0 引言

地震目录是地震学研究的基础资料，编目事件的完整和准确性，对后续研究具有直接的影响[1]。目前我们的正式地震目录是通过编目人员从连续波形中识别和分析产出的。有经验的编目工作者可以产出十分可靠的目录资料，但对于一些微小的地震事件，特别是淹没在较大地震尾波中的地震、短时间内丛发波形交叠的震群、地震噪声较大或存在其他干扰的情况，会造成部分或全部震相难以清晰的识别，使地震目录会遗漏某些地震。随着地震观测技术和条件的提高，检测遗漏地震、完善地震目录就成为一个值得关注的问题。

由于班组不同，根据实际生产情况，工艺有部分微调，造成水分不同，但正常生产的窖泥理化指标变化区间范围能够和老化、退化窖泥区分开[10-11]，优质窖泥的水分含量多集中在36%以上，质量一般的窖泥其水分含量多在30%～36%范围内，退化、老化的窖水分低至30%以下。就本次实验所取样品而言，由于窖池管理得当，水分含量基本都在36%以上，未出现板结的现象，只有30年的3号窖泥水分低于36%，为33.9%，水分项得分较低，但其余指标对其进行了弥补，获得了较高的得分，为8.2分。

目前包装印刷VOCs治理重点是软包装行业，几十年来，软包装行业一直大量使用溶剂型油墨，造成严重污染，然而目前的末端治理设备不能完全解决VOCs污染问题，因此中国印刷及设备器材工业协会把工作重点放在源头控制上，在编写《中国印刷产业技术发展路线图》时，协会对全国重点油墨企业进行了调研，最终选取一家十几年来一直研发水醇体系油墨并取得较好效果的油墨厂，及软包装印刷厂、制版厂、凹印机生产厂一起组成“VOCs治理产业联盟”。

前人已经发展了许多地震自动识别方法，有基于震相特征识别的，也有基于波形特征识别的，如广泛使用的长短时间平均（STA/LTA）[2]、震源扫描叠加（SSA）[3-4]、 波形模板匹配（matched filter）[5-7]、基于重复地震概念的相关性检测方法[8]等。其中，基于波形相关性分析的检测方法被证实在微震检测上具有很大的优势，在微小地震的识别上表现出更强的能力，可对传统余震目录进行有效的补充[9-11]。

其实，波形相关性分析在地震学中一直有着广泛的应用，一般来说，可以分为对震相波段做相关分析、对事件对进行相关性分析和对连续波形进行相关分析，常见的应用分别有双差定位、重复地震识别和地震事件自动检测等[12-14]。

与匹配滤波方法类似的，M&L方法使用模板事件，通过模板事件与连续波形的互相关来检测微小地震事件。主要的不同点是，M&L方法在检测的过程中通过空间位置搜索，对检测事件进行相对定位。

1 原理与方法

张淼等在匹配滤波技术的基础上发展出了匹配定位方法（Match&Locate Method，简称M&L方法），在相关波形叠加前考虑了微震与模板之间的位置差，因此，M&L方法不仅对微震检测更加有效，而且能同时获得高精度的地震位置信息[15]。本文尝试将该方法应用于广东河源地区的一个震群，自动检测地震事件，从而补充地震目录中遗漏的微小地震。

在混合式教学过程中，应避免过于依赖多媒体，过于强调信息化手段的作用；信息化教学手段不能取代真实物理实验情境；要依据学生的接受能力来科学使用信息技术及手段，并科学合理地设计课堂教学内容。

步骤（图1）：①选择模板事件并确定其位置。②在每个台站分量上，对包含主震相（一般取振幅最大的震相，如地方震的S震相）的模板事件波形和连续波形进行滑动互相关。③将以模板事件位置为中心的三维区域网格化，作为可能的检测事件位置，计算每个台站的模板事件和检测事件的参考震相的走时差。④对每个台站，每个可能位置和模板位置的走时差，与模板震相时间相减，并将互相关波形叠加，计算叠加后的波形中的平均相关系数（CC）和信噪比（SNR）。⑤ 当互相关图的平均CC和SNR超过规定阈值时，认为事件被检测到，并保存其位置和震级。该事件的位置为CC最大值对应的网格点位置，震级为检测事件与模板事件在所有台站分量的参考震相的峰值振幅比中位数。

  

图1 M&L方法示意图[16]Fig.1 Schematic diagram of the M&L method[16]

