大地测量与地球动力学

alpha值	最佳分解层数K	稀疏指标
1 000	6	301.575 02
3 000	6	322.840 73
5 000	6	336.563 52
7 000	8	248.632 56

alpha值	最佳分解层数K	稀疏指标
1 000	6	301.575 02
3 000	6	322.840 73
5 000	6	336.563 52
7 000	8	248.632 56

仪器型号	技术指标
BBVS-60地震计	100	counts	0.01~60 Hz	/
DZW重力仪	1	10^-8m/s²	/	0.1×10^-8m/s²
VP仪	1	ms	0.016 7~40 Hz	/
WDY-DSW型水位仪(大河口井)	1	m	/	0.001 m

仪器型号	技术指标
BBVS-60地震计	100	counts	0.01~60 Hz	/
DZW重力仪	1	10^-8m/s²	/	0.1×10^-8m/s²
VP仪	1	ms	0.016 7~40 Hz	/
WDY-DSW型水位仪(大河口井)	1	m	/	0.001 m

alpha值	地震计			VP仪	水位仪
1 000	11	33.819 27	5	48.672 22	10	35.840 50	7	82.263 32
2 000	9	44.680 10	8	64.337 02	4	36.801 48	7	80.934 33
3 000	7	37.753 06	8	65.595 02	4	38.593 95	4	71.244 99
4 000	7	37.515 31	8	85.908 21	3	40.962 51	4	78.160 04
5 000	12	43.186 41	9	65.658 30	3	43.565 97	4	79.359 57
6 000	8	40.190 35	9	66.709 79	3	44.016 14	4	79.172 62
7 000	13	38.454 20	10	72.858 88	11	47.516 05	7	86.625 45
8 000	13	40.029 06	10	73.064 31	10	48.471 52	9	82.674 72
9 000	13	39.588 40	9	74.392 07	10	55.574 11	8	86.023 03
10 000	13	41.139 04	9	80.161 85	11	47.908 30	8	78.792 50

alpha值	地震计			VP仪	水位仪
1 000	11	33.819 27	5	48.672 22	10	35.840 50	7	82.263 32
2 000	9	44.680 10	8	64.337 02	4	36.801 48	7	80.934 33
3 000	7	37.753 06	8	65.595 02	4	38.593 95	4	71.244 99
4 000	7	37.515 31	8	85.908 21	3	40.962 51	4	78.160 04
5 000	12	43.186 41	9	65.658 30	3	43.565 97	4	79.359 57
6 000	8	40.190 35	9	66.709 79	3	44.016 14	4	79.172 62
7 000	13	38.454 20	10	72.858 88	11	47.516 05	7	86.625 45
8 000	13	40.029 06	10	73.064 31	10	48.471 52	9	82.674 72
9 000	13	39.588 40	9	74.392 07	10	55.574 11	8	86.023 03
10 000	13	41.139 04	9	80.161 85	11	47.908 30	8	78.792 50

基于稀疏指标优化变分模态分解的秒采样仪器地震信号时频特征

涂先新 ¹^,² , 吕品姬 ¹^,² , 翁骋 ¹^,² , 安一凡 ¹^,² , 曾智辉 ¹^,² , 康波 ¹^,²

大地测量与地球动力学 | 观测技术 2025,45(11): 1204-1210

收起

大地测量与地球动力学 |观测技术 2025 , 45 (11) : 1204 -1210

基于稀疏指标优化变分模态分解的秒采样仪器地震信号时频特征

全屏

涂先新¹^,², 吕品姬¹^,², 翁骋¹^,², 安一凡¹^,², 曾智辉¹^,², 康波¹^,²

作者信息

1 中国地震局地震大地测量重点实验室, 武汉市洪山侧路40号, 430071

2 湖北省地震局, 武汉市洪山侧路48号, 430071

作者简介:

涂先新, 工程师, 主要从事地震监测与预报研究, E-mail: tuxianxin621@foxmail.com

Time-Frequency Characteristics of Seismic Signals of Second-Sampling Instruments Based on Variational Mode Decomposition Optimized by Sparse Index

Xianxin TU¹^,², Pinji LÜ¹^,², Cheng WENG¹^,², Yifan AN¹^,², Zhihui ZENG¹^,², Bo KANG¹^,²

Affiliations

1 Key Laboratory of Earthquake Geodesy, CEA, 40 Hongshance Road, Wuhan 430071, China

2 Hubei Earthquake Agency, 48 Hongshance Road, Wuhan 430071, China

TU Xianxin, engineer, majors in earthquake monitoring and prediction, E-mail: tuxianxin621@foxmail.com.

