Evaluation of Ground Motion Model: A Case Study of the Turkey Earthquake on February 6,2023
-
摘要: 地震动预测模型（GMM）是利用强震动记录拟合的具有一定物理意义的函数关系式，可表征强震动参数随震级、距离、场地等因素变化规律，是预估强震动参数的有效工具。以2023年2月6日土耳其连续发生的MW7.8、MW7.5地震为例，选用断层距200 km以内的自由场强震动记录，对比观测值与9个GMM预测值的差异，应用似然函数法和对数似然函数法对GMM进行选择、排序和加权，得到适用于该地区大震的加权预测模型，并对该预测模型的适用性进行验证。研究结果表明，适用于土耳其地区或者包括土耳其的更大区域地震的GMM预测效果较好，验证了GMM具有区域性差异；似然函数法和对数似然函数法对于GMM的选择与排序结果具有一致性；加权预测模型较好地预测了PGA随距离的衰减规律，并且对2次地震短周期反应谱的预测精确性更高；加权预测模型显著降低了2次地震事件间残差的离散性，预测结果更加稳定，说明加权预测模型提供了整体最优的预测结果，预测模型加权方案合理有效。Abstract: A ground motion model (GMM) is a physically meaningful function derived from strong-motion records to characterize intensity measures based on magnitude, distance, site conditions, and other factors. It serves as an effective tool for predicting seismic intensity measures. This study examines the MW7.8 and MW7.5 earthquakes of February 6, 2023, using strong-motion records with rupture and Joyner-Boore distances of less than 200km. The observed values are compared with nine GMMs, and the likelihood function and log-likelihood function methods are applied to select, rank, and weight the models to identify the most suitable GMM for the region and assess the applicability of predictive models. The results indicate that GMMs developed for Turkey or larger regions encompassing Turkey perform best, confirming the existence of regional variations in ground motion models. Both the likelihood function and log-likelihood function methods yield consistent rankings of GMMs. The weighted prediction model effectively captures the attenuation of peak ground acceleration with distance and demonstrates greater accuracy in predicting short-period pseudo-spectral acceleration. Additionally, it significantly reduces the dispersion of between-event residuals for both earthquakes, leading to more stable predictions. These findings confirm that the weighted prediction model provides optimal overall predictions and that the weighting scheme is both reasonable and effective.1)
1 2https://www.usgs.gov/ 2)2 3https://tadas.afad.gov.tr/ -
引言
地震动预测模型（GMM，又称地震动衰减关系或地震动预测方程）是利用强震动观测资料回归分析建立的地震动强度指标与震源、距离、场地等因素相关的函数关系式，建立GMM是地震区划图编制和工程地震安全性评价的重要环节，对概率地震危险性分析（PSHA）有重要意义。国外强震动观测研究开展较早，经过半个多世纪的研究已趋于完善，并在21世纪得到了快速发展。太平洋地震工程研究中心研发的美国下一代衰减关系（NGA-West、NGA-West2、NGA-East、NGA-Subduction）代表了当下的发展前沿。NGA-West项目于2008年完成，从5个被广泛接受的已有预测模型出发，基于残差分析和数值模拟结果不断对预测模型函数形式进行评估和修正。2014年研究团队对这些预测模型进行了升级，更新了地震记录数据库，增加了对中小地震的地震动估计研究，发布了NGA-West2预测模型，此后各国研究者将不同区域的实际强震动记录应用于NGA预测模型，以研究区域适用性。由于我国长期缺乏强震数据的支撑，我国发展建立的地震动衰减关系是按照烈度转换的方法（胡聿贤等，1984），首先利用我国丰富的地震烈度等震线资料确定地震烈度衰减关系，然后选择既有强震记录又有烈度衰减关系的美国等地区作为参考区域，建立二者之间的转换关系，得到地震动参数衰减关系，但地震烈度与地震动参数之间是否存在准确的对应关系缺乏理论验证及物理解释。“十五”期间我国完成了新一代“中国数字地震观测网络工程”项目中的数字强地震动台网系统建设，大幅度提高了防御区内固定强地震动观测台网密度及获取近场强震动记录的能力，加快了我国强震动记录的积累（温瑞智，2016）。
