-
摘要: 近百年来，全球正经历着以变暖为显著特征的变化，海水增温膨胀、陆地冰川和极地冰盖融化等因素导致全球海平面持续上升。北极新奥尔松地区现保存有典型的极地原始生态系统，客观准确地分析该地区的海平面变化，可以更好地为该地区自然生态环境监测和保护以及气候变化研究等提供基础。联合利用卫星高度计、验潮站和全球卫星导航系统(global navigation satellite system，GNSS)观测资料分析新奥尔松地区的海平面变化的线性趋势和季节性规律，通过同时段资料(1993-2018年)的分析显示，该地区地壳呈上升趋势，上升速率为(8.09±0.19) mm/a；验潮站相对海平面呈下降趋势，下降速率为(-7.31±0.36) mm/a；利用地壳运动修正后的绝对海平面上升速率为(0.78±0.41) mm/a，低于全球同期水平，与卫星高度计观测的绝对海平面变化结果具有很好的一致性，二者相差(0.23±0.46) mm/a。在进行区域海平面变化分析时，可利用GNSS修正验潮站相对海平面获得该区域的绝对海平面变化。利用修正后的海平面资料分析结果显示，新奥尔松地区海平面变化具有明显的季节性规律，每年10月-11月为季节高海平面期，3月-4月为季节低海平面期。通过海表面温度与海平面的相关性分析认为，随着海表面温度变化，海平面也发生相应的变化。Abstract:Objectives Global warming has become a significant climate change in the past 100 years. And the global mean sea level continues rising caused by the thermal expansion of sea water and the melting of land-based glacier and polar ice. The Ny-Alesund area in Arctic has preserved a typical primitive polar ecosystem. The objective and accurate analysis of sea level change in this area can better provide a basis for monitoring and protection of natural ecological environment, and for the research of climate change.Methods This paper analyzed the liner trend and seasonal variation of sea level change by using data of satellite altimeter, tide gauge station and global navigation satellite system (GNSS) along Ny-Alesund coast from 1993 to 2018.Results The observation data at tide gauge station show that the rate of crust rise is (8.09±0.19) mm/a, and the rate of relative sea level decline is (-7.31±0.36) mm/a. So the rate of absolute sea level rise is (0.78±0.41) mm/a, which is similar to the result from observation data of satellite alti-meter with the difference of (0.23±0.46) mm/a, and is lower than the rate of global sea level rise.Conclusions In the analysis of regional sea level change, we can get the absolute sea level rise with correction of tide gauge station by GNSS. The relative sea level change corrected by GNSS is characterized by significant seasonal features in Ny-Alesund. The period of seasonal high sea level is from October to November, and the period of seasonal low sea level is from March to April. The correlation analysis between sea surface temperature and sea level shows that the sea level changes with sea surface temperature.