 

五角星A代表模板地震，五角星B代表待检测地震，三角形代表地震台站。右图黑色和红色曲线分别代表A、B事件在四个台站的波形记录。

将检测到的事件与编目报告中的事件分别作Gutenberg-Richter关系曲线（图6）。用蓝色和绿色直线分别指出两者的完整性震级，大约为ML-0.2和0.1。与编目报告相比，检测事件的完整性震级更低，地震目录更加完整。目前广东省级台网对于地震编目的要求是，ML0级以上的地震事件需要进行编目，用M&L方法检测到的事件基本可以满足该要求，而且比人工编目的地震目录更加完整。

杨伟东毕业于位于江苏南京的河海大学中文系，并不出众的学历，加上又是在海归远“吃香”于土鳖的外企，他还是在2009年到2011年，从一名普通职员一路升到了诺基亚大中国区市场营销总监。之后，杨伟东等人创立了麦特文化，一只脚踏进了文娱圈。

 

和为左右平均背景相关系数，这里取所有模板自检时的左右平均相关系数。检测的原则是：①当平均相关系数较大时，只用相关系数阈值做判断；②当平均相关系数较小时，相关系数阈值和信噪比阈值同时使用。

2 研究区域和背景资料

广东河源新丰江水库地区在1959年水库蓄水后中小地震频发，曾于1962年发生最大6.1级地震。该地区的地震资料丰富，台站分布较密集，地震监测能力较强，所以选取该地区作为研究样本。

新丰江区域台网共有14个地震台站，去除其中的4个短周期地震计，选取10个地震台的数据记录进行分析处理。计算过程中使用的是华南地区的地壳速度模型（表1）。

Put the optimized formula of glass holder profile into SAP system, and extend BOM list code[5-7]. The length of each profile can be calculated for actual need. The result can be listed in related order as below:

3 应用实例

3.1 较小样本数据计算

我们先选取一个发震密集的小时间段作为研究范围，取16日15:00～16:00之间，台网编目报告中的所有地震作为模板事件，共34个，震级范围为 ML0.1～2.5。

 

表1 地壳速度模型Table 1 Velocity model of the crust

  

深度/km VP/（km·s-1） VS/（km·s-1）0.00 6.01 3.55 21.4 6.01 3.55 21.4 6.88 3.93 32.4 6.88 2.93 32.4 7.98 4.58 77.5 8.01 4.62

  

图2 地震震级和每日发震个数的时序图Fig.2 The magnitudes-time plot in June and daily number of earthquakes in the catalog

2014年6月16日起，河源地区发生一系列地震，持续数天后于6月20日发生ML3.0级地震。《广东省测震台网地震观测报告》给出此次震群发生地震近600次。地震震级和每日发震个数的时序图如图2所示。

首先选取16～19日编目报告中震级ML1.0级以上的地震作为模板事件，剔除双震事件后共有61个，在连续波形中进行匹配搜索，得到996个检测事件。相比编目报告中的469个事件增加了一倍多。其中最小检测震级ML-0.5，最大ML 1.3。

以观测报告中的震相和定位分析结果为依据，利用所选的10个台站记录数据，将模板事件与15:00～16:00的连续波形进行1～20 Hz滤波。以Sg震相为主震相，取模板事件的Sg到时前1 s、后3 s时间窗的波形，与连续波形作滑动互相关。图4给出了一个检测事件的例子。

最终，除模板事件外，另外检测到63个事件，最小震级ML-0.3，最大震级ML0.9。经人工浏览检查波形，没有误判情况，即检测到的事件确定为地震，这也说明数据处理的参数和阈值设置比较合理、可靠。

在上一个步骤激发了学生已有的信息储备后，教师可用一系列提问引导学生讨论，并表达出他们想要获得哪些新的信息，并用相关关键词表示写在相应的W一栏。教师可有意识地引导学生慢慢勾画出文本的框架，以便顺利进入下一个任务即预测课文的大致内容。激发起学生的求知欲。

  

图3 34个模板事件自检时的叠加互相关波形，及得到的左右平均背景相关系数Fig.3 Stacked self-correlation waveforms of the 34 template events and the calculated mean background correlation coefficients

  

图4 检测到的ML-0.3级地震的波形图。Fig.4 Waveforms of a detected events with a magnitude of-0.3 （gray traces） and the template event

 

