基于MATLAB径向基神经网络识别新疆南天山西段-帕米尔地区强震潜在震源区

范文龙; 姚远; 李桂荣; 李栋; 孙昭杰; 阿迪拉·吾买尔; 海仁沙·司拉木

doi:10.12404/j.issn.1671-1815.2506312

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (14) :5844-5854 DOI: 10.12404/j.issn.1671-1815.2506312

天文学、地球科学

基于MATLAB径向基神经网络识别新疆南天山西段-帕米尔地区强震潜在震源区

范文龙 ¹^,² ,
姚远 ¹^,²^,^* ,
李桂荣 ¹^,² ,
李栋 ² ,
孙昭杰 ³ ,
阿迪拉·吾买尔 ³ ,
海仁沙·司拉木 ³

作者信息 +

Identification of Potential Strong Earthquake Source Areas in Western South Tianshan-Pamir Region of Xinjiang Based on MATLAB Radial Basis Function Neural Network

FAN Wen-long ¹^,² ,
YAO Yuan ¹^,²^,^* ,
LI Gui-rong ¹^,² ,
LI Dong ² ,
SUN Zhao-jie ³ ,
WUMUER·Adila ³ ,
SILAMU·Hairisha ³

Author information +

文章历史 +

摘要

研究区地处印度板块与欧亚板块碰撞前沿地带,地质构造格局极为复杂,地震频发,精确识别该区域强震潜在震源区并量化震级发生概率,是提升防震减灾能力、优化地震危险性评估的关键。基于MATLAB径向基神经网络分类算法,依据地震构造类比原则和历史地震重演原则,选取8项与地震活动密切相关的地质构造因素作为模型输入,以历史最大震级作为模型输出,构建网络模型。选取142个样本开展模型训练与测试,经调试目标误差、径向基函数宽度和最大神经元数量等关键参数,得到稳定可行的网络模型。最后,将该模型用于395个待分类样本,输出结果结合人工校验处理,最终形成强震潜在震源区划分方案,并与克里金插值和核密度估计法得出方的案对比,结果显示该划分方案与《中国地震动参数区划图》(GB18306—2015)具有良好对应性。验证了该方法在复杂构造区地震危险性评估中的可靠性和对小样本数据的适应能力,研究成果对防震减灾规划制定及地震风险防控具有一定参考价值。

Abstract

The study area is located in the frontal zone of the collision between the Indian Plate and the Eurasian Plate, characterized by extremely complex geological structures and frequent seismic activity. Accurate identification of potential strong earthquake source zones in this region and quantification of earthquake occurrence probabilities are crucial for enhancing earthquake prevention and disaster reduction capabilities, as well as for optimizing seismic hazard assessments. Based on the MATLAB radial basis function neural network classification algorithm, and following the principles of seismic tectonic analogy and historical earthquake recurrence, eight geological structural features related to seismic activity were selected as input variables, with the historical maximum magnitude as the output variable, to construct a neural network model. A total of 142 samples were used for model training and testing. By adjusting key parameters such as target error, spread of the radial basis function, and maximum number of neurons, a stable and feasible network model was achieved.This model was then applied to 395 samples to be classified. The output results, combined with manual verification, ultimately formed a zoning scheme for potential strong earthquake sources. Compared with schemes derived from Kriging interpolation and kernel density estimation methods, the proposed zoning scheme shows strong consistency with Seismic Ground Motion Parameter Zonation Map of China (GB18306—2015).This validates the reliability of the method for seismic hazard assessment in complex tectonic regions and its adaptability to small sample datasets. The results provide valuable references for the planning of earthquake prevention and disaster reduction, as well as for seismic risk management.

Graphical abstract

关键词

地震地质 / 径向基神经网络 / 机器学习 / 震源区识别 / 南天山西段-帕米尔地区

Key words

seismogeology / radial basis function neural network / machine learning / identification of the seismic source area / western South Tianshan-Pamir Region

引用本文

引用格式 ▾

范文龙, 姚远, 李桂荣, 李栋, 孙昭杰, 阿迪拉·吾买尔, 海仁沙·司拉木. 基于MATLAB径向基神经网络识别新疆南天山西段-帕米尔地区强震潜在震源区[J]. 科学技术与工程, 2026, 26(14): 5844-5854 DOI:10.12404/j.issn.1671-1815.2506312

