W phase 学习
W phase 的组成:(相关文献发现W phase适用于6级以上的地震)
P, PP,S,SS,SP,PS等等长周期的震相;
它的传播机制和whispering gallery 相似。
从简振理论来说,它表示一群higher-mode 瑞利波,而它们的群速度接近但比P波的群速度慢。
典型的地震波图在体波震相上展示出明显的短周期(最大不超过30s),接下来跟着的长周期(一般是10s-250s)的面波。
需要注意的是:由于体波和面波源于同一个震源,地震波的体波部分一定包含长周期的能量。然而,由于正常位错产生的地震源波谱和传统的仪器响应的影响,在体波部分观察不到长周期部分。
使用体波来研究震源的一个明显优点在于它的传播路径相对面波来说更短也更简单,因此震源特征可以更容易从观测记录中恢复。
在传统震源研究中,长周期面波和有着长传播路径的简振数据是用来确定原始的震源震相的,而从这些数据中确定震源时间函数历程。然而,需要注意的是,这个过程需要精确的三维地球结构。
使用长周期面波的一个困难在於长周期体波的周期长到一定程度,甚至比两个不同体波之间的时间差还长比如P,PP,S,SS,PS,SP等等,那么这些震相就以一个复杂的干扰项出现而不能明显地被区分出。这种互相干涉生成的一个明显地长周期震相被称为W震相。
W震相可以有效地用于长周期震源特征的研究和局部地壳结构的研究。
通常情况下,W phase这一长周期体波到达于P和S震相之间,通常比PP震相晚。比PP震相晚
表明了W震相主要是大量发射体波如PP,PS,SP波反射的结果。在这个方式上,它的传播方式是和whispering gallery 的传播模式是一样的。
合成震相:通过简振合成的方式计算这一震相。如何滤除体波震相呢,是通过在30s周期的部分做一个剪切。
在合成波形的一个研究中发现:
对于“thrust mechanism ”,不管方位角取多少,W phase的整体运动是向上的。而对于“normal-fault mechanism”来说,整体运动是向下的。这一项特征对于确定震源机制很有用。
W 震相对于大多数地震来说,它经常是被短周期的波所掩盖的,要想显示出它,文章用了70~1000s的带通滤波。
W phase 对于研究地壳结构也很有潜力,是因为:
由于W phase主要对于震源和台站间上地壳的速度结构很敏感,因此W phase的细节研究将会给速度结构的局部变化提供信息。
W phase 学习的更多相关文章
- python学习笔记系列----(二)控制流
实际开始看这一章节的时候,觉得都不想看了,因为每种语言都会有控制流,感觉好像我不看就会了似的.快速预览的时候,发现了原来还包含了对函数定义的一些描述,重点讲了3种函数形参的定义方法,章节的最后讲述了P ...
- 神经网络与深度学习笔记 Chapter 3.
交叉熵 交叉熵是用于解决使用二次代价函数时当单个神经元接近饱和的时候对权重和bias权重学习的影响.这个公式可以看出,当神经元饱和的时候,sigma的偏导接近于0,w的学习也会变小.但是应用交叉熵作为 ...
- 深度学习(二)--深度信念网络(DBN)
深度学习(二)--深度信念网络(Deep Belief Network,DBN) 一.受限玻尔兹曼机(Restricted Boltzmann Machine,RBM) 在介绍深度信念网络之前需要先了 ...
- Zero-shot learning(零样本学习)
一.介绍 在传统的分类模型中,为了解决多分类问题(例如三个类别:猫.狗和猪),就需要提供大量的猫.狗和猪的图片用以模型训练,然后给定一张新的图片,就能判定属于猫.狗或猪的其中哪一类.但是对于之前训练图 ...
- CNN的学习笔记
1.卷积核的概念,卷积核的size,就是滑动窗口的大小,例如原始数据为28*28的手写数字,滑动窗口size为5*5,则卷积核的size为5*5.卷积核就是权重集合,就是5*5+1.1表示偏置项.卷积 ...