红色为模板事件波形，灰色为连续波形。红色箭头指示出地震的发生时间。每条波形的左右两端都分别标明了台站名和相关系数。

3.2 较大样本数据计算

为了更好的探索M&L方法的用处和效果，我们再取一个较大范围的数据样本进行计算。

选取2016年6月16日至19日的河源地区编目事件，选取范围如图5所示。共469个事件，震级 ML0.0～2.4。

首先确定事件的检测标准。将34个模板事件进行自相关，并将波形叠加（图3），得到的最大相关系数左右时间窗口内的平均背景相关系数，最大为0.014。为简化计算并降低误检概率，取平均互相关系数CC大于0.3（约21倍平均背景相关系数）为检测阈值，即当CC大于0.3时，认为事件被检测到。

地震检测的标准是基于叠加相关波形的平均相关系数和信噪比来确定的。 当平均相关系数和左右信噪比超过了所设定的相关系数阈值和信噪比阈值时，认为检测到了一个地震。信噪比阈值R0取决于某时刻的平均相关系数C（t），背景平均相关系数和信噪比因子α。而信噪比因子是关于平均相关系数的函数。 左右信噪比阈值具体定义如下：

  

图5 台站与地震目录事件分布图Fig.5 Distribution of the stations and earthquake catalog events

  

图6 编目报告中事件与检测事件的震级频度和累积频度曲线。Fig.6 The cumulative and non-cumulative magnitude-frequency relationship of the catalog and detected events are shown

 

事件：绿色；检测事件：蓝色；绿色和蓝色直线分别示意出两者的完整性震级。

在M&L方法检测到的996个事件中，有412个在编目报告中收录，将这些事件进行比较（图7a、b），发现编目报告与M&L方法中事件的发震时刻和震级差绝大部分在0.2 s以内，检测事件的发震时刻与震级具有较高的准确度。对另外584个M&L方法检测到的新事件的震级进行统计（图7c），主要分布在ML0级附近，尤其是0级以下；对ML大于0.4的事件进行人工检查发现，这些事件大多伴随双震或多震，P波甚至S波淹没在上一个地震的尾波中，无法识别。

为了解不同模板事件所起的作用大小，将61个模板事件与检测到事件的数目和震级分布作比较，结果如图8所示，整体来看，模板事件的震级越大，检测到的事件数越少，这也符合地震事件的GR关系。另一方面，检测事件的震级下限也随模板事件震级增大而增大，这应该受地震的频谱特征不同影响，因为微震的频谱在高频端更加集中，而较大地震的S波包含更多的低频能量。这也反应出模板事件的选取对于研究目的的重要性。

由于本文所选取的研究区域非常小，在采样率的限制下，网格搜索定位并不能取得满意的精度，所以在检测事件的基础上，采用双差方法进行重新定位，以更好的获得地震事件的分布形态。将检测到的996个事件，利用垂直分量的波形进行互相关计算，得到震相到时和波形互相关的到时差数据，并用HypoDD方法进行重新定位。结果如图9所示。地震观测报告中地震位置呈网格化分布，加入检测事件并经双差定位后，震源分布形态更加清晰。尽管所选取的震群分布范围较小，但是重定位的结果还是展现出了一些与断裂构造特征相似的条带特性。更多的地震事件有助于对地震活动做出更准确的判断。

  

图7 （a）和（b）分别为编目报告与M&L中相同事件的发震时刻和震级差值的统计；（c）为M&L新检测到事件的震级分布。Fig.7 Difference of the origin time （a） and magnitudes （b） between the overlapping part of catalog events and the M&L detected events.Figure c shows the magnitude distribution of the newly detected events that are not in the catalog

  

图8 （a）为61个模板事件的震级大小与检测事件数关系； （b）为模板事件的震级大小与检测事件震级的分布Fig.8 The distribution of the number（a）and magnitudes（b）of the detected events associated with the magnitudes of the 61 template events

  

图9 观测报告（红色）与检测到事件（黑色）的震中及震源分布（沿AA'剖面）Fig.9 Epicenter and hypocenter distribution of catalog（red circles)and detected events(black circles)along the profile AA'