-
2016年8月24日3时，意大利阿马特里切(Amatrice)发生Mw 6.2级地震。美国地质调查局给出的震源机制解显示此次地震震中位置为42.72°N、13.18°E，震源深度约4.4 km[1]。意大利地球物理与火山学研究所(National Institute of Geophysics and Vulcanology，INGV)的分析结果显示此次地震是由西倾正断层破裂所致。由于震区建筑相对脆弱，所产生的破坏较大，共造成300人死亡，数百人受伤，大量建筑物损坏。地震震源机制反演有助于确定发震断层的几何形态，理解发震断层的运动学特征，从而有利于提高该地区地震危险性认知，规避地震风险。
大量研究表明，以合成孔径雷达干涉测量(interferometry synthetic aperture radar，InSAR)同震形变场为约束，可以确定地震的滑动分布[2-5]。目前常用位错模型进行分析，通过调整反演和断层参数，确定最优的同震滑动分布。模拟退火法[2]和最速下降方法[3](steepest descent method，SDM)发展较早，但这两种方法算法相对复杂，反演中对算法自身控制参数选择的要求较高。本文选用随机搜索粒子群优化算法(particle swarm optimization，PSO)，该反演方法基于InSAR资料进行震源参数反演，对断层破裂的几何参数和倾滑分布进行反演，被广泛应用到同震形变反演中，如中国青海省玉树地震、尼泊尔地震等[4-5]。
1 震区构造断层概况
阿马特里切地震的震中位于意大利亚平宁山脉，位于欧亚板块和非洲板块的交接地带，地质构造非常复杂。地中海地区分布着若干个子块体，彼此间交互作用，使得亚平宁山脉所在的亚平宁半岛呈逆时针旋转，形成了意大利地区主要的地震活动带——亚平宁冲断带。亚平宁冲断带的形成主要与中新世-上新世时期亚得里亚板块向欧亚板块的持续俯冲有关[6]，其中第勒尼安盆地的拉张运动速率大于非洲板块和欧亚板块之间北北西向的挤压运动速率，导致亚平宁冲断带发生东西向伸展，从而引发本次地震[7-8]。
其构造背景如图 1所示，黑白相间的沙滩球表征地震震源机制解；主要活动断层有古比奥断层F1、瓜多尔塔迪诺断层F2、科尔弗里奥托断层F3、博韦-维托尔断层F4、诺尔恰断层F5、高扎诺断层F6、拉奎拉断层F7。
![]()
图 1 2016年8月24日阿马特里切地震的构造背景场Figure 1. Tectonic Background of the Italy Earthquake on August 24, 2016意大利发震断层大多为正断层，属于意大利中部的正断层系[9]。本次阿马特里切地震是该地区自2009年拉奎拉Mw 6.3地震以来破坏性最强的地震。地震发生在高扎诺断层(F6)北段、博韦-维托尔断层(F4)的南段，阿马特里切地震的地表破裂带位于2009年拉奎拉地震以及1997年翁布里亚-马尔凯地震序列范围内(见图 1)。意大利中部的历史地震以及发震断层分段分布特征显示该地区的地震常以序列或者震群的形式呈现，这说明震级在5~6级之间的余震的危险性不容忽视，有可能会触发周边断层的较大震级的破裂性地震[10-15]。阿马特里切Mw 6.2级地震发生后1 h以内又发生了一次Mw 5.4级余震，震后两天内共记录到2级以上余震600余次。余震空间分布显示了发震断层是一个NW-SE走向的活断层。
2 同震形变场
2.1 InSAR数据及同震形变场
欧洲太空局的SENTINEL-1A卫星和日本宇宙航空研究开发机构的ALOS-2卫星都获取了大量阿马特里切震区SAR影像。本文利用开源软件JPL/Caltech ROI_PAC和商业软件Gamma对ALOS-2数据和SENTINEL-1A数据进行差分干涉处理，得到不同卫星平台获取的同震形变场(见图 2)。
![]()
图 2 阿马特里切Mw 6.2地震InSAR同震形变场Figure 2. InSAR Coseismic Deformation Field of the Amatrice Mw 6.2 Earthquake阿马特里切地震的余震主要集中在震后1~2 h内，而ALOS-2震后影像获取时间为8月24日23时，故较准确地捕获了同震形变场。选用20160127-20160824干涉对，时间基线为210 d，详细参数见表 1。由于ALOS-2卫星的SAR传感器为L波段载荷，因此此干涉图具有很高的相干性，且条带模式可以获取完整的地震形变区域(见图 2(a))。
表 1 2016年阿马特里切地震干涉图详细信息Table 1. Interferograms Used for the 2016 Italy Earthquake卫星类型 轨道号 飞行方向 成像模式 波长/cm 获取时间 时间基线/d 入射角/(°) 主影像 从影像 ALOS-2 197 升轨 条带 24.2 20160127 20160824 210 35 SENTINEL-1A 44 升轨 宽幅 5.6 20160815 20160827 12 43 SENTINEL-1A卫星获取的宽幅数据在地质灾害领域应用广泛[16-17]。本文使用SENTINEL-1A卫星20160815-20160827干涉对，时间基线为12 d，干涉对参数见表 1。数据可以完整覆盖地震形变场，且相干性高，形变场特征明显(见图 2(b))。
