体业务架构、重点应用数据流交互及访问关系的主要网络特征等通过可视化的方式呈现。在此基础上，通过数据包回溯挖掘分析，确定应用数据特征值，识别应用层协议类型，完成基于行为模式的业务检测与分类，探查宏观数据流中存在的细微数据变化，有针对性地细化监控范围和参数，进一步确定影响各业务应用运行的性能指标，并设定各指标的告警阈值。
业务指标分析包括网络性能、应用性能和主机性能指标分析。网络性能指标分析可通过流量统计（数据包数、比特率、字节数等指标）和传输性能统计（TCP有效载荷数据包数、TCP重传率、TCP分段丢失率等指标）综合体现。应用性能指标分析可通过TCP客户端/服务端响应时间、传输时间、超时比例、交易次数和响应率等指标体现。主机性能指标分析可通过会话统计、连接状态、客户端/服务器窗口尺寸等指标综合体现，如表4所示。
表 4 监控指标Table 4. Network monitoring metrics监控类别 监控指标名称 网络性能 数据流量
（上行和下行）3次握手平均RTT
（客户端、服务端）ACK时延
（客户端、服务端）丢包率 重传率 丢包重传比 应用性能 响应时间 超时比例 交易次数 交易响应率 主机性能 会话数量 连接状态 服务器窗口尺寸 客户端窗口尺寸 以数据接入区为例，台站到流服务器之间，通过回溯分析发现采样时间内未抓取到FIN包和RST包（FIN包和RST包是TCP断开连接的数据包）（凯文R.福尔等，2016），可判定台站节点和流服务器之间会话一直处于正常通信状态，其连接类型为TCP长连接。同样，判断波形流服务器（综合）和天津流交互通信方式为长连接（异步双工长连接），通信双方既是对端的服务器，又是对端的客户端，双方数据流互相传输，监控指标应用两端的延迟ACK确定网络延迟。对于服务器间的链路状态监控，需通过服务器平均ACK时延进行判断。但服务器平均ACK时延受链路传输时延、服务器性能的影响，当观测TCP窗口大小为合理值时，才能判定链路时延是否正常，所以在服务器端需监控TCP窗口数值。
初步确定监控指标后，选取部分核心应用针对某一特定时间段进行统计指标分析（表5），对台站链路进行统计分析（表6），并根据这些指标监控结果结合业务状态，设定告警阈值。以预警流数据分发为例，在交换台站数不变的前提下，河北与台网中心、广东备份中心、北京局、天津局进行数据交换，在正常业务状态下制定两点之间数据流量的阈值范围，并进行监控（图6）。警报触发规则如下：在IP会话中，当端点1的IP地址为10.×.×.12，端点2的IP地址为10.×.×.13，且端点1发送比特率≤15 Mbps或≥20 Mbps时触发警报，图6中横向表示触发规则之间为“与”的关系，纵向表示触发规则之间为“或”的关系。
表 5 主要应用监控指标Table 5. Monitoring metrics of core applications类别 监控指标 波形流服务
（综合）台网中心流交换 广东流服务
（备份）北京流交换 波形流服务
（分流）流服务
（一般站）决策
系统连接类型 长连接 长连接 长连接 长连接 长连接 短连接 短连接 网络性能 比特率/Mbps 142.84 21.85 22.49 19.30 6.20 9.54 0.064 上行比特率/Mbps 1.79 20.07 20.45 16.28 2.14 8.37 0.032 下行比特率/Mbps 141.05 1.79 2.05 3.02 4.06 1.18 0.032 客户端平均ACK时延/ms 2.85 1 693.50 0.00 1.86 1.27 282.38 29.08 服务器平均ACK时延/ms 1.18 15.95 39.41 0.00 26.04 34.30 33.10 TCP重传率/% 0.09 0 0.03 0 0 0.39 0 应用性能 平均响应时间/ms 0.39 0 0 0 0 1.48 0.31 服务器响应平均传输时间/ms 0.05 0 0 0 0 137.73 1.13 主机性能 活动会话数 10 1 1 1 134 552 10 客户端平均窗口大小/KB 662.78 1.00 1.00 164.92 9.38 18.82 382.75 服务器平均窗口大小/KB 37.33 5.45 25.48 64.19 8.32 62.77 56.84 注：监控时间段为2022年3月15日08:05—2022年3月15日08:10。 表 6 台站链路监控指标Table 6. Monitoring metrics of station links地市 台站数 数据流量/Kbps 上行流量/Kbps 上行丢包数/个 TCP重传率/% 客户端3次握手
平均RTT/ms服务器3次握手
平均RTT/ms平均ACK
时延/ms廊坊 9 161.78 141.77 1 386 0 13.33 0.01 20.73 张家口 34 492.07 453.99 44 0 16.70 75.95 38.07 保定 17 324.12 288.55 2 278 0.01 71.19 1.29 19.47 邢台 16 285.91 250.55 2 856 0 8.11 0.17 20.54 唐山 13 251.64 231.60 1 862 0 165.34 1.29 25.08 沧州 13 229.89 203.44 9 675 0.01 45.67 0.59 20.24 邯郸 15 218.83 201.43 0 0 82.60 0.22 39.12 衡水 11 207.44 184.05 1 539 0 4.24 0.43 19.72 承德 5 89.99 83.03 217 0.01 11.66 4.62 27.13 石家庄 4 81.67 73.84 549 0.02 1.27 0.28 18.11 4. 总结与讨论
