2. 中国科学院大学, 北京 100049
2. University of Chinese Academy of Sciences, Beijing 100049, China
滑坡灾害在我国频繁发生,对人民的生命和财产已造成重大损害(Huang, 2009).为了解滑坡运动变形的特征,建立滑坡运动模型,评估灾害的发生,对人类住所附近的滑坡体进行变形监测十分必要.监测滑坡传统的方法有InSAR、GPS、无人机等,这些方法可以很好的监测滑坡表面运动变形特征.但是对于大型滑坡,其运动变形特征较为复杂,滑坡体不是作为一个单一的整体在滑动,滑坡基底、侧壁与基岩的相互作用以及局部的相互作用也将影响滑坡的运动.尽管这些内部的过程很难通过表面监测手段来反映,但是它们在变形和滑动过程中可能会辐射出一些微弱地震信号,进而被布设在滑坡上的密集台阵地震仪所记录到.研究这些发生在滑坡上微震信号能帮助我们理解滑坡内部过程,为灾害评估提供更多的有效信息.
通过分析这些微震事件的时空分布可以了解滑坡上不稳定区域的分布及外界环境因素对滑坡运动变形的影响.例如,Spillmann等(2007)由滑坡上微震的位置得到了瑞士阿尔卑斯地区一滑坡上两个不稳定的活跃区域;Helmstetter和Garambois(2010)结合滑坡上微震活动性和气象资料分析了降雨对法国阿尔卑斯地区一滑坡运动的影响,结果表明降雨会使微震的活动性增强.某些滑坡上常有滚石的发生,这些滚石撞击滑坡体产生的信号能被地震仪记录到,通过测定撞击的位置和时间,可以估算滚石的轨迹和运动速度(Lacroix and Helmstetter, 2011).上述微震研究较好地刻画滑坡体不稳定的特性,对于滑坡灾害的评估将是十分重要的.另外,有学者(Peng and Gomberg, 2010)认为滑坡体的运动,冰川的运动,构造断层的运动具有一定的相似性,它们相当于不同尺度上的块体的运动和变形.但是构造断层尺度大,很难布设足够密集的仪器进行观测,而滑坡尺度相对较小从而易于观测,清楚地了解滑坡的运动变形特征将对认识天然断层运动提供佐证和借鉴.Gomberg等(2011)认为滑坡是观测断层滑动的天然实验室.综上所述,对于滑坡上微震的研究可以了解滑坡运动变形的剧烈程度,进而对滑坡灾害的评估以及认识断层滑动的机制提供一些基础信息.
目前,滑坡上的地震学研究借鉴了很多天然地震学的方法,但是也存在较大困难.由于滑坡上的微震信号非常微弱,震级常常低于-1(Spillmann et al., 2007),对于识别滑坡上的微震信号仍面临巨大挑战.现在用的较多的方法是在频率域识别能量较大的信号(Helmstetter and Garambois, 2010),相当于频率域中的短时窗比长时窗方法,再通过人工识别的方法区分滑坡上微震信号和其他振动信号.但是,如果存在很多干扰信号,例如构造活动强的区域的滑坡,存在天然地震事件;在人类住所附近的滑坡,机动车辆、人类及动物在地震仪附近走路等信号存在,这些信号将对于识别微震信号产生大量干扰.事实上,在中国的西南地区,尤其龙门山脉附近,有大量的滑坡存在,且很多滑坡附近都有人居住,甚至在一些大型滑坡上也有居民,这对于地震记录将产生不可避免的影响.因此,有效的识别滑坡上微震信号对于用地震学方法检测滑坡十分关键.
