OLR数值受到的影响因素较多,由于地球上海陆性质的差异,不仅受到构造活动的影响,还受到大气、太阳以及地形植被等多种因素的干扰,地震前异常的表现形式和异常时间各不相同。
图1 2008年全国OLR原始数据累计分布图
Fig.1 Distribution of OLR original data accumulation in 2008 in China
图1显示2008年我国OLR数值分布图,可以看出数值从高纬到低纬,从高海拔到低海拔的递增,数值曲线与纬线和等高线方向大致平行,数值逐渐递减,变化明显处多为地形剧烈变化的地方,如喜马拉雅山南面以及青藏高原四周边缘,可见地形地貌是影响OLR数值的一个重要因素,但从图中无法分辨海陆状况,无法判断地震前数值异常变化的区域。2.1 距平处理
图2为2008年全年OLR数据距平处理后分布图,将12个月的数据分别与每个月数据均值相减,累加得出2008年距平分布图。距平处理后,一定程度上消除了原始数据受纬度和地形的影响,较好地体现了海陆性质的变化,表现出一定的区域差异。
图2 2008年OLR数据距平处理分布图
Fig.2 Distribution of difference processing between OLR data and average values in 2008
图2中红点表示2008年中国境内M
S≥6.0地震(数据来源于中国地震台网中心),除台湾地区的大洋边缘和东北地区的深震(大洋地震、深震异常与大陆地震表现不一致),绝大部分地震都发生在西部地区,大都是在OLR数值剧变的区域,与图例所示构成了较好的对应关系。
需要注意的是,距平处理方法并不能完全消除外在因素的干扰影响,因为历年月平均值的计算本身就存在一定偏差。本文中月均值计算采用1974～2008年35年间累计月数据平均值,其中排除1978年4～12月缺数,月均值计算中既包含了某些地区震前的高值异常,也包含了月数据受到季节和年度变化大气扰动,且无法与这两种主要干扰建立对应关系并将其排除在外。因此距平处理的结果不够精确。
2.2 涡度处理
图3为 2008年OLR累计数值涡度处理分布图。涡度处理意义在于找出一定时间区域OLR数值的高低差异,突出显示数值异常剧烈变化的区域。本文将涡度算法做了一定改进,图3a为计算网络4个方向的数值,图3b为计算网格8个方向的数值,以使得数据差异显示的更加突出,公式表示为
Eddy value=1/4(4Xi,j-Xi-1,j-Xi+1,j-Xi,j-1-Xi,j+1),(4)
Eddy value=1/8(8Xi,j-Xi-1,j-Xi+1,j-Xi,j-1-Xi,j+1-Xi-1,j-1-Xi+1,j-1-Xi-1,j+1-Xi+1,j+1).(5)
式中,i,j∈n。
图3 2008年OLR数据涡度分布图(a)4个方向;(b)8个方向
Fig.3 Eddy distribution of OLR data in 2008(a)in 4 direction;(b)in 8 direction
OLR涡度值变化区域,即图中颜色迅速变化处,其剧烈程度与震级基本正相关,但不完全拟合,如汶川地震震中(30°N,120°E),并不是涡度变化最激烈的区域。涡度处理图清晰明确,整体效果较好,但不能排除年季变化和地形天气等因素的干扰。
涡度处理后的OLR数值仍然受到高山湖泊、城市矿场、台风降水等多种多样的外在因素的影响。我国地域辽阔,OLR数值处理方法并不是对所有地区都普遍适用,选取海陆状况单一、地表形态、年季气候差异不大的区域进行研究,效果较好,比如在青藏高原、青海新疆等广阔的西部地区。
2.3 距平涡度综合处理
距平、涡度方法都有不足,笔者尝试将两者结合起来,图4是改进的涡度算法处理分布图。将2008年1～4月、5～12月原始数据按月处理,每个月数据分别减去各自平均值,然后作8个方向涡度处理累加求得,相当于原始数据距平后再涡度处理。
距平处理排除年季扰动,涡度处理突出高低值差异,距平后再涡度的处理方式比较客观地反映了年度数据的变化情况。图4a中,震中位置与数值剧烈变化处基本相对应,尤其西部地区的对应关系比较理想,很好地反映了发震前异常的现象。
图4中椭圆形是汶川地震的发生区域,震前该地区数值变化差异明显,震后差异消失,数值迅
图4 OLR数值距平处理后涡度分布图(a)2008年1～4月;(b)2008年5～12月
Fig.4 Eddy distribution after difference processing between OLR data and average values in 2008
速衰减。可以初步理解为大地震前聚集能量,地震时集中释放,震后短时间内即恢复到原来的水平。尽管汶川地震无论从震级还是释放的能量都很大,但从全国范围来看,变化最剧烈的区域并不是震级最大的区域,因此说明了数据源受到多种因素的影响和干扰,想要精确弄清震前热红外辐射异常,还要结合区域特点,如地形、气象等资料综合分析。
2.4 5日滑动平均值法
滑动平均能够消除一些如季节、气温等小尺度干扰因素,显示时间序列上的变化趋势。取地震前后3个月左右时间段,OLR数值和历年该区域内平均值作为时间序列,两者都进行五日滑动处理; 然后将其两者差值与其标准差进行比较,以大于0.5倍标准差为判断异常的基准。
采用美国国家海洋大气局网站(http://www.noaa.gov/)分辨率2.5°×2.5°逐日观测数据,震例选取2008年5月12日汶川MS8.0地震,震中位于(31.01°N,103.42°E),选取距离震中最近的网格点数值。
图5a中实线部分表示OLR原始时间序列五日滑动处理后的结果,加号线表示该点历年均值五日滑动处理后的结果,只是数值初步处理,杂乱无序,看不出明显的异常变化。图5b中实线表示原始数据与均值分别五日滑动处理后的差值,虚线表示背景值,即±0.5倍标准差。图中椭圆的区域为两处高值异常区,第一处为主震发生前40天左右,4月3日达到最大峰值; 第二处最大余震前33天左右,7月4日达到最大峰值(荆风等,2009a,b)。
图5 汶川地震OLR时间序列
Fig.5 Time series of OLR data of Wenchuan M8.0 earthquake
2.5 小波包分解
小波包分析具有多分辨率分析的特点,在时频两域具有表征信号局部特征的能力,可以利用小波包方法将特定点热红外辐射信息的时间序列分解成不同频带的信号,研究各频带的能量变化规律,检测地震事件前兆的异常信号。
本文采用美国国家海洋大气局网站(http://www.noaa.gov/)分辨率2.5°×2.5°逐日观测数据,用Daubechies母波进行小波包分析。震例选取2008年3月20日新疆南部MS7.5地震,震中(35.64°N,81.54°E)。取2007年10月1日至2008年3月31日,共183天的OLR数值进行小波包分解重构。
图6为db小波四层分解重构后的信号,可以看出信号表现出了不同程度的准周期性变化规律,震前100天左右,从2007年10月29日至2008年年2月3日,大约35天能量严重衰减,而且这种严重衰减在研究时段内没有重复出现,初步判断是某种特定的震前突发因素造成(王亚丽等,2008)。
图6 2008年3月20日新疆南部地震小波包分解重构信号
Fig.6 Reconstructing signal after the wavelet packet decomposition of earthquake on Mar.20,2008 in south Xinjiang