FAN Wen-long, YAO Yuan, LI Gui-rong, LI Dong, SUN Zhao-jie, , . Identification of Potential Strong Earthquake Source Areas in Western South Tianshan-Pamir Region of Xinjiang Based on MATLAB Radial Basis Function Neural Network[J]. Science Technology and Engineering, 2026, 26(14): 5844-5854 DOI:10.12404/j.issn.1671-1815.2506312

登录浏览全文

4963

注册一个新账户忘记密码

新疆南天山西段-帕米尔地区位于印度板块与欧亚板块碰撞的前缘地带,构造变形强烈,地震活动频繁,是中国大陆内部强震高发区之一^[1-3]。1902年曾发生阿图什M_S8.3地震和2008年乌恰M_S7.3地震等多次破坏性地震,近年来仍持续发生中强地震,如2024年乌什M_S7.1地震和2025年阿合奇M_S6.0地震,且中小地震频发,地震灾害风险长期居高不下^[4-5]。现有的震源区划方案存在一定的不足,既缺乏对震级发生概率的量化表达,也未通过对比方案凸显方法优势,难以满足灾害预警系统的实际应用需求。因此,精确识别该区域强震潜在震源区的空间分布特征、量化震级发生概率,并验证方案的优越性,是提升防震减灾能力、优化地震危险性评估结果的前提。

强震潜在震源区识别的核心是通过分析构造特征与地震活动的关联性,预测未来可能发生强震的潜在区域及对应震级概率。当前,学术界普遍使用的识别方法包括地质构造解析法、历史地震统计法及数值模拟法等,但由于该区域构造复杂,断裂空间展布多样,且部分隐伏断裂的地表活动证据不足,仅依靠定性分析方法难以准确刻画潜在震源区的空间分布^[6-7]。近年来,随着机器学习技术的发展,神经网络因其具备强大的非线性映射能力和数据挖掘优势,在地震预测与震源区识别等领域的应用逐渐深入。径向基神经网络(radial basis function neural network,RBFNN)具备非线性逼近能力强、收敛速度快等优势,在小样本、高维度数据的分类问题中表现出良好的适应性,为潜在震源区的量化识别提供了新的技术手段^[8-10]。

因此,现以新疆南天山西段-帕米尔地区地震地质和地震活动性为研究对象,借助MATLAB平台依据地震构造类比原则和历史地震重演原则,构建多构造特征耦合的强震潜在震源区识别与震级概率预测模型。通过优化径向基函数(radial basis function,RBF)宽度等关键参数,获得稳定可行的神经网络模型,同时设计与传统空间插值方法(克里金插值,核密度估计法)的对比方案,最终形成具有精准性与实用性的强震潜在震源区划分方案。对完善区域地震区划方案、优化灾害风险防控策略具有一定的理论意义与应用价值。

1 区域地质背景

研究区地处青藏高原西北缘位于中亚造山带的交会部位,是亚欧板块与印度洋板块碰撞挤压作用的直接响应区(图1),独特的大地构造位置和复杂的地质演化历史,造就了该区域强烈的构造活动和频发的强震灾害。作为全球最活跃的陆陆碰撞带前沿,印度板块自新生代以来持续以年均约5 cm的速率向北推挤欧亚板块,这一强烈的构造动力在南天山西段-帕米尔地区形成了显著的构造应力积累与传递效应。帕米尔构造结作为印度板块向亚欧板块俯冲、挤压的“楔入体”,其北东向的推挤作用与南天山西段的弧形构造带相互叠加,导致区域地壳缩短、增厚现象尤为显著,地壳厚度可达50~70 km,远高于周边地区,为强震孕育提供了深厚的物质基础和构造动力。此外,发育的多组规模宏大、活动性强的断裂带,构成强震发生的主要构造载体。其中,喀喇昆仑断裂带、柯坪断裂带、迈丹-沙依拉姆断裂带等贯穿全区,断裂带多以逆冲型或走滑逆冲型为主,长期处于闭锁-滑动的交替状态,是地壳应力集中与释放的关键部位。强震震中多沿活动性断裂带分布,印证了断裂带活动与强震发生的密切关联^[11]。地壳形变与地球物理场特征呈现出显著的非均匀形变,GPS监测数据表明:区域地壳运动速率由南向北逐渐递减,帕米尔北缘地区年形变速率可达10~15 mm,而向北至南天山西段则降至5~8 mm,反映了构造应力的不均匀分布。同时,存在明显的重力异常梯度带、地磁异常区和地震波速结构变异带,这些异常特征与深部构造活动密切相关,是震源区能量积累和物质运动的直接表现^[12]。该区域地形地貌复杂,高山与盆地相间分布,帕米尔高原的强烈隆升与南天山的褶皱冲断作用形成了陡峭的地形梯度,这种地形地貌特征既是构造活动的产物,也反过来影响着区域应力的分配与断裂活动的方式。复杂的地形条件还导致地表介质性质差异显著,进一步加剧了震源区信号的复杂性,为震源区识别带来了挑战。综上,新疆南天山西段-帕米尔地区独特的板块构造环境、活跃的断裂系统、显著的地壳形变与地球物理场异常,共同构成了强震孕育的复杂地质背景^[13]。