西山村滑坡位于龙门山脉,汶川地震触发了该区域15000多处滑坡,估计直接造成2万人死亡,约占地震灾害总死亡人数的四分之一.这些滑坡主要沿主中央断裂带和后山断裂带展布,西山村滑坡所在理县是汶川地震触发地质灾害的重灾区之一(殷跃平,2009).地震之前该地区滑坡灾害频繁,地震之后滑坡灾害显著增加,地震造成该地区大量松散物质,使得该区域进入新一期的地质灾害活跃时期.(Cui et al., 2011).该区域的滑坡发生坍塌和次生灾害的风险在此之后的十五年里将持续高于震前(Huang and Fan, 2013).汶川地震之后,体积约为1.7×108 m3的西山村滑坡持续发生变形,根据野外地质调查发现该滑坡上居民房在地震之后发生严重列席和倾斜,该滑坡每月移动速率为2~3 cm(Qu et al., 2016).该滑坡是研究滑坡灾害孕育过程及滑坡尺度的滑动现象的理想区域.目前对于该滑坡进行了大量监测,除了本文提到的地震学方法,还有大地测量,钻孔(Qu et al., 2016; Shi et al., 2016),地电(Xu et al., 2016)等手段.在本文中,我们利用基于波形的滑动时窗互相关的方法去识别由西山村滑坡运动过程中辐射出的地震信号,该方法可以克服大量其它信号的污染带来的挑战.我们识别出96个能被所有台站记录到的微震事件及部分被周围几个台记录到的更小事件,并进一步分析了这些事件的波形特征并利用网格搜索的方法对记录较好的事件进行定位.我们发现地震学监测到的不稳定区域和钻孔资料得到的不稳定区域较为吻合,认为地震学方法可以作为今后监测滑坡变形非常有效的手段.
1 西山村滑坡西山村滑坡位于四川省理县的龙门山脉,离512汶川地震震中仅65 km(位置见图 1a).滑坡大体朝南北向延伸,滑动方向为201°;该滑坡为一个大型滑坡,南北向跨度大约3 km,东西向跨度约1 km;滑坡顶部和底部高程差约1800 m;滑坡的坡度变化范围在25° ~ 45°之间,见图 1b.滑坡体上有一条蜿蜒盘曲的公路,公路两旁有数个村寨聚集,滑坡下方的317国道旁也有大量居民.野外地质调查发现,滑坡的东侧有较多出露的裂隙.大部分滑坡被触发的外因主要来自于降雨,在研究滑坡时气候是大家特别关注的地方.西山村滑坡所在区域属于亚热带气候,海拔具有较大高差,地形错综复杂,气候多变,是典型的山地立体型气候;杂谷脑河两岸具有典型的干热河谷特征,降雨量相对来说较为稀少,气温相对而言较高,植被覆盖率较低,是容易发生地质灾害的地方.该地区5、6月份是雨季,7、8月份是伏旱季节,9、10月份雨量又开始逐渐增加,形成温度低降雨多的季节.除了降雨,大地震也是触发滑坡发生的另外一个重要因素(Xu et al., 2015).
西山村滑坡位于地震活动性很强的龙门山断裂带(邓起东等, 1994),该断裂带有大量滑坡在汶川地震中被触发(Cui et al., 2011),虽然西山村滑坡没有被触发,但已处于不稳定状态.Huang和Fan (2013)认为汶川地震发生后十五年内该区域发生滑坡及次生灾害的风险性持续高于震前.根据之前的地质调查结果,该滑坡的体积约为1.7×108 m3,如果该滑坡发生塌陷,将对滑坡体上及河谷国道周围的居民造成巨大灾难,且可能会阻塞杂谷脑河并产生堰塞湖,将会造成巨大直接经济损失.为此目前针对该滑坡已开展了大量的研究,包括地质、大地测量、地球物理等手段.Xu等(2016)通过时移电阻率层析成像划定了基岩与上覆沉积物的分界面,得到滑坡体中后部滑动面深度约为50~60 m,前缘约为30~50 m.Shi等(2016)通过高分辨率的卫星数据分析及钻孔数据分析了滑坡表面和内部的位移及应力场,发现滑坡底部边缘位移量是整个滑坡上最大的且存在较大剪切变形.为了探测滑坡体运移时内部变形及破裂情况,证实地震学方法监测滑坡的有效性,我们在该滑坡上布设了一个包含30台仪器的组成的密集台阵,这些仪器为5 s的短周期地震仪,固有频率为4.5 Hz.观测时间从2015年8月底到2015年11月底,仪器的台间距为200~500 m,部分地震仪附近有钻孔观测结果(见图 1c).