地震预警系统整体技术架构和技术层级较复杂，地震预警信息的产出及发布要求具有高时效、高可靠、高智能的标准贯穿全过程。因此，对于系统的网络监控，不仅要求监控网络流量和硬件设备状态，还需要确定数据中心内部各应用的访问关系，明确特定应用程序的响应时间，构建业务访问关系的可视化，实现对业务系统全局的运行质量监控、故障点快速定位及原因分析（Ganguli等，2018），为解决业务运行出现的问题提供处置依据。
通常意义上的网络管理NPM（Network Performance Management）（Saito等，2005；陈琳等，2017）基于SNMP（简单网络管理协议）轮询、基于流的技术和基于包的技术实现基本网络监测与分析。SNMP重点关注网元设备（路由、交换等）的硬件状态，基于流的监控侧重设备间而非业务间的流量状态，基于包的分析一般旨在针对局域网内出现网络攻击时进行回溯分析。而本文将基于流和包的分析用于业务间状态监控，将流的分析颗粒度细化至秒级，采用深度数据包分析DPI（Deep Packet Inspection）技术在网络应用层进行业务定向分析。本研究根据实际部署的地震预警系统梳理了针对主机、网段、终端等关键元素，并将业务间数据流的逻辑访问关系细化，构建地震预警关键业务监控架构，实现基于预警系统全生命周期的数据流可视化。但基于流的数据不提供源和目标之间的特定网络数据包集的详细信息，也不提供有关会话本身或延迟组件的任何定时信息（Siswanto等，2019），包括2个网络节点之间IP会话的特征。对于这种局限性，本文进一步采用数据包采集与解码技术，提高数据流信息的质量和颗粒度，基于TCP请求/响应定时采集会话间延迟源及客户端/服务端响应时间等指标，达到监控服务器的应用性能和主机性能的目的。
该监控架构构建以来，已针对预警数据流分发和主要业务间访问异常进行了有效监控，在中国地震台网中心进行的地震预警网流量测试中起到了关键作用，在系统日常运行和震时数据流分析方面，提供了完整的网络路径分析和主动性能问题检测。
2021年底，河北与广东备份中心数据流交互出现流量下降及中断现象，河北与台网中心、天津等地数据流交互出现不定期延时过大或中断现象，此监控系统根据图6中数据流分发监控进行告警。
2022年2月24日，河北省唐山市丰南区M3.0地震期间，JEEW分系统与决策平台消息推送服务异常，造成处理结果未向决策平台发布。该监控系统显示决策平台与发布平台业务连接从16号中断且未处理。
2022年3月29日，河北预警综合流服务器数据流中断3 s。所有发送流（含局域网和广域网）中断，且中断重传后，到台网中心和广东备份中心的数据流量均较之前下降3～4 Mbps，发送的数据包大小也产生明显差异。
以上问题的产生，既存在于地震预警局域网中的核心业务，又存在于广域网中省级节点间数据流分发，出现的问题围绕台站数据流传输，包括核心业务互连、异常连接访问等。如前文所述，作为全自动运行与发布的秒级预警系统，任何环节的非正常运行均有可能造成地震预警信息产出的失误，并造成难以估量的社会影响。
随着国家预警项目的建设与发展，地震预警成效初现（许可等，2019；Peng等，2022），与此同时，业务系统仍在不断改进，业务软件不断升级优化，对于预警数据流的监控和分析也需进一步细化并更新各业务节点的访问关系，确定问题基线和警报范围，并针对具体问题分析具体原因，做到网络和业务紧密结合，不断验证本研究各项监控的可靠性。
本文涉及的IP地址和端口号均为虚拟地址，文中监控数据部分来源于科来网络回溯分析系统和科来业务性能管理系统，文中配图由Visio2013实现。
致谢 感谢河北省地震局高景春研究员的指导和帮助，感谢审稿专家及编辑老师给出的意见和建议。
-
图 1 区域主要地震空间分布图（2009—2021）
Figure 1. Spatial distribution of regional main earthquakes （2009—2021）
图 2 STA/LTA震相识别技术原理图
Figure 2. Schematic diagram of STA / LTA phase identification technology
图 3 距红山台0°～50°范围内各数据集地震波形数统计
Figure 3. Statistics of seismic waveform number of each data set in the range of 0° to 50° from Hongshan station
图 5 参数组合1叠加计算结果及IASP91模型理论走时曲线
Figure 5. Superposition calculation results of parameter combination 1 and theoretical travel time curves of IASP91 model
图 6 参数组合2叠加计算结果及IASP91模型理论走时曲线
Figure 6. Superposition calculation results of parameter combination 2 and theoretical travel time curves of IASP91 model
图 7 参数组合3叠加计算结果及IASP91模型理论走时曲线
Figure 7. Superposition calculation results of parameter combination 3 and theoretical travel time curves of IASP91 model