出版时间: 2025-11-15 doi: 10.14075/j.jgg.2024.11.539

文章导航

摘要

收起

变分模态分解(VMD)性能优越, 参数中K值和alpha值的设定对分解结果具有重要影响。本文基于稀疏指标对这2个参数的选取进行优化, 实现自适应寻找最优K值和最优alpha值。在此基础上, 对宜昌站BBVS-60地震计、DZW重力仪、VP型倾斜仪、水位仪4套秒采样仪器观测到的地震信号进行VMD, 并结合Hilbert变换进行时频分析。结果表明, 4套仪器的最优K值和最优alpha值均不同, 其中K值代表所能分解出的同震信号频率的种类, 说明4套仪器对同一地震信号的响应均不同。

关键词

VMD / 参数优化 / 秒采样仪器 / 地震信号 / 时频分析

Abstract

收起

The variational mode decomposition(VMD) exhibits superior performance, and the setting of K and alpha parameters significantly influences its decomposition result. We optimize the selection of these two parameters based on sparse index, enabling the adaptive determination of the optimal K and alpha values. On this basic, VMD method is applied to seismic signal data observed by four types of second-sampling instruments at Yichang station, including BBVS-60 seismometers, DZW gravimeters, VP-type tiltmeters, and water level gauges, and time-frequency analysis is conducted combining with Hilbert transform. The results show that the optimal K and alpha values differ for each of four instruments. The K value represents the type of coseismic signal frequencies that can be decomposed, suggesting that the four instruments respond differently to the same seismic signal.

Key words

variational mode decomposition / parameter optimization / second-sampling instrument / seismic signal / time-frequency analysis

引用本文

涂先新, 吕品姬, 翁骋, 安一凡, 曾智辉, 康波. 基于稀疏指标优化变分模态分解的秒采样仪器地震信号时频特征. 大地测量与地球动力学, 2025 , 45 (11) : 1204 -1210 . DOI: 10.14075/j.jgg.2024.11.539

Xianxin TU, Pinji LÜ, Cheng WENG, Yifan AN, Zhihui ZENG, Bo KANG. Time-Frequency Characteristics of Seismic Signals of Second-Sampling Instruments Based on Variational Mode Decomposition Optimized by Sparse Index[J]. Journal of Geodesy and Geodynamics, 2025 , 45 (11) : 1204 -1210 . DOI: 10.14075/j.jgg.2024.11.539

正文

收起

地震信号是一种非平稳的随时间变化的复杂信号，能最完整记录地震信号的仪器为高采样率地震计，如BBVS-60地震计，采样率为100 Hz。此外，DZW重力仪、VP型宽频带倾斜仪(后文简称VP仪)、水位仪等部分秒采样前兆仪器，也能记录到地震信号频率随时间变化的特征^[1]。不同仪器的观测原理不同，所测结果的物理意义不同，对地震信号的响应能力也有所差异。

变分模态分解(variational mode decomposition, VMD)是一种能够识别多分量非平稳信号的时频分析方法，可克服递归筛分剥离这一信号分解方式的约束，具有较高的运算效率和良好的噪声鲁棒性^[2]。该方法中参数K值和alpha值对分解结果具有重要影响，但这2个参数由人为设定，存在一定主观性，会影响分解结果。本文基于稀疏指标对该方法进行优化，对K值和alpha值进行自动寻优，然后应用于地震信号分解中，研究不同仪器对同一地震不同频率信号的响应特征。

1 计算方法及优化

收起

1.1 VMD

VMD是一种具有准正交、自适应、完全非递归等特点的信号分解方法。该方法通过变分问题的构造和求解，将信号分解为具有特定带宽和中心频率的模态，最终获得变分问题的最优解，其分解原理、公式、约束条件可参考文献[3-7]。