4 结语

本文将匹配定位M&L方法应用于2014年6月的广东河源小震群，利用模板事件从连续波形中检测地震。应用实例首先采用小样本数据计算测试和验证方法的实用性，然后通过大样本数据做了进一步的分析。在计算中，选取了较严格的检测标准，即平均互相关系数CC大于0.3（约21倍平均背景相关系数）时，认为事件被检测到。测试表明，检测结果十分准确，没有发现误判情况。尤其是对于一些淹没在较大地震尾波中的事件和时间上密集波形重叠的事件，肉眼很难分辨，分析时容易遗漏，而用M&L方法却能准确检测，表明该方法比起人工识别地震事件具有更强大的优势。

再以台网观测报告中ML1.0级以上的61个事件波形为模板，在连续波形中检测到996个地震，为模板事件的16倍，比地震目录给出的469个事件多一倍，并将地震目录的完整性震级从ML0.1降到了-0.2，最小检测震级ML-0.5，最大ML 1.3，有效丰富了地震目录的完整度。对检测地震事件经过双差精定位分析后，更好的展现了该震群的展布形态和发震构造。

研究结果表明，M&L方法是一种十分可靠的事件波形检测方法，可以有效应用于大震发生后的余震序列或震群序列分析，加快处理速度，便于及时判定震群活动情况和趋势预测，更能改善和丰富地震目录的完整度，为后续研究提供更准确的研究基础材料。

致谢：感谢张淼博士提供的Match&Locate程序。感谢Felix Waldhauser提供的HypoDD程序。

双向转诊医疗模式下对喉癌术后康复期戴管下转患者联合延续护理应用的效果（刘泽琴 覃纲 李燕 等）1∶78

参考文献：

[1]Woessner J，Wiemer S.Assessing the quality of earthquake catalogs:estimating the magnitude of completeness and its uncertainty[J].Bull.Seism.Soc.Am.，2005，95 （2）：684-698.

[2]Stevenson R.Microearthquakes at Flathead Lake，Montana:A study using automatic earthquake processing[J].Bull.Seism.Soc.Am.，1976（66）：61-79.

[3]Kao H，Shan S-J.The Source-Scanning Algorithm:mapping the distribution of seismic sources in time and space[J].Geophys.J.Int.，2004，157（2）： 589-594.

[4]Kao H，Shan S-J.Rapid identification of earthquake rupture plane using Source-Scanning Algorithm[J].Geophys.J.Int.，2007，168 （3）：1011-1020.

[5]Gibbons S J，Ringdal F.The detection of low magnitude seismic events using array-based waveform correlation[J].Geophys.J.Int.，2006，165（1）：149-166.

[6]Gibbons S J，Bottger Sorensen M，Harris D B，et al.The detection and location of low magnitude earthquakes in northern Norway using multi-channel waveform correlation at regional distances[J].Physics of the Earth and Planetary Interiors，2007， 160（3-4）：285-309.

[7]Peng Z，Zhao P.Migration of early aftershocks following the 2004 Parkfield earthquake[J].Nature Geoscience，2009，2(12)：877-881.

[8]Schaff D P.Improvements to detection capability by crosscorrelating for similar events:a case study of the 1999 Xiuyan，China，sequence and synthetic sensitivity tests[J].Geophys.J.Int.，2009，180（2）：829-846.

[9]Schaff D P,Waldhauser F.One magnitude unit reduction in detection threshold by cross correlation applied to Parkfield(California)and China seismicity[J].Bull.Seismol.Soc.Am.2010（100）：6，3224-3238.

[10]Waldhauser F，Schaff D P.Large-scale relocation of two decades of Northern California seismicity using crosscorrelation and double-difference methods[J].J.Geophys.Res.， 2008（113）：B08311.

[11]谭毅培，曹井泉，刘文兵，等.2013年3月涿鹿微震群遗漏地震事件检测和发震构造分析 [J].地球物理学报，2014，57（6）：1 847-1 856.

[12]Waldhauser F,Ellsworth W L.A double-difference earthquake location algorithm:Method and application to the Northern Hayward Fault,California[J].Bull.Seism.Soc.Am.， 2000，90（6）：1 353-1 368.

[13]Schaff D P，Richards P G.Repeating Seismic Events in China[J].Science，2004（303）：1 176-1 178.

[14]Gibbons S J，Ringdal F，Harris D B.Adaptive waveform correlation detectors for arrays:algorithms for autonomous calibration[J].NORSAR Scientific Report.2009.

[15]Zhang M，Wen L.An effective method for small event detection:match and locate(M&L)[J].Geophys.J.Int.，2015， 200 （3）：1 523-1 537.

[16]张淼.地震定位与检测 [D].合肥：中国科学技术大学,2015.