2 数据准备

2.1 特征参数选取

研究区大致位于37.5°N~42.0°N,73.3°E~80.0°E,包括新疆喀什地区、阿克苏地区的大部分区域克州全境以及和田地区的小部分区域,总面积约26万km²,区内布设有相对密集的地震监测台站,包括喀什、阿图什和神木园等台站。依据文献[13]划分的新疆地质构造图,将研究区构造单元划分为西昆仑、塔里木盆地西段和南天山西段3个构造单元,如图2所示。西昆仑地层发育古老,以多期变质作用的古老岩系为主,受板块挤压影响,构造变形强烈,断裂发育多具逆冲推覆性质。塔里木盆地西段属于相对稳定的构造单元,内部地层以沉积岩为主,构造变形相对较弱,表现为宽缓褶皱,边界断裂因应力传递,形成应力积累与释放的关键带,对强震孕育有重要意义。南天山西段是南天山造山带的西段部分,为古生代以来板块俯冲、碰撞形成的造山构造单元,地层兼具褶皱、断裂变形,其中断裂以逆冲、走滑型为主。

断层走向主要呈NE、NW向,发育密集,活动年代涵盖了全新世、晚更新世和早中更新世,其中全新世断层发育最密。主要发震断裂包括柯坪断裂、迈丹-沙依拉姆断裂、喀喇昆仑断裂和肯别尔特断裂等。由于构造单元间岩石力学性质和构造应力环境的差异,断裂多沿构造单元边界展布,如西昆仑与塔里木盆地西段、南天山西段与塔里木盆地西段的衔接部位,断裂密集发育。类型以逆冲、走滑型为主,断裂分布与地震活动高度相关,断裂密集、活动强烈的构造单元边界带,是历史强震的主要发震区^[14-15]。

自1900年以来,该区域共记载有M_S≥6.0的地震40次,其中M_S6.0~6.9地震34次,M_S7.0~7.9地震5次,M_S≥8.0的地震1次,M_S4.0~5.0地震分布呈现明显的条带状、集群化特征,而M_S5.0以上地震分布的聚集性和区域选择性更显著,M_S6.0以上强震集中分布区,多数对应区域内规模大、活动性强的断裂带,如图3所示。

研究区选定后,将其进一步划分为更小的识别单元,一般而言,识别单元划分得越小,识别的精度也就越高,但相应地需要更为详细的基础资料,因此,不能为了提高识别的精度而将识别单元划分得很小。依据研究条件,将研究区划分为535个经向长0.2°,纬向宽0.2°的长方形识别单元,并对每个识别单元进行编号(1~535),其中编号为510~535的识别单元经向长0.2°,纬向宽约0.1°。

地震活动与地震地质、地壳活动、孕震环境和外部触发等几大类因素密切相关,这些特征因素及历史地震目录可分别构成网络学习样本的输入和输出特征量,但这些特征因素种类繁多且与地震活动有不同的关联程度,没必要都用于震源区的识别,经对4大类地震影响因子统计占比(图4),结合研究条件选取地震地质类7种影响因子占比较高的4项影响因子中的8个影响因子作为描述样本的输入特征量,用X₁~X₈表示,如表1所示。样本输出特征量是识别单元的最大震级,考虑到地震的不确定性以及样本数量有限,将样本的震级输出设为4种类型。类型Ⅰ:4≤M_S<5;类型Ⅱ:5≤M_S<6;类型Ⅲ:6≤M_S<7;类型Ⅳ:M_S≥7,根据上述特征提取各识别单元的特征参数及最大震级。