由于地震破裂过程、地震波传播和场地效应的复杂性，GMM数量仍在快速增长，大量研究者将GMM与实际地震记录进行对比，以探讨其适用性，可为区域地震危险性分析提供理论支持。但随着强震动记录的不断丰富，GMM考虑的预测变量不断增多，预测方程形式也越来越复杂。因此，合理评估GMM预测能力并从大量预测模型中选择最优预测模型受到了国内外学者的普遍关注。全球地震区划方法正在发生变化，对GMM的考虑也在改变，2014年美国率先在地震区划图的编制中采用了几个GMM加权形式，区分了美国西部、中东部和俯冲带区域，并在2018年更改了选用GMM的权重分配，阐述了新的特点和优势（陶正如等，2015）。我国目前正在开发新一代地震区划图，加权预测模型的建立可为我国区划图编制提供参考与借鉴。
通过统计和概率方法评估GMM对地震动观测数据的拟合优度可最大限度地减少主观因素在PSHA中的作用。近年来，研究者提出了许多GMM评价方法以更好地选择预测模型，如基于似然函数值H评估GMM适用性的似然函数法（Scherbaum等，2004），基于负平均对数似然值L评估GMM适用性的对数似然函数法（Scherbaum等，2009），使用欧几里得距离排序与选择GMM的新方法（Kale等，2013），利用贝叶斯统计框架优化GMM选择的偏差信息准则方法（Kowsari等，2019）。
本文基于土耳其连续发生的MW7.8和MW7.5地震记录到的大量强震动记录，计算9个GMM的强震动参数预测值，综合利用似然函数法和对数似然函数法，对GMM进行选择、排序和加权，讨论了GMM对于土耳其地区大地震的适用性，最终建立适用于该地区大地震的地震动加权预测模型。
1. 强震动数据及选用的地震动预测模型
据美国地质调查局
1 （USGS）测定，2023年2月6日1时17分（UTC），土耳其卡赫拉曼马拉什省（Kahramanmaraş）帕扎尔克（Pazarcık）发生MW7.8地震，震中位于北纬37.226°，东经37.196°，震源深度10 km。2023年2月6日10点24分（UTC），卡赫拉曼马拉什省埃尔比斯坦（Elbistan）再次发生MW7.5地震，震中位于北纬38.011°，东经37.196°，震源深度7.4 km，2次地震均为走滑型地震。土耳其灾害和应急管理局2 （AFAD）在2次地震中分别获取了292、268组三分量加速度记录，采用姚鑫鑫等（2022）提出的强震动记录处理流程，逐个筛查并剔除存在波形问题的记录，最终保留了MW7.8地震的236组记录和MW7.5地震的224组记录，2次地震的震中及可用记录的强震动台站分布如图1所示。本文根据USGS提供的2次地震的震源破裂模型，得到破裂面地表投影如图1所示，计算了记录的断层投影距（RJB）和断层距（Rrup），AFAD提供了部分台站基于钻孔数据的VS30值（即地表以下30 m范围内的平均剪切波速值），对于未提供VS30值的台站，采用了基于地形坡度的VS30估计值（Heath等，2020）。对每条记录选用合适的滤波截止频率进行巴特沃斯带通滤波处理，根据Boore（2010）的方法计算了峰值地面加速度（PGA）、峰值地面速度（PGV）及5%阻尼比的拟加速度反应谱（PSA）等地震动强度指标，记录可用PSA的最大周期与滤波的高通截止频率表示，2次地震中观测记录的PGA、PGV以及部分周期PSA（T=0.2、3.0 s）随距离（RJB）的变化如图2所示。
图 1 2次土耳其地震的震中位置、震源破裂面地表投影及可用记录的台站位置Figure 1. Epicenter locations, surface projections of the source rupture model, and the strong-motion stations captured the usable recordings in two Turkey earthquakes
图 2 2次地震中观测记录的PGA、PGV及部分周期的PSAFigure 2. PGA, PGV, and PSA at two periods of recordings observed in two Turkey earthquakes本文评估了9个GMM对2次土耳其地震的强地震动预测能力，包括适用于全球浅地壳地震的BSSA14模型（Boore等，2014）、CY14模型（Chiou等，2014），适用于土耳其地区或者包括土耳其的更大区域地震的AC10模型（Akkar等，2010）、Kale15模型（Kale等，2015）、GCY16模型（Gülerce等，2016）、BND14模型（Bindi等，2014）和ASB14模型（Akkar等，2014），适用于邻近土耳其其他区域地震的IT18模型（Lanzano等，2019）、GR20模型（Boore等，2021），这些预测模型大体上都以震级（MW）、断层类型、距离（RJB或Rrup）和场地条件（VS30或场地类别）作为预测变量，有些预测模型也考虑了沉积层厚度、破裂断层埋深、上盘效应、方向性效应、余震影响等，这些预测模型的震级、距离（RJB或Rrup）、周期的适用范围及预测的水平向地震动强度指标类型（RotD50、几何平均值GM）如表1所示。所选用预测模型的距离适用范围多数≤200 km，2次土耳其地震震级在多个预测模型震级范围内，超出适用范围的预测模型（AC10、GCY16、BND14、ASB14）考虑了模型的外推进行计算。本文后续针对2次土耳其地震中断层距≤200 km的199组强震动记录进行分析，并分别给出了9个GMM预测中位值。