图 8 参数组合4叠加计算结果及IASP91模型理论走时曲线
Figure 8. Superposition calculation results of parameter combination 4 and theoretical travel time curves of IASP91 model
图 9 参数组合1叠加计算结果（0°～20°）
Figure 9. Superposition calculation results of parameter combination 1（0°～20°）
图 10 参数组合2叠加计算结果（0°～20°）
Figure 10. Superposition calculation results of parameter combination 2（0°～20°）
图 11 参数组合3叠加计算结果（0°～20°）
Figure 11. Superposition calculation results of parameter combination 3（0°～20°）
图 12 参数组合4叠加计算结果（0°～20°）
Figure 12. Superposition calculation results of parameter combination 4（0°～20°）
表 1 数据处理参数组合
Table 1. Data processing parameter combination
组合序号 滤波 STA/s LTA/s 1 高通0.5 Hz 1.0 9 2 高通0.167 Hz 2.0 20 3 低通0.1 Hz 3.0 30 4 低通0.033 Hz 4.5 45 
下载: 导出CSV
-
冯太林, 张学工, 李衍达等, 2001. 折射波地震记录叠加成像方法研究. 地球物理学报, 44（1）: 129—134Feng T. L. , Zhang X. G. , Li Y. D. , et al. , 2001. Research on methodology of stack imaging of refractive seismic recording. Chinese Journal of Geophysics, 44(1): 129—134. (in Chinese) 蒋振武, 吴律, 1995. 井间地震反射波叠加成像的DLCDP法. 石油地球物理勘探, 30（4）: 495—504Jiang Z. W. , Wu L. , 1995. DLCDP method for the stacking and imaging of crossborehole seismic reflection waves. Oil Geophysical Prospecting, 30(4): 495—504. (in Chinese) 李启成, 何书耕, 2019. 用振幅变化长短时均值比实现地震预警中P波自动拾取. 地震工程学报, 41（1）: 138—146Li Q. C. , He S. G. , 2019. Automatic picking up of P-wave first arrival in earthquake early warning using STA/LTA method. China Earthquake Engineering Journal, 41(1): 138—146. (in Chinese) 李希元, 胡望水, 张楠等, 2020. 连续子波反射叠加合成地震记录方法. 大庆石油地质与开发, 39（2）: 133—138Li X. Y. , Hu W. S. , Zhang N. , et al. , 2020. Synthetic seismic recording method by the continuous wavelet-reflection superposition. Petroleum Geology & Oilfield Development in Daqing, 39(2): 133—138. (in Chinese) 刘晓明, 赵君杰, 王运敏等, 2017. 基于改进的STA/LTA方法的微地震P波自动拾取技术. 东北大学学报（自然科学版）, 38（5）: 740—745Liu X. M. , Zhao J. J. , Wang Y. M. , et al. , 2017. Automatic picking of microseismic events P-wave arrivals based on improved method of STA/LTA. Journal of Northeastern University (Natural Science), 38(5): 740—745. (in Chinese) 芦俊, 王赟, 季玉新等, 2018. 多分量地震数据的成像技术. 地球物理学报, 61（8）: 3499—3514Lu J. , Wang Y. , Ji Y. X. , et al. , 2018. Imaging techniques of multi-component seismic data. Chinese Journal of Geophysics, 61(8): 3499—3514. (in Chinese) 乔红丽, 张常在, 2018. 云计算环境下震前震源异常次声波自动识别方法. 