图 2中，黑线表示断层，蓝色五角星为震中，红色负值区表示沿卫星飞行方向发生沉降，蓝色正值区表示沿卫星飞行方向发生抬升。两种卫星平台获得的形变场结果有较高的一致性，在整个极震区有两个形变中心，在主形变区域沿卫星视线向(line of sight，LOS)表现为沉降，阿库莫利地区的沉降量最大。ALOS-2升轨数据的LOS向最大形变量为19.6 cm，SENTINEL-1A升轨数据的LOS向最大形变量为18.9 cm。
2.2 GPS水平形变场
2016年8月24日意大利中部地震发生后，意大利地球物理与火山学研究所公布了震前6天至震后4天的GPS数据[18]，本文选取研究区内的27个GPS站点，处理得到水平同震形变场(图 3中红色箭头)，并基于InSAR和GPS结果联合约束反演得到GPS站点的同震位移(图 3中紫色箭头)，图 3中蓝色五角星表示主震，彩色圆点表示余震位置。对比模拟得到的水平同震形变场与实测值，两者高度一致。测得本次地震位移最大的GPS台站为NRCI和LNSS，位于震中的西南侧，GPS测得的形变场形态与NW-SE走向正断层的拉张运动特征一致[19-20]。
![]()
图 3 GPS站点得到的水平形变场及模拟得到的水平形变场Figure 3. Horizontal Deformation Fields Obtained by GPS Site and Simulation3 InSAR震源机制反演
3.1 震源机制反演方法
以ALOS-2和SENTINEL-1A卫星数据得到的同震形变场为反演约束，分析阿马特里切地震的断层参数及滑动机制，主要分为两步：①采用数据分辨率约束的四叉树方法对InSAR形变场降采样[21]，降低计算量，提高反演速度。ALOS-2和SENTINEL-1A数据降采样后，数据量分别为813和688。②采用两步反演法对断层几何参数及倾滑分布进行反演[22]，首先基于均一断层模型假设反演得到断层空间几何参数，然后通过分布式断层模型计算断层面的滑动量。整个反演过程采用基于粒子群优化算法的PSOKINV软件来进行[4-5, 23-24]。
使用均一断层模型进行反演主要是确定断层位置(经纬度)、顶部埋深、走向、倾角等参数。基于Okada弹性位错模型[25]，使用PSO非线性优化算法比较模拟结果，确定反演最优参数，使适配函数达到最小解。适配函数定义为：
$$ \sigma = \sqrt {\frac{{{{({\mathit{\boldsymbol{W}}}({\mathit{\boldsymbol{D}}} - {\mathit{\boldsymbol{GS}}}))}^2}}}{N}} $$ (1) 式中，σ为适配函数；G为系数矩阵，表示均匀断层上倾滑量达到1 m时引起的地表运动响应；S表示倾滑矢量矩阵；W表示每个数据集的相对权重矩阵；D表示地表形变观测值矩阵；N表示形变观测值的个数[22]。以InSAR同震形变场为约束，用PSO方法在全参数域内找到使适配函数最小的解。由均一断层模型得到断层最优拟合参数：断层走向157°，倾角42°，震级Mw 6.2。
使用分布式断层模型反演地震滑动空间分布。在考虑模型空间分辨率的基础上，使用较小单元尺寸对浅层子断层进行分割，对深部断层的分割尺寸随深度线性增长。分别对断层面在走向和倾向上进行扩展，选取大小合适的离散子断层进行反演。使用二次差分拉普拉斯算子约束滑动粗糙度[26]，反演算法为：
$$ \left[ \begin{array}{l} {\mathit{\boldsymbol{G}}}\\ {\alpha ^2}{\mathit{\boldsymbol{L}}} \end{array} \right]{\mathit{\boldsymbol{S}}} = \left[ \begin{array}{l} {\mathit{\boldsymbol{D}}}\\ {\mathit{\boldsymbol{0}}} \end{array} \right] $$ (2) 式中，L表示二阶微分算子，用于评价滑动粗糙度；α2为平滑系数，用于平滑解析解[22]。均一模型可以确定最优拟合解，但是使用滑动分布模型时，最优倾角会有微小变动。
依据模型的粗糙度、残差、倾角与平滑系数之间的关系，通过固定不同倾角值，改变不同的平滑系数，分析模型的粗糙度和残差变化趋势。使用均方根误差表示残差ξ，模型的粗糙度ψ定义为：
$$ \psi = \sum\limits_{i = 1}^n {|{p_i}|} /(2n) $$ (3) 式中，p= LS；n表示子断层个数。使用log函数模型f(δ, α)=log(ψ+ξ)获得反演的最优粗糙度ψ和残差ξ，其中δ表示断层倾角。对模型归一化处理，获得残差和粗糙度折中曲线，从而确定最优平滑系数，并通过log函数获得最优倾角。
3.2 地震震源反演结果
InSAR获取的形变场显示LOS向沉降区域有两个沉降中心，且本次地震处于高扎诺断层和博韦-维托尔断层之间。因此，考虑是否为双断层引起的地震。本文依据上述两步反演策略，联合InSAR和GPS数据，分别使用单断层和双断层进行震源机制反演。