表 1 本文选用的GMM及参数特征描述Table 1. Selected ground motion models and their features预测模型 适用区域 震级MW
范围距离RJB
范围/km场地参数 其他参数变量 周期范围/s 强度指标类型 来源 BSSA14 全球 3.0～7.9 0～400 VS30 沉积层厚度、
破裂断层埋深、余震等0.01～10 RotD50 Boore等（2014） CY14 全球 3.5～8.5 0～400 VS30 沉积层厚度、
破裂断层埋深、
倾角、上下盘效应、
方向性效应等0.01～10 RotD50 Chiou等（2014） AC10 土耳其 5.0～7.6 0～200 VS30 — 0.01～2 GM Akkar等（2010） Kale15 土耳其、伊朗 4.0～8.0 0～200 VS30 — 0.01～4 GM Kale等（2015） GCY16 土耳其 3.0～7.6 0～200 VS30 上盘效应、
沉积层厚度等0.01～10 RotD50 Gülerce等（2016） BND14 欧洲、中东 4.0～7.6 0～300 VS30或EC8
场地类别— 0.02～3.0 GM Bindi等（2014） ASB14 欧洲、中东 4.0～7.6 0～200 VS30 — 0.01～4 GM Akkar等（2014） IT18 意大利 4.0～8.0 0～200 VS30 — 0.01～10 RotD50 Lanzano等（2019） GR20 希腊 4.0～8.0 0～300 VS30 — 0.01～10 RotD50 Boore等（2021） 2. 评价方法与结果
Scherbaum等（2004）提出了基于似然概念评估预测模型适用性的拟合优度指标H：
$$ H\left(\left|{\textit{z}}_0\right|\right)={\mathrm{erf}}\left(\infty\right)-{\mathrm{erf}}\left(\frac{\left|{\textit{z}}_0\right|}{\sqrt{2}}\right) $$ (1) 式中，z0为某一观测值的归一化残差，误差函数erf表示为：
$$ {\mathrm{erf}}\left({\textit{z}}\right)=\frac{2}{\sqrt{\text{π} }}{\int }_{0}^{{\textit{z}}}{{\mathrm{exp}}}\left(-{t}^{2}\right){\mathrm{d}}t $$ (2) 似然函数法的拟合优度指标为H值的中位数和归一化残差z0的中位数、平均值和标准差，对于这些指标的标准差，采用数据重采样技术——自举法（Efron等，1993）计算得到。为提供整体指标评估GMM不同周期的适用性，Scherbaum等（2004）提出了评分方法进行定量评估，将GMM评估为A～D级。对于评估等级为A的GMM，其H值中位数至少为0.4，归一化残差z0平均值和中位数的绝对值及标准差须小于0.25，且z0的标准差<1.125。对于评估等级为B的GMM，其H值中位数至少为0.3，归一化残差z0平均值和中位数的绝对值及标准差须小于0.5，且z0的标准差<1.25。对于评估等级为C的GMM，其H值中位数至少为0.2，归一化残差z0平均值和中位数的绝对值及标准差须小于0.75，且z0的标准差<1.5。对不符合上述标准的GMM评估为D级或不可接受模型。
9个GMM的PGA和T=0.1、0.2、0.5、1.0、1.5、2.0 s的PSA评估等级结果如图3所示。由图3可知，不同周期的评估等级结果大体相同，不同周期评估结果的相似性可被看作方法稳定性的标志（Mousavi等，2012），因此，将GMM的全部周期强震动参数预测值合并计算评估GMM最终等级，如表2所示。由表2可知，9个GMM对强震动记录的预测效果较好，无被评估为D级的GMM，但各自的预测能力存在差异，适用于土耳其地区或者包括土耳其的更大区域地震GMM相较适用于全球浅地壳地震的BSSA14、CY14模型和适用于希腊的GR20模型评估等级更高，说明由土耳其区域数据建立的GMM对强震动记录的预测结果更好，充分验证了GMM具有区域性差异。