- SENet(Squeeze-and-Excitation Networks)算法笔记---通过学习的方式来自动获取到每个特征通道的重要程度,然后依照这个重要程度去提升有用的特征并抑制对当前任务用处不大的特征
Momenta详解ImageNet 2017夺冠架构SENet 转自机器之心专栏 作者:胡杰 本届 CVPR 2017大会上出现了很多值得关注的精彩论文,国内自动驾驶创业公司 Momenta 联合机器 ...
- 深度学习笔记(十一)网络 Inception, Xception, MobileNet, ShuffeNet, ResNeXt, SqueezeNet, EfficientNet, MixConv
1. Abstract 本文旨在简单介绍下各种轻量级网络,纳尼?!好吧,不限于轻量级 2. Introduction 2.1 Inception 在最初的版本 Inception/GoogleNet, ...
- 卷积神经网络学习笔记——SENet
完整代码及其数据,请移步小编的GitHub地址 传送门:请点击我 如果点击有误:https://github.com/LeBron-Jian/DeepLearningNote 这里结合网络的资料和SE ...
- 转--脉络清晰的BP神经网络讲解,赞
http://www.cnblogs.com/wengzilin/archive/2013/04/24/3041019.html 学 习是神经网络一种最重要也最令人注目的特点.在神经网络的发展进程中, ...
随机推荐
- BroadcastReceiver(广播)的静态注册和动态注册 --Android开发
BroadcastReceiver是安卓四大组件之一,本例通过代码的方式演示静态注册和动态注册. 1.静态注册 静态注册只需要AndroidManifest.xml中进行配置: AndroidMani ...
- 20170921xlVBA_SQL蒸发循环查询2
'ARRAY("1991","1992","1993","1994","1996","19 ...
- Vue音乐项目笔记(三)
1. 音乐播放前进后退的实现 https://blog.csdn.net/weixin_40814356/article/details/80379606 2. 音乐进度条实现(单独一个组件) h ...
- 03 爬虫之selenium模块
selenium模块 1.概念,了解selenium 什么是selenium?selenium是Python的一个第三方库,对外提供的接口可以操作浏览器,然后让浏览器完成自动化的操作. seleniu ...
- python基础之正则表达式 re模块
内容梗概: 1. 正则表达式 2. re模块的使⽤ 3. 一堆练习正则表达式是对字符串串操作的一种逻辑公式. 我们一般使用正则表达式对字符串进行匹配和过滤.使用正则的优缺点: 优点: 灵活,功能性强, ...
- DFS CCPC2017 南宁I题
The designers have come up with a new simple game called “Rake It In”. Two players, Alice and Bob, i ...
- 『算法设计_伪代码』贪心算法_最短路径Dijkstra算法
Dijkstra算法实际上是一个贪婪算法(Greedy algorithm).因为该算法总是试图优先访问每一步循环中距离起始点最近的下一个结点.Dijkstra算法的过程如下图所示. 初始化 给定图中 ...
- bzoj3876: [Ahoi2014&Jsoi2014]支线剧情
题意:给一幅图,从1开始,每条边有边权最少走一遍,可以在任意点退出,问最小花费 题解:上下界费用流,每个边都流一遍,然后为了保证流量平衡,新建源点汇点,跑费用流把流量平衡 /************* ...
- 浅谈线程runnable和callable的使用及区别
线程使用比较广泛,但实际上一般项目很少用上线程,线程常用于优化复杂的程序执行流程,把一些与业务关系关系不大但是必须要执行的流程使用线程的方式让子线程去执行,主流程只返回跟业务有关的信息 runnabl ...
- php获得时间段的月
1.时间:$start_time = $_GET['start_time']; //2015-01$end_time = $_GET['end_time']; //2015-052.对时间进行拆分:$ ...