1.2 算法优化

VMD算法包含模态数K、惩罚因子alpha和拉格朗日乘子λ等重要参数，其中模态数K和惩罚因子alpha是2个比较关键的参数。K值直接决定着分解后的模态分量数目，若K值设置过大，会产生虚假模态；若K值设置太小，则无法充分提取时间序列的隐含特征。此外，alpha值会影响模态分量的带宽，其与带宽成反比，若alpha值设置太小，会出现模态混叠现象；若alpha值设置太大，虽能避免模态混叠，但会出现局部信息丢失的问题^[8-10]。而现阶段K值和alpha值的选取完全依赖于研究人员的主观判断，缺乏客观的评判标准。

以往有较多关于VMD算法优化的相关研究，如信号能量差、遗传算法、粒子群算法、鲸鱼优化算法等^[11-12]，但这些算法未充分利用VMD的理论支撑，缺乏一定普适性。张露等^[13]提出一种基于稀疏指标的VMD优化方法，并取得较好的应用效果。但在分析复杂的地震信号时，该方法在选取K值和alpha值时可以做进一步优化。本次研究在1 000~10 000区间内对alpha值做进一步寻优，并在该区间内选取10个数值，在每个alpha值条件下寻找最优K值，将最大稀疏指标值作为最优alpha值和最优K值的选取条件。

1.3 仿真信号验证

仿真信号表达式如下：

$\begin{gathered}\text { signal }=\sin (2 {\rm{ \mathsf{ π} }} * 60 t)[\cos (2 {\rm{ \mathsf{ π} }} * 90 t)+ \\\cos (2 {\rm{ \mathsf{ π} }} * 120 t)+\cos (2 {\rm{ \mathsf{ π} }} * 150 t)]\end{gathered}$

式中，t值范围为0~1，采样率为1 000 Hz。仿真信号signal波形如图 1所示。

对信号signal进行傅里叶变换频谱分析(图 2)，从图中可以看出，仿真信号中含有6种频率的信号。在alpha值分别取1 000、3 000、5 000、7 000时进行K值寻优，分解过程中K值与稀疏指标的关系如图 3所示。可以看出，最优K值分别为6、6、6、8，并且稀疏指标的第1个极大值点并非最优分解点，如alpha=7 000时，稀疏指标的第1个极大值点远小于最大值。

不同alpha值条件下的最优K值和稀疏指标见表 1，在alpha=5 000、K=6时稀疏指标值最大，为336.563 52，信号分解效果最好。如果alpha值选取过大，如取值7 000时最佳分解层数为8，最大稀疏指标反而变小(248.632 56)，此时信号被过度分解，会产生虚假信号，说明alpha取值也很重要。

在最佳条件下(alpha=5 000、K=6)对信号signal进行VMD，分解完成后计算每个分量的边际谱，结果显示signal信号被有效分解，可分解出6种频率的信号(图 4)，这与仿真信号的傅里叶频谱图对应较好，说明基于稀疏指标优化的VMD方法能够有效分解信号。

2 数据来源与预处理

收起

选取宜昌站辖区内所有秒采样前兆仪器的原始数据进行分析，包括DZW重力仪、VP仪、宜昌台同址观测的BBVS-60地震计和距离宜昌站较近的三峡井网中同震响应能力较好的大河口井的WDY-DSW型水位仪^[14]，仪器技术指标见表 2。

本次研究的地震信号来自2024-08-18堪察加东岸远海的M7.0地震，震中为52.80°N、160.15°E，震中距4 633 km，震源深度50 km。表 2中秒采样仪器均能记录到该地震，选取从发震时刻至震后3 000 s的原始观测秒钟值数据进行研究。其中，DZW重力仪、VP仪、水位仪原始数据中包含固体潮信息，在进行同震频谱分析时需要去除趋势信息；BBVS-60地震计无零漂，也不含固体潮信息，无需进行去趋势处理，但其采样率较高，为了与其他仪器作对比，对测震数据进行降采样处理，将采样率降为1 Hz。处理后的地震信号波形如图 5所示。