地震工程学报, 40（6）: 1331—1336Qiao H. L. , Zhang C. Z. , 2018. Automatic identification of anomalous infrasonic waves prior to earthquake in cloud computing environment. China Earthquake Engineering Journal, 40(6): 1331—1336. (in Chinese) 秦满忠, 沈旭章, 张元生等, 2014. 利用兰州小孔径地震台阵资料叠加观测走时曲线. 地震学报, 36（1）: 59—69Qin M. Z. , Shen X. Z. , Zhang Y. S. , et al. , 2014. Observed travel-time curves by stacking records from Lanzhou small aperture seismic array. Acta Seismologica Sinica, 36(1): 59—69. (in Chinese) 孙印, 潘素珍, 刘明军, 2018. 天然地震识别与震相自动拾取技术进展. 中国地震, 34（4）: 606—620Sun Y. , Pan S. Z. , Liu M. J. , 2018. Seismic phase identification associated with the automatic pickup technology and its application. Earthquake Research in China, 34(4): 606—620. (in Chinese) 岳玉波, 张建磊, 张超阳等, 2020. 基于时变数据映射的地震叠加成像方法. 石油地球物理勘探, 55（2）: 331—340Yue Y. B. , Zhang J. L. , Zhang C. Y. , et al. , 2020. Seismic data stacking based on time-varying mapping. Oil Geophysical Prospecting, 55(2): 331—340. (in Chinese) 赵哲, 2018. 基于STA/LTA法的地震波初至时间提取方法. 中国科技信息, （9）: 83—84. Astiz L. , Earle P. , Shearer P. , 1996. Global stacking of broadband seismograms. Seismological Research Letters, 67(4): 8—18. doi: 10.1785/gssrl.67.4.8 Earle P. S. , 1999. Polarization of the earth’s teleseismic wavefield. Geophysical Journal International, 139(1): 1—8. doi: 10.1046/j.1365-246X.1999.00908.x Okal E. A., Cansi Y., 1998. Detection of PKJKP at intermediate periods by progressive multi-channel correlation. Earth and Planetary Science Letters, 164(1—2): 23—30. Shearer P. M. , 1991. Imaging global body wave phases by stacking long-period seismograms. Journal of Geophysical Research: Solid Earth, 96(B12): 20353—20364. doi: 10.1029/91JB00421 Shearer P. M. , Rychert C. A. , Liu Q. Y. , 2011. On the visibility of the inner-core shear wave phase PKJKP at long periods. Geophysical Journal International, 185(3): 1379—1383. doi: 10.1111/j.1365-246X.2011.05011.x Stevenson P. R. , 1976. Microearthquakes at Flathead Lake, Montana: a study using automatic earthquake processing. Bulletin of the Seismological Society of America, 66(1): 61—80. doi: 10.1785/BSSA0660010061 Walck M. C. , Clayton R. W. , 1984. Analysis of upper mantle structure using wave field continuation of P waves. Bulletin of the Seismological Society of America, 74(5): 1703—1719. doi: 10.1785/BSSA0740051703 期刊类型引用(1)
1. 樊春燕，高小其，王小娟，穆慧敏，姚玉霞，张旭燕. 氡计量标准器量值传递技术研究与应用. 地震. 2024(03): 73-85 . 
百度学术其他类型引用(0)
-
下载:
点击查看大图
计量
- 文章访问数: 108
- HTML全文浏览量: 50
- PDF下载量: 6
- 被引次数: 1