图 3 基于H值的GMM等级评估结果Figure 3. The ranking results of ground motion models based on H values表 2 基于H值的GMM最终等级Table 2. Final ranking results of ground motion models based on H values预测模型 等级 H中值 σ1 z0中值 σ2 z0均值 σ3 z0标准差 σ4 BSSA14 C 0.441 0.009 0.510 0.021 0.500 0.017 1.038 0.014 CY14 B 0.405 0.009 0.378 0.020 0.362 0.017 1.182 0.014 AC10 B 0.601 0.006 −0.318 0.014 −0.351 0.012 0.785 0.013 Kale15 A 0.496 0.009 0.050 0.022 0.021 0.018 1.113 0.016 GCY16 B 0.410 0.010 0.203 0.023 0.203 0.018 1.240 0.017 BND14 A 0.526 0.008 −0.201 0.021 −0.213 0.014 0.921 0.009 ASB14 B 0.530 0.005 0.315 0.010 0.310 0.008 0.913 0.007 ITA18 B 0.563 0.004 0.258 0.010 0.236 0.010 0.829 0.010 GR20 C 0.481 0.009 −0.473 0.016 −0.594 0.016 1.145 0.016 注：σ1、σ2、σ3、σ4分别为H中值、z0中值、z0均值、z0标准差的标准差。 为克服H值对观测数据数量的依赖及在划分阈值时的主观决策，Scherbaum等（2009）提出了基于数据残差与模型自身残差之间相对分布的概率评分方法，根据负平均对数似然L值（Delavau等，2012）反映数据和预测模型之间的拟合：
$$ L(g,x)=-\frac{1}{N}\sum_{i=1}^N{\mathrm{log}}_2\left(g\left(x_i\right)\right) $$ (3) 式中，N表示记录数量；
$ g\left({x}_{i}\right) $ 表示残差值为xi的概率密度。McNamara等（2020）指出L值越接近1表明该地震动预测模型对该次地震的适用性越好，即预测的准确性越高。根据式（3）计算GMM强震动参数（PGA、PGV、PSA）的L值随周期变化如图4所示，由图4可知，当T<1 s时，L值在1附近上下波动，当T=0.1 s时基本达到最大值，而当T>3.0 s时多个GMM的L值显著增加，预测效果变差，说明GMM对于短周期PSA的预测精确性优于中长周期，可能与中长周期可用记录减少有关。
与H值的计算方法相同，将GMM的全部周期强震动参数预测值合并计算评估GMM的平均L值进行最终排序，如表3所示。由表2、表3可知，较小的L值对应了较高的H值等级，均表征了更优的预测结果，说明2种评价方法的预测结果具有一致性，因此综合考虑2种评价方法的评估结果，选择L值计算结果排序较高且被H方法评估为A或B级的3个GMM建立加权预测模型，包括由土耳其区域记录建立的Kale15模型，适用于欧洲、中东地区的BND14模型，依赖意大利强震动记录建立的ITA18模型，依据3个GMM的共同适用周期范围，将加权预测模型适用周期取为0.02～3 s。基于L值为GMM分配权重（Scherbaum等，2009）计算如式（4）所示，权重分配结果如表4所示。
表 3 基于L值的GMM最终排序Table 3. Final ranking results of ground motion models based on L values预测模型 L值 排序 BSSA14 1.707 7 CY14 1.725 8 AC10 1.663 5 Kale15 1.532 2 GCY16 1.695 6 BND14 1.632 3 ASB14 1.632 3 ITA18 1.473 1 GR20 2.053 9 表 4 选用GMM及相应权重Table 4. Selected ground motion models and their weights预测模型 权重 Kale15 0.336 BND14 0.314 ITA18 0.350 $$ \omega_i=\frac{2^{-L\left(g_{i,x}\right)}}{\displaystyle\sum_{k=1}^K2^{-L\left(g_{k,x}\right)}} $$ (4) 式中，K为预测模型个数；ωi为每个预测模型权重分配值；L（gi,x）是所有模型L值之和；L（gk,x）是单个预测模型L值。
3. 结果验证与分析
为验证加权方案的可行性，计算加权预测模型对于2次地震的预测中位值并进行残差分析。加权预测模型和3个GMM对2次地震PGA的预测情况如图5所示，场地条件均为基岩场地（VS30=760 m/s）。由图5可知，4条衰减曲线对2次地震的预测中位值均从观测数据中间穿过，且加权预测曲线的预测结果更接近权重较大的ITA18模型预测结果，说明加权预测模型很好地预测了PGA随距离的衰减规律，加权方法具有可靠性。计算2次地震中4条记录的加速度反应谱与加权预测模型预测结果，如图6所示，由图6可知，加权预测模型的预测值与实际记录反应谱吻合良好，2次地震实际记录反应谱（细线）在T<0.5 s时较加权预测模型预测的中值反应谱（粗线）略小，而在T>1 s后变为相反趋势，说明加权预测模型在短周期略高估了观测记录的反应谱，而在长周期略低估。
图 5 选用GMM与加权预测模型PGA随距离（RJB）衰减及其预测中位值Figure 5. The decay to PGA with distance and its predicted median values for selected ground motion models and the weighted prediction model
图 6 观测记录与预测的加速度反应谱结果对比Figure 6. Comparison of pseudo spectral accelerations（PSA）from simulation with those from recordings在地震动衰减关系残差理论中，总残差代表观测值和预测值的整体差异，可分为事件间残差和事件内残差。事件间残差代表该衰减关系对于某次地震事件的预测偏差程度，而事件内残差主要体现同一地震事件台站与台站预测结果之间的差异：