从地震波形来看，除水位仪对P波的记录不明显外，其他前兆仪器均能完整记录到整个地震事件，包括P波、S波和面波。完整的地震波较为复杂，由多种频率的波组合而成，不同仪器对不同频率地震波的响应可能有所差别，观测数据的同震频率可能不尽相同。本文采用基于稀疏指标优化的VMD方法对不同仪器记录的地震信号进行分解，然后进行Hilbert时频分析，研究不同仪器对不同频率地震波的响应特征。

3 分析结果

收起

3.1 分解过程与寻优

利用优化的VMD方法对地震信号进行分解，从分解过程来看，由于地震信号较为复杂，在K值寻优过程中，稀疏指标会出现多个极大值(图 6)，并不能以稀疏指标第1个极大值对应的K值为最佳分解层数，需要寻找最大稀疏指标对应的K值。

采用优化的VMD方法对BBVS-60地震计、DZW重力仪、VP仪、水位仪4种仪器的地震波秒钟值数据的预处理值进行寻优，结果见表 3。稀疏指标最大时即为最优分解方式，地震计的最优alpha值为2 000，最优K值为9；重力仪的最优alpha值为4 000，最优K值为8；VP仪的最优alpha值为9 000，最优K值为10；水位仪的最优alpha值为7 000，最优K值为7。

K值表示信号中所含成分的频率种数，最佳K值不同，说明信号中可以分解出的频率种数不同，表明不同仪器对同一地震的响应频率并不一致，可能与仪器的观测原理有一定关系。

3.2 分解结果

利用最优K值和最优alpha值对4种仪器的预处理数据进行分解，并对每一级进行边际谱分析(图 7)。从分解结果来看，4种仪器记录的地震同震信号所包含的信息成分有所不同。

BBVS-60地震计记录的地震波形可以分解出9种频率的地震波信息，范围为0.03~0.3 Hz，其中IMF₈、IMF₉为单独的P波成分，频率较高，约为0.25~0.3 Hz。分解结果中未见单独的S波成分，S波频率与面波中某种信号的频率较为接近，二者被分解成同一频带的信号，由于面波振幅较大，S波信号振幅被压制，在IMF₁、IMF₂中可以看到微弱的S波信号。

DZW重力仪记录的地震波形可以分解出8种频率的地震波信息，范围为0.02~0.08 Hz，分解结果中未见单独的P波和S波成分，P波和S波与面波中各自相近频率的信号被分解到同一组中。从图 7可以看出，面波成分较为复杂，各IMF中均是面波成分占绝对优势，说明重力仪对面波更为敏感，响应明显。

VP仪记录的地震波形可以分解出10种频率的地震波信息，范围为0.02~0.12 Hz，分解结果中未见单独的P波和S波成分。与DZW重力仪相比，各IMF中也都是面波成分占优，但P波和S波的优势相对增强，IMF₉中可以看到对P波的响应成分，IMF₁和IMF₂中可以看到对S波的响应成分。

水位仪记录的地震波形可以分解出7种频率的地震波信息，范围为0.03~0.07 Hz，分解结果中未见单独的P波和S波成分，信号以面波为主。IMF₁中S波与面波被分解为同一组；IMF₇出现在整个时间段，幅度小、频率高，为仪器的高频噪声。

3.3 Hilbert时频分析

在VMD基础上，利用Hilbert变换识别信号瞬时频率的变化特征，并进行时频分析(图 8)，从图中可以看出，Hilbert时频图能够很好地反映原始信号所包含的频率信息。

地震计、重力仪、VP仪3套仪器对整个地震事件有较完整的记录，都能记录到P波信息，但3套仪器对P波的响应方式和响应频率略有不同，重力仪、VP仪对P波的响应频率相对较低，约为0.02~0.04 Hz，地震计对P波的响应频率较高，达到0.25 Hz。上述现象说明前兆仪器记录到高频地震信息的能力较弱，虽然对P波有响应，但不是地震波原始的信息，而是地震P波作用到仪器上所产生的信号，这些同震信号的频率与仪器自身的特性和观测原理有关。从时频分析图来看，水位仪不同于其他3套仪器，其对P波完全无反应，S波和面波均能被较好地记录，时频图相对“干净”，各种信号持续时间相对较短。