图 4表示横轴墨卡托投影坐标系(universal transverse Mercatol Projection, UTM)下断层位置。图 4(a)为单断层最优滑动分布模型。结果显示，本次地震有两个明显的滑动中心。断层的走向为167°，倾角为45°，断层倾滑以正断层为主，最大倾滑量为0.9 m，最优平滑系数为1.5。本结果与Xu等[27]的研究结果相符，详细参数见表 2。
![]()
图 4 基于InSAR反演的单断层和双断层空间滑动模型Figure 4. Single and Double Fault Slip Models Determined with InSAR Datasets表 2 阿马特里切地震断层震源参数Table 2. Fault Geometric Parameters of the Italy Earthquake来源 位置/(°) 深度/km 震源机制/(°) 断层大小/km 震级 经度 纬度 走向 倾角 滑动角 长度 宽度 USGS[1] 13.19 42.72 4.4 165 49 -78 — — 6.2 GCMT[28] 13.22 42.64 12.0 145 38 -101 — — 6.2 INGV[29] 13.22 42.71 5.0 155 41 -93 — — 6.0 Tinti等[30] 13.23 42.70 7.3 156 50 -120~-70 26 12 6.1 Lavecchia等[11] 13.25/13.22 42.70/42.78 0.5/0.6 161/161 52/42 -85/-85 15/13 10/10 6.2 Xu等[27] 13.26 42.73 2.7 164 43.6 -89.7 36 18 6.2 本文 单断层 13.22 42.73 5 165 45 -80 25 10 6.2 双断层 断层1 13.20 42.68 5 160 44 -80 10 10 6.2 断层2 13.22 42.73 5 158 46 -85 10 10 注：Lavecchia等[11]使用的双断层模型，因此有两组参数 图 4(b)为双断层最优滑动分布模型。结果显示，两个滑动中心分布明显，发震的双断层走向分别为160°和158°，倾角分别为44°和46°，倾滑主要分布在地下5~7 km，断层倾滑以正断层为主，最大倾滑量为0.9 m，最优平滑系数为4.1。该结果与Lavecchia等[11]的研究成果相近，参数见表 2。
单断层和双断层模型下的反演模型相关系数分别为0.85和0.89，残差均方根误差分别为0.025 cm和0.021 cm。对比USGS[1]、GCMT[28]、INVG[29]等机构的结果(见表 2)，本研究认为双断层模型更适合。
图 5为双断层模型下最优拟合滑动模型给出的结果。图 5(a)、图 5(d)分别表示ALOS-2和SENTINEL-1A卫星的InSAR观测值；图 5(b)、图 5(e)分别表示基于ALOS-2和SENTINEL-1A形变场反演模拟得到的干涉形变场；图 5(c)、图 5(f)分别表示图 5(b)、图 5(e)两种情况下的残差。在双断层模型下，ALOS-2和SENTINEL-1A模拟结果的残余信号相对较小，可见双断层模型能更好地模拟出形变区域的双沉降中心。ALOS-2模拟结果中存在少量的残余信号，可能由部分残留的大气误差导致; SENTINEL-1A模拟的结果基本没有残余信号，吻合度较高。总体而言，使用两步反演策略基于双断层模型能很好地解释干涉形变场，证明本文确定的反演结果稳定、可靠。
![]()
图 5 双断层模型InSAR资料约束下同震形变场、最优拟合模型预测位移场以及残差分布Figure 5. Coseismic Deformation Field, Predicted Displacement Field and Residual Distribution for InSAR in Double Fault Model4 结语
基于ALOS-2和SENTINEL-1A两种卫星传感器获取的地震同震形变场，采用两步反演策略进行地震破裂机制反演，并使用log函数获取最优倾角和平滑系数，获取完整的震源机制反演结果。对比单断层模型和双断层模型反演结果，双断层模型下残余误差的均方根误差小于单断层模型下的结果，且双断层模型反演相关系数为0.89，优于单断层的0.85。最终证明双断层模型获取的形变场和震源参数更加符合本次地震的破裂机制。本研究认为意大利阿马特里切Mw 6.2地震的发震断层为双断层，断层走向分别为160°和158°，倾角分别为44°和46°，断层倾滑角为－80°，最大倾滑量为0.9 m，深度5~7 km。从InSAR形变场、GPS形变场以及地震滑动分布反演结果可以看出，该地震造成的最大沉降量达19.6 cm，且发震断层为NW-SE向正断层，断层特征为拉张。本文的InSAR同震形变场反演结果与GCMT[28]、USGS[1]等机构的结果有很高的吻合度，说明该方法切实可行。本研究可以用于补充原始SAR形变场中的失相干区域，保证同震形变场的完整性，了解更详细的震源机制参数，为进一步研究该地区断层性质以及不同大地震之间的空间关系提供依据。