$$ \mathrm{ln}（Y_{ij}）=f\left(M,R,S\right)+\varepsilon=f\left(M,R,S\right)+\eta_j+\varepsilon_{ij} $$ (5) 式中，
$ {Y}_{ij} $ 为第j个地震下第i个台站的记录观测值；f（M, R, S）为模型预测结果，M、R、S分别表示震级、距离、场地；ε为总残差；ηj为事件间残差；εij为事件内残差。若仅研究一次单独事件，各台站之间记录的差异仅体现在事件内残差中，且服从均值为0的正态分布，将各台站记录总残差进行平均后即可近似得到各参数（PGA、PSA）的事件间残差（Wang等，2010）。加权预测模型和3个GMM的2次地震反应谱事件间残差随周期变化如图7所示，由图7可知，加权预测模型和3个GMM事件间残差均为−1～1且在0附近波动，说明预测结果均较好地表征了强震动记录。随着周期变化，加权预测模型对2次地震事件间残差变化平稳且更趋近于0，说明与选用GMM相比，加权预测模型显著降低了2次地震事件间残差的离散性，提供了整体最优的预测，预测模型加权方案合理有效。
图 7 选用GMM与加权预测模型事件间残差分布Figure 7. Between-events residuals between the selected ground motion models and weighted prediction models4. 结论
基于2023年2月6日土耳其连续发生的MW7.8、MW7.5地震获取的断层距200 km以内的强震动记录，应用似然函数法和对数似然函数法对9个GMM的强震动参数进行计算，最终选择了3个GMM建立加权预测模型，计算加权预测模型对2次地震的适用性，以验证其可行性，主要得到以下结论：
（1）整体看来，9个GMM对强震动记录的预测效果较好，但各自的预测能力存在差异，适用于土耳其地区或者包括土耳其的更大区域地震的GMM得到了更优的评价结果，预测效果较好，验证了GMM具有区域性差异。
（2）较小的L值对应了较高的H值等级，均表征了更好的预测效果，2种评价方法对于GMM的选择与排序结果具有一致性。
（3）加权预测模型较好地预测了PGA随距离的衰减规律，并且对2次地震短周期反应谱的预测精确性更高，可能与中长周期可用记录减少有关。
（4）与选用GMM相比，使用加权预测模型后2次地震事件间残差得到显著降低，预测结果更加稳定，说明加权预测模型提供了整体最优的预测结果，预测模型加权方案合理有效。
综上所述，地震动预测具有较大的不确定性，本文建立的加权预测模型充分考虑了GMM的适用震级上限和距离范围，在土耳其地区大震级有较好的适用性，同时，加权预测模型提供了较单一GMM更优的预测结果，相关方法可为地震动预测模型研究、地震区划和概率地震危险性分析提供参考。
-
图 1 2次土耳其地震的震中位置、震源破裂面地表投影及可用记录的台站位置
Figure 1. Epicenter locations, surface projections of the source rupture model, and the strong-motion stations captured the usable recordings in two Turkey earthquakes
图 2 2次地震中观测记录的PGA、PGV及部分周期的PSA
Figure 2. PGA, PGV, and PSA at two periods of recordings observed in two Turkey earthquakes
图 3 基于H值的GMM等级评估结果
Figure 3. The ranking results of ground motion models based on H values
图 5 选用GMM与加权预测模型PGA随距离（RJB）衰减及其预测中位值
Figure 5. The decay to PGA with distance and its predicted median values for selected ground motion models and the weighted prediction model
图 6 观测记录与预测的加速度反应谱结果对比
Figure 6. Comparison of pseudo spectral accelerations（PSA）from simulation with those from recordings
图 7 选用GMM与加权预测模型事件间残差分布
Figure 7. Between-events residuals between the selected ground motion models and weighted prediction models
表 1 本文选用的GMM及参数特征描述
Table 1. Selected ground motion models and their features
预测模型 适用区域 震级MW
范围距离RJB
范围/km场地参数 其他参数变量 周期范围/s 强度指标类型 来源 BSSA14 全球 3.0～7.9 0～400 VS30 沉积层厚度、
破裂断层埋深、余震等0.01～10 RotD50 Boore等（2014） CY14 全球 3.5～8.5 0～400 VS30 沉积层厚度、
破裂断层埋深、
倾角、上下盘效应、