2 微震信号的拾取首先,我们把数据进行高通5 Hz滤波.远震信号由于衰减作用只剩低频信号而被高通滤波去除,区域地震信号和发生在地震仪周边的高频信号能被保留.高通滤波后有大量的高频干扰信号在滤波后存在(图 2),主要有车辆经过地震仪附近时产生的信号,人及动物在地震仪附近走路的振动以及局域的一些地震事件.人及动物的干扰信号白天活跃,晚上则很安静.由于存在大量的干扰信号,想拾取滑坡体上事件的微弱信号非常困难.STA/LTA(Kao and Shan, 2004; Wong et al., 2009; Grigoli et al., 2014)和Spectrogram (Helmstetter and Garambois, 2010)(相当于频率域的STA/LTA(Provost et al., 2016))方法在拾取信号方面有着非常好的表现,但是如果应用在西山村滑坡,我们需要找的目标信号会淹没在大量的干扰信号里面.另外很重要的一方面,STA/LTA和Spectrogram方法拾取微弱信号的能力相对要差一些.本文所用提取信号的方法基于滑动互相关的方法.
滑动互相关的方法识别地震信号需要模板事件,第二步我们将根据到时和波形特征寻找模板事件.我们先是找到一个震中距20~50 km的区域地震(例如图 2c),标出每个台站的P波到时,令所有台站的波形P波到时对齐,以校正GPS时钟差和台站下方速度结构的影响.由于滑坡上土质松软,波速较低,对于分布在这样大型滑坡上地震仪所记录到滑坡上事件的到时差可能达到数秒.带着这样的假设,我们随后人工看了大量的对齐后的波形数据(整个9月份),我们试图找到分布在滑坡上所有类型的事件.最终我们找到四类事件(图 3):第一类事件st08台最先到,信噪比也最高,st08两边的台信噪比逐渐降低,到st03和st17台信号已接近噪音水平.这说明了该事件离st08最近,且衰减快.第二类事件的波形只能被st26台及附近少数几个台记录到,一方面由于事件能量小,另一方面由于山顶台站稀疏(图 1c).图 3c和3d所示的两类波形几乎能被所有台站记录到,这两类事件分别最先到达st02台和st30台,这说明它们分别发生在st02和st30台附近.
在细致分析整个9月的波形之后,我们确认了该滑坡上的微震类型主要为图 3中所示的四类波形.随后我们拟以图 3中四种波形为模板,采用滑动时窗互相关(SCC)方法(Yang et al., 2009)来匹配和这四类波形相似的事件.直接用波形做互相关,会因为微震位置较小变化以及机制解的差异,导致波形的相似度急剧下降,如图 4,这两个事件在每个台站到时模式很类似,但是我们挑选信噪比较高和波形较为清晰的st24台作为例子测试,发现形相关系数为0.593,并不是很高(图 4c).从图中可以看出两个波形在前面主要部分拟合的都较好,后半部分则较差.为此我们把波形变换成包络,就可以很好的把前面振幅较大拟合较好的这一部分彰显出来,变换成包络之后相关系数显著提高到0.951(图 4d).这是因为包络反映了波形整体样子,对较小的震源位置及机制解变化不敏感(Vasterling et al., 2017).因此在寻找其他类似事件的时候,我们把波形先变换成包络,再进行滑动互相关操作.
为了提高匹配效率和防止有仪器在某一时刻出现故障和被污染,我们同时选取三个台站进行匹配.我们选择一个同时包含三个台站波形的时间窗,然后对三个台站同时进行滑动互相关操作并取相关系数的加权平均值,当这个值大于0.8时,则认为找到一个和模板波形类似的事件.选取的3个台站遵循以下两个原则.第一,用较远处台站进行匹配,这样做的原因是,当待寻找的微震事件和模板事件发生的位置有一些差异的时候,由于选择匹配的台站离震源相对较远,传播路径的差异就会很小,因此可以较大可能匹配到位置有差异的信号.另外一个原则是这三个台站的位置尽量比较靠近,这样三个台站到时差异较小,便于确认到时是来自同一事件.根据以上两个原则在匹配图 3c和3d中两类事件的时候,分别选用了st25,st26,st27台站和st01,st02,st03台站;而图 3a中的事件由于信噪比的原因,选了st07,st08,st09台站,图 3b中的事件只能选择st26,st27,st29台站.
做完互相关匹配得到的结果经过人工检查一遍,最终我们统计的结果表明,发生在滑坡底部类似图 3c的事件有80个,发生在滑坡顶部类似图 3d的事件有16个.另外由于类似图 3a和3b中的两类事件能量较小,信噪比不高,在人工检查的时候有些信号很难区分是噪声还是事件信号,因此这两类事件我们没有进行细致的统计数量.