从整体上看，各仪器记录的地震信号中的优势成分都呈现相同的变化规律，即随着时间推移，地震信号中优势成分的频率越来越高，这种现象在水位仪的Hilbert时频图中非常明显。

3.4 对比分析

本文是在张露等^[13]的研究基础上对VMD参数的选取过程进行优化，为进一步说明这种优化的必要性，选取VP仪的地震信号数据，采用2种方法分别进行信号分解：1)运用文献[13]中方法进行信号分解，并绘制时频分析图(图 9(a))，此时稀疏指标为38.593 95，对应的K值为4，alpha值为人为选取的3 000；2)运用本文优化后的方法进行信号分解，并绘制时频分析图(图 9(b))，此时稀疏指标为55.574 11，对应的自适应寻优K值和alpha值分别为10和9 000。

从稀疏指标来看，本文优化方法的效果更好。此外，时频图能清晰地反映信号分解的效果，alpha为3 000时信号分解不彻底，且高频成分未能识别，会影响特征提取。因此，很有必要对alpha值的选取过程进行优化。本文优化方法可为复杂信号分析(如地震信号)提供一种更加合理的数据处理方式。

4 结语

收起

1) 本文提出一种基于稀疏指标对VMD进行优化的方法，该方法可以对非稳定、复杂的地震信号进行有效分解。结果表明，这种优化是有效且必要的，能获得极佳的分解效果，可为复杂信号分析(如地震信号)提供一种更加合理的数据处理方式。

2) 宜昌站4套仪器的最优分解参数各不相同，地震计的最优alpha值为2 000，最优K值为9；重力仪的最优alpha值为4 000，最优K值为8；VP仪的最优alpha值为9 000，最优K值为10；水位仪的最优alpha值为7 000，最优K值为7。说明不同仪器对同一地震信号的响应频率并不一致，可能与仪器的观测原理有关。

3) 4套仪器中地震计对高频波(P波)的响应最好，重力仪、VP仪对P波有明显响应，水位仪对P波完全无反应，4套仪器对此次地震的面波均有较好的响应。

基金

收起

国家自然科学基金(42174177)
中国地震局地震科技星火计划(XH24029C)

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

赵莹, 王迪晋, 张燕, 等. 新疆地区定点形变秒采样仪器信号时频特征[J]. 大地测量与地球动力学, 2024, 44 (6): 648- 653 http://www.jgg09.com/CN/Y2024/V44/I6/648

Zhao

Ying

, Wang

Dijin

, Zhang

Yan

, et al. Time-Frequency Characteristics of Fixed-Point Deformation Second-Sampling Instrument Signals in Xinjiang[J]. Journal of Geodesy and Geodynamics, 2024, 44 (6): 648- 653 http://www.jgg09.com/CN/Y2024/V44/I6/648

王焱楠, 尚旭强, 黄天立. 改进VMD及其在时变结构地震响应瞬时频率识别中的应用[J]. 振动工程学报, 2024, 37 (3): 402- 413

Wang

Yannan

, Shang

Xuqiang

, Huang

Tianli

. Improved VMD and Its Application in Instantaneous Frequency Identification of Seismic Responses of Time-Varying Structures[J]. Journal of Vibration Engineering, 2024, 37 (3): 402- 413

杨厚明, 鲁铁定, 孙喜文, 等. SSA-VMD与小波分解结合的GNSS坐标时序降噪方法[J]. 大地测量与地球动力学, 2024, 44 (4): 360- 365 http://www.jgg09.com/CN/Y2024/V44/I4/360

Yang

Houming

, Lu

Tieding

, Sun

Xiwen

, et al. GNSS Coordinate Time Series Denoising Method Combining SSA-VMD and Wavelet Decomposition[J]. Journal of Geodesy and Geodynamics, 2024, 44 (4): 360- 365 http://www.jgg09.com/CN/Y2024/V44/I4/360