致谢: 中国北极黄河站2018年科学考察“冰川运动和物质平衡”监测组在数据采集和分析中提供了帮助，在此表示感谢。 -
![]()
图 1 1993-2018年新奥尔松地区平均海平面和GNSS高程距平值变化
Figure 1. Anomaly Values of MSL and GNSS Elevation from 1993 to 2018 in Ny-Alesund
![]()
图 3 1993-2018年新奥尔松地区平均海平面和海表面温度距平值变化
Figure 3. Anomaly Values of MSL and SST from 1993 to 2018 in Ny-Alesund
![]()
图 4 新奥尔松地区平均海平面和海表面温度的互相关函数图
Figure 4. Cross-Correlation Function Between MSL and SST in Ny-Alesund
表 1 新奥尔松验潮站附近的GNSS观测站
Table 1 GNSS Stations Attached to Ny-Alesund Tide Gauge Station
站点 时间序列周期/年 坐标 与验潮站距离/km 管理 NYAL 1993-2018 11.865 00°E, 78.929 44°N 1.50 挪威 NYA1 1997-2018 11.865 28°E, 78.929 44°N 1.55 挪威 NYA2 2000-2018 11.858 61°E, 78.930 28°N 1.70 挪威 NYAC 1993-2014 11.865 28°E, 78.929 44°N 1.55 挪威 CNYR 2004-2018 11.935 28°E, 78.922 50°N 0.67 中国 
下载: 导出CSV
表 2 海平面与GNSS高程的显著周期
Table 2 Periods of Sea Level and GNSS Elevation
观测内容 显著周期/a 验潮站海平面 13.0, 6.5, 1.0, 0.5 卫星高度计海平面 12.9, 6.4, 1.0, 0.5 GNSS高程 10.8, 3.6, 1.0, 0.5
下载: 导出CSV
-
[1] 王慧, 刘克修, 张建立, 等. 三沙市海域海平面变化[J]. 海洋学报(中文版), 2013, 35(3): 11-17 doi: 10.3969/j.issn.0253-4193.2013.03.002 Wang Hui, Liu Kexiu, Zhang Jianli, et al. The Sea Level Change of Sansha Seas[J]. Acta Oceanologica Sinica, 2013, 35(3): 11-17 doi: 10.3969/j.issn.0253-4193.2013.03.002
[2] 袁方超, 张文舟, 杨金湘, 等. 福建近海海平面变化研究[J]. 应用海洋学学报, 2016, 35(1): 20-32 doi: 10.3969/J.ISSN.2095-4972.2016.01.003 Yuan Fangchao, Zhang Wenzhou, Yang Jinxiang, et al. Study on Sea Level Variability in off Shore Fujian[J]. Journal of Applied Oceanography, 2016, 35(1): 20-32 doi: 10.3969/J.ISSN.2095-4972.2016.01.003
[3] 时小军, 陈特固, 余克服. 近40年来珠江口的海平面变化[J]. 海洋地质与第四纪地质, 2008, 28(1): 127-134 https://www.cnki.com.cn/Article/CJFDTOTAL-HYDZ200801021.htm Shi Xiaojun, Chen Tegu, Yu Kefu. Sea-Level Changes in Zhujiang Estuary over Last 40 Years[J]. Marine Geology & Quaternary Geology, 2008, 28(1): 127-134 https://www.cnki.com.cn/Article/CJFDTOTAL-HYDZ200801021.htm
[4] Pfeffer J, Allemand P. The Key Role of Vertical Land Motions in Coastal Sea Level Variations: A Global Synthesis of Multisatellite Altimetry, Tide Gauge Data and GPS Measurements[J]. Earth and Planetary Science Letters, 2016, 439: 39-47 doi: 10.1016/j.epsl.2016.01.027