在我们包络互相关匹配过程中,图 3c中的事件选用了st25,st26,st27台站,并最终得到80个相似事件.我们抽取其中部分事件,观察这三个台站的波形及包络特征(图 5).我们可以看到,每个事件三个台站的相对到时差异都非常小,这说明了这些事件基本发生在同一位置.三个台站的波形和模板波形的互相系数都较低,都在0.6以下,甚至很大一部分低于0.3;而包络和模板包络互相关系数都很大,只有一个是0.79,其他的都是0.8以上,甚至达到0.9以上.这里进一步说明了滑坡上的物质对波形的衰减和散射作用大,致使类似事件的波形相关系数变的很低,但是通过包络互相关还是可以很好地把它们识别出来.
为了更好地了解微震的分布,基于拾取的微震信息,我们对发生在滑坡底部和顶部能被所有台站记录到的所有事件以及图 3a中st08附件一个有较好记录覆盖的事件中进行了定位,st26附近事件记录到的台站较少,没有进行定位,最后圈出一个大概位置.以发生在滑坡底部st02附近的事件为例(图 6),从各个台站的到时延迟我们可以大致估计这些波形都是以一个较低的速度沿滑坡的表面传播,且可以排除这些波形是P波震相的可能性.因此这里我们采用一层模型用网格搜索的办法来确定事件的水平位置(x, y)和速度vs,对于这些波形的震相以及事件的深度这里不去过多考虑,由于ZK2钻孔从地表到滑坡基底位移都很一致(图 1c),我们把震源深度固定在滑坡的基底,离表面50 m.由于滑坡上不均匀性较强,而我们速度模型设为一层均匀模型,为了减小较大范围不均匀性带来误差,我们选取到时最早一个台附近方位覆盖较好的台的到时进行定位.为了防止事件和最近一个台的位置太近导致传播不沿滑坡表面,最近一个台没有参与定位,在本例中参与定位的台站为st01、st03、st04、st06,见图 6a小图.由于事件的位置离st02台很近,我们这里选取的搜索区域选为以st02为中心,半径为300 m的圆形区域(图 6b).最终,搜索得到的红色五角星为最佳位置,vs的最佳值为260 m·s-1.用类似的方法可以得到st08附近和滑坡顶部事件的位置,图 6(b)中蓝色五角星所示,且滑坡顶部vs的最佳值为330 m·s-1,与危自根等(2017)由近震接收函数所得结果一致.
我们把图 6中滑坡底部事件以沿滑坡表面到各台站的距离排列(图 7),可以看出搜索得到的S波速度260 m·s-1只有在近台处吻合较好,这也从说明了滑坡上物质非均匀较强.我们把震中距超过1500 m时波形的到时和震中距进行最小二乘线性拟合,得到最佳拟合速度为368 m·s-1,这和我们通过定位滑坡顶部事件得到波速为330 m·s-1的数值较为一致,这也说明的了我们结果的一致性和可靠性.滑坡底部速度较顶部速度偏低,这也和我们在野外布台时所观察到滑坡顶部土层较坚硬一致.
本文通过滑动互相关匹配波形包络的方法找到了大量发生于滑坡上的微震事件,对于类似于发生在滑坡这样易衰减的近地表区域的微小事件,该方法具有非常好的效果.但是要花费很多精力去找出大量的模板事件,因此可以结合STA/LTA和spectrogram的方法找到模板事件,再用本文中提到的模板匹配包络的方法去寻找其他事件.用模板匹配的方法识别地震信号,可以拾取很微弱的信号不容易造成事件遗漏.但是存在一定的误判,本文使用三个台站的波形作为模板得到的相关系数为三个结果的加权平均,如果其中一个波形相关系数非常高,而另外两个相关系数不高,加权之后的相关系数也可能超过阈值,这时候误判就会产生.所以做完滑动时窗互相关匹配之后,需要人工再检验一遍.
