基于交替方向乘子算法的二维磁异常稀疏反演

磁异常反演是获取地下场源磁化率分布的重要手段之一,在地球勘探中扮演着重要角色.在磁异常反演中,对比光滑反演,稀疏反演的结果具有边界分明,物性参数分布集中的特点,更符合实际情况.针对稀疏反演,本文首先构建了具有代表性的基于L₁范数目标函数,利用交替方向乘子算法可分离凸函数的特点,将极小化L₁范数的优化问题分解为一系列的子问题,通过对子问题求解获得原问题的解;为了增强交替方向乘子算法的适应性,本文结合广义软阈值函数将交替方向乘子法推广于L_p（0 < p < 1）范数的反演中.为了验证本文提出的算法的有效性,采用了三种常规模型进行模拟实验.与基于L₂范数的反演算法进行实验对比,结果表明,本文算法得到了边界清晰,磁化率分布更集中的反演结果.最后,将基于交替方向乘子算法的L₁和L_p（0 < p < 1）范数的反演应用到青海省尕林格铁矿保护区获得的实际磁异常数据中,获得了较为符合实际地质情况的稀疏反演结果.

     

用积分与迭代方法反演磁性地质体的总磁矩及其中心位置

本文研究了利用二维磁异常和一维垂向导数异常的矩的积分,计算磁性体总磁矩及其中心位置的迭代方法。在计算过程中,只要给出磁矩中心位置坐标的初值,就能计算出总磁矩及其中心位置。     

岷县漳县强震前的跨断层短临异常及亚失稳状态特征

2013年岷县漳县M_S6.6地震发生前2～4d,距震中37～70km的四店、毛羽沟、麻界滩跨断层流动短水准场地观测到以正断层型突跳为主的短临异常,尤其是四店场地,变幅高达5.5mm,异常相当显著。文中对这3处场地所在的西秦岭构造区的跨断层短水准观测资料进行分析,并结合GPS连续观测数据与小地震活动信息对其异常机理进行探讨。结果表明:岷县漳县震前数天,西秦岭构造区跨断层短水准观测显示的断层活动微动态变化量增大、特性明显改变及靠近震区的"局部化增强"等现象,符合构造力学实验显示的亚失稳状态特征。     

豫01井水位异常与地震的关系分析

针对2018年青海德令哈台尕海井水位破年变异常,系统梳理和分析该井相关资料,发现该井两套水位仪运行稳定、数据一致性非常好,而这段时期异常与降雨和气压不相关,以及井孔附近地区的视应力值较高,表明该地区地壳应力水平进一步增强。利用水位变幅、去趋势和一阶差分分析,结果显示,该项异常信度较高,反映该区域构造活动信息,是周边两次中等强度地震的共同前兆,属于中短期异常。     

一种地磁（△Z）化极方法

地磁异常ΔZ受到岩石斜磁化方向畸变。应用函表示ΔZ后,能将磁异常ΔZ化到磁极而消除了这一畸变。由此得出垂直磁化磁异常三分量ΔZ⊥、ΔX⊥、ΔY⊥,它们的导数以及向上和向下延拓公式。这一方法将有助于地磁资料的进一步解释。     

对二维磁异常利用广义逆矩阵的选择法

本文利用广义逆矩阵理论反演解释二维磁异常。实现了加阻尼因子法,实现并改进了奇异值人工截除法;讨论了资料分辨矩阵、信息密度矩阵等辅助信息的利用;详细评价了广义逆矩阵算法的优劣。通过与目前重、磁最优化反演中常用的阻尼最小二乘法、变尺度法的对比,指出广义逆矩阵法优于这些算法。最后以河北迁安一个复杂磁异常的反演实例加以证实。     

强磁性三度体内部磁化强度的分布

本文讨论稳定磁化场中强磁性三度体内部磁化强度的数值解法。展示了由于退磁作用而造成的不均匀性,并以长方体内一些典型截面为例,较详细地讨论了磁化强度的特征,作了分布图;推导了较均匀磁化体磁化强度分布的近似公式,并计算了一组长方体的视退磁系数。     

华北地区重力场与沉积层构造

位于中朝准地台的华北地区是由几个不同的断块组成的,重力异常场的分布具有很强的浅部效应、块状分布和深浅叠加场的特点。重力的高程效应很复杂,不同波长的起伏变化有不同的影响系数。本文对布格改正的有关问题进行了讨论,指出华北如区表浅层的密度值偏低（2520kg/m3）,该区合理的布格改正公式为△g2=-0.0879H。将重力场的垂直导数和向上延拓结合起来,有利于揭示地壳上部构造特征。本文搜集整理了由第四系到寒武系的沉积层资料,给出了沉积层总厚度和视密度的分布。对深部重力异常的分析表明,华北沉积层的形成有深源性质,在均衡调节中起着一定的内载荷作用。     

近地震、波振幅比异常与地震预报

本文对波振幅比的正常变化作了理论分析,讨论了利用波振幅比变化预报地震的可能性及其应用范围。作为具体实例,给出并分析了1970年西吉5.7级地震前后振幅比异常的实际观测结果。 得出的初步结论是:（1）较大地震前后波垂直向位移振幅比值|Ws/Wp|明显减小;（2）|Ws/Wp|异常在空间分布上与时间发展过程上都大致和波速异常相对应。 采用与研究波速异常完全类似的方法,提出了利用振幅比异常预报较大地震的一些初步途径。 本文最后简要地讨论了较大地震前后振幅比异常的物理实质。     

融合多源海洋大地测量数据的南海海底地形多层感知机反演

本文融合SIO(Scripps Institution of Oceanography)发布的垂线偏差、重力异常和垂直重力梯度数据及NCEI(National Centers for Environmental Information)发布的船载测深数据, 利用多层感知机神经网络(Multi-Layer Perceptron, MLP)建立南海海域(108°E—121°E, 6°N—23°N)分辨率为1'×1'的海底地形模型(MLP_Depth).首先, 将642716个船载测深控制点的位置信息与周围4'×4'格网点处的地球重力信息(垂线偏差、重力异常、垂直重力梯度)作为输入数据, 将船载测深控制点处实测水深值作为输出数据, 训练MLP神经网络模型, 训练结束时决定系数R²为99%, 平均绝对误差MAE为39.33 m.然后, 将研究区域内1'×1'格网正中心点处的输入数据输入于MLP模型中, 可得格网正中心点处的预测海深值.最后, 根据预测海深值建立研究区域范围内分辨率为1'×1'的MLP_Depth模型.将MLP_Depth模型预测水深与160679个检核点处实测水深对比, 其差值的标准差STD(75.38 m)、平均绝对百分比误差MAPE(5.89%)与平均绝对误差MAE(42.91 m)皆优于GEBCO_2021模型、topo_23.1模型、ETOPO1模型与检核点实测水深差值的STD(108.88 m、113.41 m、229.67 m)、MAPE(6.11%、6.94%、18.37%)与MAE(47.33 m、52.24 m、130.08 m).同时, 为了研究不同区域内利用该方法建立的海底地形模型的精度, 本文在研究区域内分别建立了A、B区域的海底地形模型(MLP_Depth_A、MLP_Depth_B).经过验证得: MLP_Depth_A、MLP_Depth_B相比于MLP_Depth模型具有更高的精度, 更能反应海底地形的变化趋势.