方向性效应等0.01～10 RotD50 Chiou等（2014） AC10 土耳其 5.0～7.6 0～200 VS30 — 0.01～2 GM Akkar等（2010） Kale15 土耳其、伊朗 4.0～8.0 0～200 VS30 — 0.01～4 GM Kale等（2015） GCY16 土耳其 3.0～7.6 0～200 VS30 上盘效应、
沉积层厚度等0.01～10 RotD50 Gülerce等（2016） BND14 欧洲、中东 4.0～7.6 0～300 VS30或EC8
场地类别— 0.02～3.0 GM Bindi等（2014） ASB14 欧洲、中东 4.0～7.6 0～200 VS30 — 0.01～4 GM Akkar等（2014） IT18 意大利 4.0～8.0 0～200 VS30 — 0.01～10 RotD50 Lanzano等（2019） GR20 希腊 4.0～8.0 0～300 VS30 — 0.01～10 RotD50 Boore等（2021） 
下载: 导出CSV
表 2 基于H值的GMM最终等级
Table 2. Final ranking results of ground motion models based on H values
预测模型 等级 H中值 σ1 z0中值 σ2 z0均值 σ3 z0标准差 σ4 BSSA14 C 0.441 0.009 0.510 0.021 0.500 0.017 1.038 0.014 CY14 B 0.405 0.009 0.378 0.020 0.362 0.017 1.182 0.014 AC10 B 0.601 0.006 −0.318 0.014 −0.351 0.012 0.785 0.013 Kale15 A 0.496 0.009 0.050 0.022 0.021 0.018 1.113 0.016 GCY16 B 0.410 0.010 0.203 0.023 0.203 0.018 1.240 0.017 BND14 A 0.526 0.008 −0.201 0.021 −0.213 0.014 0.921 0.009 ASB14 B 0.530 0.005 0.315 0.010 0.310 0.008 0.913 0.007 ITA18 B 0.563 0.004 0.258 0.010 0.236 0.010 0.829 0.010 GR20 C 0.481 0.009 −0.473 0.016 −0.594 0.016 1.145 0.016 注：σ1、σ2、σ3、σ4分别为H中值、z0中值、z0均值、z0标准差的标准差。
下载: 导出CSV
表 3 基于L值的GMM最终排序
Table 3. Final ranking results of ground motion models based on L values
预测模型 L值 排序 BSSA14 1.707 7 CY14 1.725 8 AC10 1.663 5 Kale15 1.532 2 GCY16 1.695 6 BND14 1.632 3 ASB14 1.632 3 ITA18 1.473 1 GR20 2.053 9
下载: 导出CSV
表 4 选用GMM及相应权重
Table 4. Selected ground motion models and their weights
预测模型 权重 Kale15 0.336 BND14 0.314 ITA18 0.350
下载: 导出CSV
-
胡聿贤,张敏政,1984. 缺乏强震观测资料地区地震动参数的估算方法. 地震工程与工程振动,4(1):1−11.Hu Y. X., Zhang M. Z., 1984. A method of predicting ground motion parameters for regions with poor ground motion data. Earthquake Engineering and Engineering Vibration, 4(1): 1−11. (in Chinese) 陶正如,陶夏新,2015. 美国2014地震区划中采用的地震动衰减关系. 世界地震工程,31(3):78−84.Tao Z. R., Tao X. X., 2015. Ground motion attenuation relationships adopted in 2014 update of the US National Seismic Hazard Maps. World Earthquake Engineering, 31(3): 78−84. (in Chinese) 温瑞智,2016. 我国强地震动记录特征综述. 地震学报,38(4):550−563.Wen R. Z., 2016. A review on the characteristics of Chinese strong ground motion recordings. Acta Seismologica Sinica, 38(4): 550−563. (in Chinese) 姚鑫鑫,任叶飞,岸田忠大等,2022. 强震动记录的数据处理流程:去噪滤波. 