反演理论与应用之四.pptVIP

最大熵原理表述 ① 取概率分布的熵为目标函数： ② 求在约束条件： 下的解： ABIC Akaike’s Bayesian Information Criterion (ABIC): 衡量统计模型拟合优良性的一种标准，是由日本统计学家 赤池弘次创立和发展的。它建立在熵的概念基础上，可以 权衡所估计模型的复杂度和此模型拟合数据的优良性。 问题的提出 前人的研究方法： (1) 首先，确定断层的几何形状，并假定矩形断层上具有统一滑动的基础上,极小化残差平方和； (2) 然后，再应用通常的线性反演方法去估计确定的断层的滑动分布。 缺点： 不能保证获得最佳的断层几何形状，因为滑动分布具有空间变化。此外，为获得统一的滑动参数模型，不得不同时计算9个相关的参数，这是高度非线性的。 含有先验信息时，一般不是线性问题，因为含有协方差，而且通常会有很强的空间相关性。 通常情况下，通过增加平滑限制条件，修改平滑因子使得变为线性问题。再用线性反演。然而，无法获得需要的最优值。 Yabuki Matsu’ura(1992)通过基于最大熵原理的ABIC方法求得超参数，然后由最大似然准则获得模型参数。 ABIC方法是寻找可以最好地解释数据，但包含最少自由参数的模型。所以，这个方法现在应用很广。 本文方法 (1) 如果同震断层有清晰形迹可观测到，那么就只有倾角是确定断层几何形状的不定参数。 (2) 然后可以认为倾角是描述参数模型结构的一个超参数，使用ABIC方法可以获得倾角的最优估值；再由最大似然准则确定滑动分布。这样可以解决这个非线性反演的问题。 InSAR数据的观测方程 (1) 同震表面位移与位错之间的函数关系： (2) 基于本文的假定下，含倾角δ的函数关系： 滑动分布的线性组合： (3) 表面位移与InSAR观测数据之间的函数关系： (4) 由以上式子，可得InSAR观测数据的观测方程： 写成矩阵形式： 和δ描述了非线性反演问题 (5) 协方差： (6) 观测数据基于模型参数的一个概率密度函数(pdf)为： 运用ABIC的反演法则： (1) 根据Yabuki Matsu’ura (1992)的研究,把滑动分布 的粗略值量化为： (2) 由断层上的滑动分布的线性组合，得： 即 (3) r是对应于a的一正定二次型，描述含有先验限制的滑动分布的粗略值，可用含有超参数ρ2的密度函数： (4) 用贝叶斯定理把滑动分布和数据发布的概率密度函数 结合成一个函数式： 这组合的是一个参数模型的类，具体的应用，可以基于 不同的度量函数。 (5) 基于ABIC来客观的选择一个模型，得到的ABIC函数形 式为： (6) 对上式进行改化，把 变成 ， 可得： 反演计算的步骤： (1) 极小化 ，可得 和δ ，然后基 于最大似然准则，可得 、 ； (2) 然后由滑动分布的线性组合可以重构滑动分布; (3) 同时由 可以进一步的求得协方差和分辨率： 协方差矩阵： 分辨率矩阵： 三、实例分析：利用InSAR数据研究Dinar地震 观测数据： (1) 地质构造： 1971地震 1995地震 (2) 利用的观测条件是： 1995年10月的 Ms = 6.1,Dinar地 震产生的断裂带； (3) 观测数据与数据处理： 使用ERS SAR 图像； 使用The ROI pac software at JPL处理数据； 再由ERS像对构建DEM，对地形位相进行校正； 用Delft大学提供的精确轨道进行基线校正。 前人的反演成果： (1) Wright et al. (1999), 使用InSAR数据，把断层看成一段和四段两种模型下的统一滑动，反演的最优倾角分别为53.8和49度。 (2) (Eyid ogan and Barka 1996; Pinar 1998; Wright et al. 1999; Utkucu et al. 2002), 使用地震数据，也分别进行了源参数的估计，由于各自不同的数据观测背景和反演模型，获得的结果也不同。 本文的反演结果与评价 (1) 极小化 ，得 、δ的最优估值，如图： Figure. Contour map of ABIC (α2, δ)