[5] Trisirisatayawong I, Naeije M, Simons W, et al. Sea Level Change in the Gulf of Thailand from GPS-Corrected Tide Gauge Data and Multi-Satellite Altimetry[J]. Global and Planetary Change, 2011, 76(3/4): 137-151 http://www.sciencedirect.com/science/article/pii/S0921818110002729
[6] Fenoglio-Marc L, Schöne T, Illigner J, et al. Sea Level Change and Vertical Motion from Satellite Altimetry, Tide Gauges and GPS in the Indonesian Region[J]. Marine Geodesy, 2012, 35(sup1): 137-150 doi: 10.1080/01490419.2012.718682
[7] Bitharis S, Ampatzidis D, Pikridas C, et al. The Role of GNSS Vertical Velocities to Correct Estimates of Sea Level Rise from Tide Gauge Measurements in Greece[J]. Marine Geodesy, 2017, 40(5): 297-314 doi: 10.1080/01490419.2017.1322646
[8] Montillet J P, Melbourne T I, Szeliga W M. GPS Vertical Land Motion Corrections to Sea-Level Rise Estimates in the Pacific Northwest[J]. Journal of Geophysical Research: Oceans, 2018, 123(2): 1 196-1 212 doi: 10.1002/2017JC013257
[9] Richter K, Nilsen J E Ø, Drange H. Contributions to Sea Level Variability Along the Norwegian Coast for 1960-2010[J]. Journal of Geophysical Research: Oceans, 2012, 117: C05038 doi: 10.1029/2011JC007826/pdf
[10] 刘首华, 陈长霖, 刘克修, 等. 渤黄海周边验潮站地面垂直运动速率计算[J]. 中国科学: 地球科学, 2015, 45(11): 1 737-1 746 https://www.cnki.com.cn/Article/CJFDTOTAL-JDXK201511010.htm Liu Shouhua, Chen Changlin, Liu Kexiu, et al. Vertical Motions of Tide Gauge Stations near the Bohai Sea and Yellow Sea[J]. Scientia Sinica Terrae, 2015, 45(11): 1 737-1 746 https://www.cnki.com.cn/Article/CJFDTOTAL-JDXK201511010.htm
[11] 黄立人, 韩月萍, 高艳龙, 等. GNSS连续站坐标的高程分量时间序列在地壳垂直运动研究中应用的若干问题[J]. 大地测量与地球动力学, 2012, 32(4): 10-14 https://www.cnki.com.cn/Article/CJFDTOTAL-DKXB201204002.htm Huang Liren, Han Yueping, Gao Yanlong, et al. Several Issues in Application of Elevation Component Time Series of GNSS CORS in Vertical Crustal Movement Studying[J]. Journal of Geodesy and Geodynamics, 2012, 32(4): 10-14 https://www.cnki.com.cn/Article/CJFDTOTAL-DKXB201204002.htm
[12] 陶本藻, 陈希龙. 基于模型误差补偿的AR(P)最佳建模方法[J]. 测绘通报, 2005(8): 8-10 doi: 10.3969/j.issn.0494-0911.2005.08.003 Tao Benzao, Chen Xilong. Optimal Method for AR(P) Modeling Based on Compensation for Model Errors[J]. Bulletin of Surveying and Mapping, 2005(8): 8-10 doi: 10.3969/j.issn.0494-0911.2005.08.003