我们找到的四类微震事件,以及通过定位确定滑坡上容易发生变形破裂的有四个区域(图 8).我们发现滑坡底部和顶部区域的事件辐射出的能量较大,能被分布在滑坡体上所有的台站记录到;而发生在滑坡体中部两个区域的事件辐射出的能量较弱,只能被部分台站记录到.且发生在滑坡中部的事件比发生在滑坡底部和顶部的事件更容易衰减(图 9),从图中可以很明显看出st08台附近的事件传播到相邻的st09台衰减要大于st02台附近的事件传播到的st12台,且随着传播的进行,st08台附近的事件的高频成分要少于st02台附近事件的高频成分.出现这种情况的的原因可能是发生在滑坡中部事件的震源要浅,可能发生在滑坡的表面.而发生在底部和顶部的事件衰减较慢,则可能是事件发生位置较深,很可能是由于滑坡运动过程中滑坡基底与下面基岩的摩擦而辐射出的地震信号,进一步说明我们在定位的时候把震源的深度放在滑坡基底的合理性.地震位置的分布和钻孔得到变形较剧烈的区域(图 1c)有较好的一致性,ZK2钻孔的变形量持续到很深的位置,ZK5和ZK9则是在相对浅部有较显著变形,这也符合发生在滑坡中部的事件位置较浅的推断.ZK12钻孔离顶部事件较远,没有较大形变.另外由于滑坡顶部台站稀疏,对于顶部事件的定位的约束较少,其定位精度要低于顶部的事件.滑坡底部地震事件较多,这也符合Shi等人利用大地测量手段观测到滑坡底部边缘形变量最大这一结果.综上我们认为利用地震学的方法可以很好地监测大型滑坡的变形.
本文观测到了滑坡滑动变形过程中辐射出的大量地震信号,至于这些地震事件发生机理,和滑坡变形的关系及与天然断层类比的情况,则需要进一步分析这些微震的机制解得到.本文在定位过程中所使用的单层模型过于简单,但是对于浅地表区域有利于问题的简化.未来可考虑结合噪声反演结果了解波速结构(Mainsant et al., 2012).
5 结论本文分析了理县西山村滑坡上30套地震仪记录到的地震数据,以监测该滑坡体运动和局部破裂产生的微弱地震信号,从而获取该滑坡的运动和变形模式.我们首先通过波形及到时特征把滑坡上的微震识别出来,并以其波形为模板,用滑动时窗互相关的方法匹配其他微震事件.最终有96个较大的地震事件能被30个台站记录到.我们通过网格搜索法对这些事件进行定位,其中80个事件发生在滑坡底部,16个发生在滑坡顶部.说明该滑坡的能量主要积聚在顶部和底部,且滑坡底部相对更活跃一些.另外,在滑坡中部的较微弱事件只能被周围部分仪器记录到,主要分布在两块区域.基于这些微震事件的位置,我们发现四个辐射地震信号的不稳定区域和钻孔监测到的不稳定区域比较吻合.这些辐射地震信号的不稳定区域应该和滑坡体的运动和内部变形相关,说明地震学方法是监测滑坡的变形的有效手段之一.
致谢感谢成都理工大学,同济大学,中国地质大学(武汉)在西山村滑坡上做了大量的地质、大地测量和地球物理相关监测,为本研究的开展提供了重要参考.两位审稿人对本文提出了建设性意见,在此一并感谢.
Cui P, Chen X Q, Zhu Y Y, et al.
2011. The Wenchuan earthquake (May 12, 2008), Sichuan province, China, and resulting geohazards. Natural Hazards, 56(1): 19-36.
DOI:10.1007/s11069-009-9392-1 |
|
Deng Q, Chen S, Zhao X.
1994. Tectonics, scismisity and dynamics of longmenshan mountains and its adjacent regions. Seismology and Geology, 3(4): 389-403.
|
|
Gomberg J, Schulz W, Bodin P, et al.
2011. Seismic and geodetic signatures of fault slip at the Slumgullion Landslide Natural Laboratory. Journal of Geophysical Research:Solid Earth, 116(B9): B09404.
|
|
Grigoli F, Cesca S, Amoroso O, et al.
2014. Automated seismic event location by waveform coherence analysis. Geophysical Journal International, 196(3): 1742-1753.
DOI:10.1093/gji/ggt477 |
|
Helmstetter A, Garambois S.
2010. Seismic monitoring of Séchilienne rockslide (French Alps):Analysis of seismic signals and their correlation with rainfalls. Journal of Geophysical Research:Earth Surface, 115(F3): F03016.
DOI:10.1029/2009JF001532 |
|
Huang R Q.
2009. Some catastrophic landslides since the twentieth century in the southwest of China. Landslides, 6(1): 69-81.
DOI:10.1007/s10346-009-0142-y |
|
Huang R Q, Fan X M.