李鸿宇, 杨杰, 王丽, 等. 基于VMD的地电阻率自适应长期变与年变化提取方法[J]. 大地测量与地球动力学, 2024, 44 (11): 1173- 1178

https://doi.org/10.14075/j.jgg.2024.01.030

Hongyu

, Yang

Jie

, Wang

, et al. A Method for Extracting Adaptive Long-Term and Annual Changes of Apparent Resistivity Based on VMD[J]. Journal of Geodesy and Geodynamics, 2024, 44 (11): 1173- 1178

https://doi.org/10.14075/j.jgg.2024.01.030

Lei

, Liu

, Bai

W L

, et al. Seismic Signal Analysis Based on Adaptive Variational Mode Decomposition for High-Speed Rail Seismic Waves[J]. Applied Geophysics, 2024, 21 (2): 358- 371

https://doi.org/10.1007/s11770-023-1034-y

简灵活, 王新鹏, 陶庭叶. 基于VMD算法的GNSS-MR潮位反演方法[J]. 测绘通报, 2024 (4): 18- 22

Jian

Linghuo

, Wang

Xinpeng

, Tao

Tingye

. GNSS-MR Tidal Level Inversion Based on VMD[J]. Bulletin of Surveying and Mapping, 2024 (4): 18- 22

朱鑫杰, 张宏兵, 曾繁鑫, 等. 基于变分模态分解的弹性参数核密度估计方法[J]. 科学技术与工程, 2024, 24 (10): 4005- 4012

Zhu

Xinjie

, Zhang

Hongbing

, Zeng

Fanxin

, et al. Kernel Density Estimation Method of Elastic Parameters Based on Variational Mode Decomposition[J]. Science Technology and Engineering, 2024, 24 (10): 4005- 4012

鲁铁定, 谢建雄. 变分模态分解结合样本熵的变形监测数据降噪[J]. 大地测量与地球动力学, 2021, 41 (1): 1- 6 http://www.jgg09.com/CN/Y2021/V41/I1/1

Tieding

, Xie

Jianxiong

. Deformation Monitoring Data De-Noising Method Based on Variational Mode Decomposition Combined with Sample Entropy[J]. Journal of Geodesy and Geodynamics, 2021, 41 (1): 1- 6 http://www.jgg09.com/CN/Y2021/V41/I1/1

段成祥, 梁圆, 范晓辉, 等. 自适应VMD的地震资料高分辨率处理方法研究[J]. CT理论与应用研究, 2022, 31 (2): 135- 148

Duan

Chengxiang

, Liang

Yuan

, Fan

Xiaohui

, et al. Research on High Resolution Seismic Date Processing Method Based on Adaptive VMD[J]. CT Theory and Applications, 2022, 31 (2): 135- 148

徐智, 唐刚, 刘伟, 等. 基于变分模态分解参数优化的地震随机噪声去除方法[J]. 北京化工大学学报: 自然科学版, 2019, 46 (5): 60- 68

Zhi

, Tang

Gang

, Liu

Wei

, et al. Seismic Random Noise Removal Based on Variational Mode Decomposition with Parameter Optimization[J]. Journal of Beijing University of Chemical Technology: Natural Science, 2019, 46 (5): 60- 68

王伟, 肖梦凡, 赵越, 等. 基于遗传算法优化变分模态分解方法联合冲击谱的冲击载荷重构方法[J]. 中国海洋平台, 2024, 39 (5): 39- 44

Wang

Wei

, Xiao

Mengfan

, Zhao

Yue

, et al. Reconstruction Method of Impact Load Based on Genetic Algorithm Optimized Variational Modal Decomposition Method Combined with Impact Spectrum[J]. China Offshore Platform, 2024, 39 (5): 39- 44

唐非, 李昊. 基于变分模态分解与鲸鱼算法优化回声状态网络的风速预测模型[J]. 传感技术学报, 2024, 37 (10): 1770- 1777

Tang

Fei

, Li

Hao

. Wind Speed Prediction Model Based on Variational Mode Decomposition and Whale Optimization Algorithm Optimized Echo State Network[J]. Chinese Journal of Sensors and Actuators, 2024, 37 (10): 1770- 1777

张露, 理华, 崔杰, 等. 基于稀疏指标的优化变分模态分解方法[J]. 振动与冲击, 2023, 42 (8): 234- 250

Zhang

, Li

Hua

, Cui

Jie

, et al. An Optimal Variational Mode Decomposition Method Based on Sparse Index[J]. Journal of Vibration and Shock, 2023, 42 (8): 234- 250