[13] 武艳强, 黄立人. 时间序列处理的新插值方法[J]. 大地测量与地球动力学, 2004, 24(4): 43-47 https://www.cnki.com.cn/Article/CJFDTOTAL-DKXB200404009.htm Wu Yanqiang, Huang Liren. A New Interpolation Method in Time Series Analyzing[J]. Journal of Geodesy and Geodynamics, 2004, 24(4): 43-47 https://www.cnki.com.cn/Article/CJFDTOTAL-DKXB200404009.htm
[14] 周东旭, 周兴华, 张化疑, 等. 利用GPS连续观测进行中国沿海验潮站地壳垂直形变分析[J]. 武汉大学学报·信息科学版, 2016, 41(4): 516-522 doi: 10.13203/j.whugis20140714 Zhou Dongxu, Zhou Xinghua, Zhang Huayi, et al. Analysis of the Vertical Deformation of China Coastal Tide Stations Using GPS Continuous Observations[J]. Geomatics and Information Science of Wuhan University, 2016, 41(4): 516-522 doi: 10.13203/j.whugis20140714
[15] Feng S T, Bo W J, Ma Q Z, et al. Spectral Analysis for GNSS Coordinate Time Series Using Chirp Fourier Transform[J]. Acta Geophysica, 2017, 65(6): 1 111-1 118 doi: 10.1007/s11600-017-0090-1
[16] 夏华永, 李树华. 带周期项的海平面变化灰色分析模型及广西海平面变化分析[J]. 海洋学报, 1999, 21(2): 9-17 doi: 10.3321/j.issn:0253-4193.1999.02.002 Xia Huayong, Li Shuhua. A Grey Model with Periodic Term for Sea-Level Analysis and Its Application to Guangxi Coast[J]. Acta Oceanologica Sinica, 1999, 21(2): 9-17 doi: 10.3321/j.issn:0253-4193.1999.02.002
[17] 黄立人. 海面变化趋势的动态预测[J]. 海洋通报, 1991, 10(1): 1-6 https://www.cnki.com.cn/Article/CJFDTOTAL-HUTB199101000.htm Huang Liren. Dynamical Prediction of Sea Level Change Trend[J]. Marine Science Bulletin, 1991, 10(1): 1-6 https://www.cnki.com.cn/Article/CJFDTOTAL-HUTB199101000.htm
[18] 黄立人, 薄万举. 确定海平面长趋势变化方法的讨论[J]. 地壳形变与地震, 1992(3): 44-48 https://www.cnki.com.cn/Article/CJFDTOTAL-DKXB199203005.htm Huang Liren, Bo Wanju. Discussion on the Methods of Determining the Long Term Trend in Mean Sea Level Variations[J]. Crustal Deformation and Earthquake, 1992(3): 44-48 https://www.cnki.com.cn/Article/CJFDTOTAL-DKXB199203005.htm
[19] 明锋, 杨元喜, 曾安敏, 等. 顾及有色噪声的GPS位置时间序列中断探测法[J]. 武汉大学学报·信息科学版, 2016, 41(6): 745-751 doi: 10.13203/j.whugis20140603 Ming Feng, Yang Yuanxi, Zeng Anmin, et al. Offset Detection in GPS Position Time Series with Colored Noise[J]. Geomatics and Information Science of Wuhan University, 2016, 41(6): 745-751 doi: 10.13203/j.whugis20140603