工程力学,39(S1):320−329.Yao X. X., Ren Y. F., Kishida T. et al., 2022. The procedure of filtering the strong motion record: denoising and filtering. Engineering Mechanics, 39(S1): 320−329. (in Chinese) Akkar S., Çağnan Z., 2010. A local ground-motion predictive model for turkey, and its comparison with other regional and global ground-motion models. Bulletin of the Seismological Society of America, 100(6): 2978−2995. doi: 10.1785/0120090367 Akkar S., Sandıkkaya M. A., Bommer J. J., 2014. Empirical ground-motion models for point- and extended-source crustal earthquake scenarios in Europe and the Middle East. Bulletin of Earthquake Engineering, 12(1): 359−387. doi: 10.1007/s10518-013-9461-4 Bindi D., Massa M., Luzi L., et al., 2014. Pan-European ground-motion prediction equations for the average horizontal component of PGA, PGV, and 5%-damped PSA at spectral periods up to 3.0 s using the RESORCE dataset. Bulletin of Earthquake Engineering, 12(1): 391−430. doi: 10.1007/s10518-013-9525-5 Boore D. M., 2010. Orientation-independent, nongeometric-mean measures of seismic intensity from two horizontal components of motion. Bulletin of the Seismological Society of America, 100(4): 1830−1835. doi: 10.1785/0120090400 Boore D. M., Stewart J. P., Seyhan E., et al., 2014. NGA-west2 equations for predicting PGA, PGV, and 5% damped PSA for shallow crustal earthquakes. Earthquake Spectra, 30(3): 1057−1085. doi: 10.1193/070113EQS184M Boore D. M., Stewart J. P., Skarlatoudis A. A., et al., 2021. A ground‐motion prediction model for shallow crustal earthquakes in Greece. Bulletin of the Seismological Society of America, 111(2): 857−874. doi: 10.1785/0120200270 Chiou B. S. J., Youngs R. R., 2014. Update of the chiou and youngs NGA model for the average horizontal component of peak ground motion and response spectra. Earthquake Spectra, 30(3): 1117−1153. doi: 10.1193/072813EQS219M Delavaud E., Scherbaum F., Kuehn N., et al., 2012. Testing the global applicability of ground‐motion prediction equations for active shallow crustal regions. Bulletin of the Seismological Society of America, 102(2): 707−721. doi: 10.1785/0120110113 Efron B. , Tibshirani R. J. , 1993. An introduction to the bootstrap. New York: Chapman & Hall. Gülerce Z., Kargoığlu B., Abrahamson N. A., 2016. Turkey-adjusted NGA-W1 horizontal ground motion prediction models. Earthquake Spectra, 32(1): 75−100. doi: 10.1193/022714EQS034M Heath D. C., Wald D. J., Worden C. B., et al., 2020. A global hybrid V S30 map with a topographic slope–based default and regional map insets. Earthquake Spectra, 36(3): 1570−1584. doi: 10.1177/8755293020911137 Kale Ö., Akkar S., 