涂先新, 吕品姬, 安一凡, 等. 三峡井网对7.0级以上强震的同震响应特征[J]. 大地测量与地球动力学, 2023, 43 (8): 875- 880 http://www.jgg09.com/CN/Y2023/V43/I8/875

Xianxin

, Lü

Pinji

, An

Yifan

, et al. Response Characteristics of Three Gorges Well Network to Strong Earthquakes above M7.0[J]. Journal of Geodesy and Geodynamics, 2023, 43 (8): 875- 880 http://www.jgg09.com/CN/Y2023/V43/I8/875

2025年第45卷第11期

引用本文

BibTeX

文章信息

doi: 10.14075/j.jgg.2024.11.539

接收时间：2024-11-27
首发时间：2026-10-29
出版时间：2025-11-15

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2024-11-27

基金

National Natural Science Foundation of China(42174177)

国家自然科学基金(42174177)

The Spark Program of Earthquake Technology of CEA(XH24029C)

中国地震局地震科技星火计划(XH24029C)

作者信息

1 中国地震局地震大地测量重点实验室, 武汉市洪山侧路40号, 430071

2 湖北省地震局, 武汉市洪山侧路48号, 430071

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/ddcl/CN/10.14075/j.jgg.2024.11.539

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT

alpha值	最佳分解层数K	稀疏指标
1 000	6	301.575 02
3 000	6	322.840 73
5 000	6	336.563 52
7 000	8	248.632 56

alpha值

最佳分解层数K

稀疏指标

1 000

301.575 02

3 000

322.840 73

5 000

336.563 52

7 000

248.632 56

仪器型号	技术指标
BBVS-60地震计	100	counts	0.01~60 Hz	/
DZW重力仪	1	10^-8m/s²	/	0.1×10^-8m/s²
VP仪	1	ms	0.016 7~40 Hz	/
WDY-DSW型水位仪(大河口井)	1	m	/	0.001 m

仪器型号

技术指标

采样率/Hz

单位

观测频带范围

分辨率

BBVS-60地震计

100

counts

0.01~60 Hz

DZW重力仪

10^-8m/s²

0.1×10^-8m/s²

VP仪

0.016 7~40 Hz

WDY-DSW型水位仪(大河口井)

0.001 m

alpha值	地震计			VP仪	水位仪
1 000	11	33.819 27	5	48.672 22	10	35.840 50	7	82.263 32
2 000	9	44.680 10	8	64.337 02	4	36.801 48	7	80.934 33
3 000	7	37.753 06	8	65.595 02	4	38.593 95	4	71.244 99
4 000	7	37.515 31	8	85.908 21	3	40.962 51	4	78.160 04
5 000	12	43.186 41	9	65.658 30	3	43.565 97	4	79.359 57
6 000	8	40.190 35	9	66.709 79	3	44.016 14	4	79.172 62
7 000	13	38.454 20	10	72.858 88	11	47.516 05	7	86.625 45
8 000	13	40.029 06	10	73.064 31	10	48.471 52	9	82.674 72
9 000	13	39.588 40	9	74.392 07	10	55.574 11	8	86.023 03
10 000	13	41.139 04	9	80.161 85	11	47.908 30	8	78.792 50

alpha值

地震计

重力仪

VP仪

水位仪

最优K值

稀疏指标

最优K值

稀疏指标

最优K值

稀疏指标

最优K值

稀疏指标

1 000

33.819 27

48.672 22

35.840 50

82.263 32

2 000

44.680 10

64.337 02

36.801 48

80.934 33

3 000

37.753 06

65.595 02

38.593 95

71.244 99

4 000

37.515 31

85.908 21

40.962 51

78.160 04

5 000

43.186 41

65.658 30

43.565 97

79.359 57

6 000

40.190 35

66.709 79

44.016 14

79.172 62

7 000

38.454 20

72.858 88

47.516 05

86.625 45

8 000

40.029 06

73.064 31

48.471 52

82.674 72

9 000

39.588 40

74.392 07

55.574 11

86.023 03

10 000

41.139 04

80.161 85

47.908 30

78.792 50