2013. The landslide story. Nature Geoscience, 6(5): 325-326.
DOI:10.1038/ngeo1806 |
|
Kao H, Shan S J.
2004. The source-scanning algorithm:Mapping the distribution of seismic sources in time and space. Geophysical Journal International, 157(2): 589-594.
DOI:10.1111/gji.2004.157.issue-2 |
|
Lacroix P, Helmstetter A.
2011. Location of seismic signals associated with microearthquakes and rockfalls on the Séchilienne landslide, French Alps. Bulletin of the Seismological Society of America, 101(1): 341-353.
DOI:10.1785/0120100110 |
|
Mainsant G, Larose E, Brönnimann C, et al.
2012. Ambient seismic noise monitoring of a clay landslide:Toward failure prediction. Journal of Geophysical Research:Earth Surface, 117(F1): F01030.
DOI:10.1029/2011JF002159 |
|
Peng Z G, Gomberg J.
2010. An integrated perspective of the continuum between earthquakes and slow-slip phenomena. Nature Geoscience, 3(9): 599-607.
DOI:10.1038/ngeo940 |
|
Provost F, Hibert C, Malet J P.
2016. Automatic classification of endogenous landslide seismicity using the Random Forest supervised classifier. Geophysical Research Letters, 44(1): 113-120.
|
|
Qu T T, Lu P, Liu C, et al.
2016. Hybrid-SAR technique:joint analysis using phase-based and amplitude-based methods for the Xishancun giant landslide monitoring. Remote Sensing, 8(10): 874.
DOI:10.3390/rs8100874 |
|
Shi B Q, Liu C, Wu H B, et al.
2016. Elementary analysis of the mechanism of Xishan landslide based on pixel tracking on VHR images. International Journal of Geohazards and Environment, 2(2): 53-71.
DOI:10.15273/ijge.2016.02.007 |
|
Spillmann T, Maurer H, Green A G, et al.
2007. Microseismic investigation of an unstable mountain slope in the Swiss Alps. Journal of Geophysical Research:Solid Earth, 112(B7): B07301.
DOI:10.1029/2006JB004723 |
|
Vasterling M, Wegler U, Becker J, et al.
2017. Real-time envelope cross-correlation detector:application to induced seismicity in the Insheim and Landau deep geothermal reservoirs. Journal of Seismology, 21(1): 193-208.
DOI:10.1007/s10950-016-9597-1 |
|
Wei Z G, Chu R S, Li Z W, et al.
2017. Structures of Xishan village landslide in Li County, Sichuan, inferred from high-frequency receiver functions of local earthquakes. Chinese Journal of Geophysics, 60(10): 3793-3803.
DOI:10.6038/cjg20171009 |
|
Wong J, Han L J, Bancroft J C, et al. 2009. Automatic time-picking of first arrivals on noisy microseismic data. Technical report, CREWES Research Report, University of Calgary.
|
|
Xu C, Xu X W, Shyu J B H, et al.
2015. Landslides triggered by the 20 April 2013 Lushan, China, Mw6. 6 earthquake from field investigations and preliminary analyses. Landslides, 12(2): 365-385.
|
|
Xu D, Hu X Y, Shan C L, et al.
2016. Landslide monitoring in southwestern China via time-lapse electrical resistivity tomography. Applied Geophysics, 13(1): 1-12.
DOI:10.1007/s11770-016-0543-3 |
|
Yang H, Zhu L, Chu R.
2009. Fault-plane determination of the 18 April 2008 Mount Carmel, Illinois, earthquake by detecting and relocating aftershocks. Bulletin of the Seismological Society of America, 99(6): 3413-3420.
DOI:10.1785/0120090038 |
|
Yin Y P.
2009. Features of landslides triggered by the Wenchuan earthquake. Journal of Engineering Geology, 17(1): 29-38.
|
|
邓起东, 陈社发, 赵小麟.
1994. 龙门山及其邻区的构造和地震活动及动力学. 地震地质, 16(4): 389–403.
|
|
危自根, 储日升, 李志伟, 等.
2017. 利用近震高频接收函数研究四川理县西山村滑坡体结构. 地球物理学报, 60(10): 3793–3803.
DOI:10.6038/cjg20171009 |
|
殷跃平.
2009. 汶川八级地震滑坡特征分析. 工程地质学报, 17(1): 29–38.
|
|