[20] 田云锋, 沈正康. GPS坐标时间序列中非构造噪声的剔除方法研究进展[J]. 地震学报, 2009, 31(1): 68-81 doi: 10.3321/j.issn:0253-3782.2009.01.008 Tian Yunfeng, Shen Zhengkang. Progress on Reduction of Non-Tectonic Noise in GPS Position Time Series[J]. Acta Seismologica Sinica, 2009, 31(1): 68-81 doi: 10.3321/j.issn:0253-3782.2009.01.008
[21] 韩月萍, 罗三明, 陈阜超, 等. 区域地壳垂直运动研究中的模型误差及其影响[J]. 大地测量与地球动力学, 2015, 35(1): 21-25 https://www.cnki.com.cn/Article/CJFDTOTAL-DKXB201501007.htm Han Yueping, Luo Sanming, Chen Fuchao, et al. Effect of Model Error and Result of Regional Vertical Crustal Movement[J]. Journal of Geodesy and Geodynamics, 2015, 35(1): 21-25 https://www.cnki.com.cn/Article/CJFDTOTAL-DKXB201501007.htm
[22] Liu B P, Li J Z, Li C Z. Crustal Deformation of the 1981 Daofu Earthquake[J]. Crustal Deformation and Earthquake, 1982, 2(4): 63-71
[23] Ming F, Yang Y X, Zeng A M, et al. Analysis of Seasonal Signals and Long-Term Trends in the Height Time Series of IGS Sites in China[J]. Science China Earth Sciences, 2016, 59(6): 1 283-1 291 doi: 10.1007/s11430-016-5285-9
[24] Jiang W P, Zhou X H. Effect of the Span of Australian GPS Coordinate Time Series in Establishing an Optimal Noise Model[J]. Science China Earth Sciences, 2015, 58(4): 523-539 doi: 10.1007/s11430-014-4996-z
[25] 金涛勇, 李建成, 王正涛, 等. 卫星测高逆气压改正及其对海平面变化的影响[J]. 武汉大学学报·信息科学版, 2010, 35(9): 1 017-1 020 http://ch.whu.edu.cn/article/id/1039 Jin Taoyong, Li Jiancheng, Wang Zhengtao, et al. Inverse Barometer Correction in Satellite Altimetry and Its Effect on Mean Sea Level Change[J]. Geomatics and Information Science of Wuhan University, 2010, 35(9): 1 017-1 020 http://ch.whu.edu.cn/article/id/1039
-
期刊类型引用(6)
1. 王楠，李永生，申文豪，姜文亮，李强，焦其松. 2025年1月7日西藏定日Ms 6.8地震震源机制InSAR反演及强地面运动快速模拟. 武汉大学学报(信息科学版). 2025(02): 404-411 . 
百度学术
2. 王哲，赵战锋. 残差分析在河南嵩县庙岭金矿模型验证中的应用研究. 矿产与地质. 2024(05): 949-958 . 百度学术
3. 王月，伍吉仓. 联合Sentinel-1A和GPS数据分析高雄地震形变. 工程勘察. 2021(10): 59-63 . 百度学术
4. 张庆云，李永生，张景发. 2017年伊朗Mw7.3地震震源机制反演及三维形变场获取. 武汉大学学报(信息科学版). 2020(02): 196-204 . 百度学术
5. 徐郡，胡晋山，丁进，华怡颖. 结合DInSAR和MAI-InSAR的矿区地表沉降监测. 江西理工大学学报. 2020(01): 15-20 . 百度学术
6. 余祥伟，薛东剑，王海方. 基于D-InSAR的长宁地震形变场提取与模拟. 测绘通报. 2020(05): 59-63 . 百度学术
其他类型引用(4)
计量
- 文章访问数: 1043
- HTML全文浏览量: 298
- PDF下载量: 52
- 被引次数: 10