2013. A new procedure for selecting and ranking ground‐motion prediction equations (GMPEs): the Euclidean distance‐based ranking (EDR) method. Bulletin of the Seismological Society of America, 103(2A): 1069−1084. doi: 10.1785/0120120134 Kale Ö., Akkar S., Ansari A., et al., 2015. A ground‐motion predictive model for Iran and turkey for horizontal PGA, PGV, and 5% damped response spectrum: investigation of possible regional effects. Bulletin of the Seismological Society of America, 105(2A): 963−980. doi: 10.1785/0120140134 Kowsari M., Halldorsson B., Hrafnkelsson B., et al., 2019. Calibration of ground motion models to Icelandic peak ground acceleration data using Bayesian Markov Chain Monte Carlo simulation. Bulletin of Earthquake Engineering, 17(6): 2841−2870. doi: 10.1007/s10518-019-00569-5 Lanzano G., Luzi L., Pacor F., et al., 2019. A revised ground‐motion prediction model for shallow crustal earthquakes in Italy. Bulletin of the Seismological Society of America, 109(2): 525−540. doi: 10.1785/0120180210 McNamara D. E. , Wolin E. , Powers P. M. , et al. , 2020. Evaluation of ground‐motion models for U. S. geological survey seismic hazard models: 2018 anchorage, Alaska, Mw 7.1 subduction zone earthquake sequence. Seismological Research Letters, 91 (1): 183−194. Mousavi M., Ansari A., Zafarani H., et al., 2012. Selection of ground motion prediction models for seismic hazard analysis in the Zagros region, Iran. Journal of Earthquake Engineering, 16(8): 1184−1207. doi: 10.1080/13632469.2012.685568 Scherbaum F., Cotton F., Smit P., 2004. On the use of response spectral-reference data for the selection and ranking of ground-motion models for seismic-hazard analysis in regions of moderate seismicity: the case of rock motion. Bulletin of the Seismological Society of America, 94(6): 2164−2185. doi: 10.1785/0120030147 Scherbaum F., Delavaud E., Riggelsen C., 2009. Model selection in seismic hazard analysis: an information-theoretic perspective. Bulletin of the Seismological Society of America, 99(6): 3234−3247. doi: 10.1785/0120080347 Wang D., Xie L. L., Abrahamson N. A., et al., 2010. Comparison of strong ground motion from the Wenchuan, China, earthquake of 12 May 2008 with the next generation attenuation (NGA) ground-motion models. Bulletin of the Seismological Society of America, 100(5B): 2381−2395. doi: 10.1785/0120090009 -
下载:
点击查看大图
计量
- 文章访问数: 40
- HTML全文浏览量: 8
- PDF下载量: 9
- 被引次数: 0