2.2 特征参数提取

将8个特征参数在研究区的空间分布特征,逐个映射到划分的识别单元中,如果在识别单元中有映射,用1表示,否则,用0表示。同样将历史地震事件的空间分布特征,映射到识别单元中,如识别单元中无映射到历史地震,则将其归类为待分类样本,如同一个识别单元中映射到多次历史地震,则取最大震级进行分类,并将其归为训练样本。并对每个识别单元内各特征参数进行提取,共提取到可用于网络模型训练样本142个,其中输出类别为Ⅰ类18个,Ⅱ类89个,Ⅲ类30个,Ⅳ类5个,如表2所示;余下待分类样本393个。

3 径向基神经网络构建

3.1 原理

RBF最早由英国数学家Powell^[16]在1985年提出,用于研究多变量插值问题。1988年,英国皇家信号与雷达研究院的Broomhead等^[17]首次将RBF用于神经网络结构,建立了RBFNN的基本框架。同年,美国科学家Moody等^[18]进一步提出了可用于分类、函数逼近的RBFNN模型。目前,RBFNN在中国电力系统、煤炭行业、气象与环境、工业控制和地震领域等多个行业得到广泛应用,其中在地震领域通过构建多种RBF的多核集成模型,提高地震发震时间、震源深度和震级等要素的测定精度。并在2005年将RBFNN用于地震预报专家系统,其克服了BP神经网络对初值敏感、易局部收敛的缺点,具有较快的运算速度和较好的预报效能。

RBFNN是一种三层前馈神经网络(图5),可用于函数逼近、分类和时间序列预测等任务。其核心是利用径向基函数作为隐藏层的激活函数,通过非线性变换将输入数据映射到高维空间,从而实现复杂的模式分类识别。由输入层(接收输入数据,并将其传递到隐藏层)、隐藏层(使用径向基函数作为激活函数)和输出层(输出层通常是线性组合,将隐藏层的输出加权求和,得到最终结果)组成。径向基函数是径向基神经网络的核心,常用的径向基函数是高斯函数,即

(1)

$\varphi (x,{C}_{i})=exp\left(-\frac{‖x-{C}_{i}{\Vert }^{2}}{2{\sigma }_{i}^{2}}\right)$

式(1)中:

$\varphi $

为径向基函数;x为输入向量;C_i为第i个隐藏层节点的中心;σ_i为第i个隐藏层节点的宽度参数。

径向基神经网络训练过程中先确定隐藏层节点中心,可使用聚类算法(如K-means)从训练数据中确定隐藏层节点中心C_i,计算宽度参数σ_i,宽度参数通常与节点中心之间的距离相关,常用的方法是

(2)

${\sigma }_{i}=\frac{{d}_{max}}{\sqrt{2k}}$

式(2)中:d_max为中心之间的最大距离;k为隐藏层节点数。

计算隐藏层输出,对每个输入数据,计算其与所有中心的距离,并通过径向基函数得到隐藏层输出。训练输出层权重,隐藏层输出与目标输出之间通过线性回归(如最小二乘法)确定输出层权重^[19-23]。

3.2 模型搭建与优化

应用MATLAB平台搭建和优化径向基神经网络主要借助神经网络工具箱实现,首先进行数据准备,此次数据用布尔数据表达,由于布尔数据本身具有明确的二值特性,无需进行额外的预处理操作,可直接用于模型训练。将提取到的142个用于模型训练的样本按70%和30%比例划分为训练集和测试集,其中,训练集包含99个样本,用于模型参数的学习和训练,测试集包含43个样本,用于评估模型的泛化能力和分类性能。最后进行网络创建,使用MATLAB提供的Newrb核心函数来创建径向基神经网络,该函数适用于分类与回归问题,其特点能够通过迭代的方式增加隐藏层神经元的数量,直至网络的误差满足预设要求。

创建网络时,设置目标误差初始值为0.01,并根据模型的实际性能表现进行调整,观察不同目标误差下模型的训练效果和泛化能力,选择最合适的目标误差值。径向基函数宽度是影响网络性能的关键参数,它决定了径向基函数的激活范围,为选取最优的宽度值,采用交叉验证的方法,在0.1~5的范围内进行测试,比较不同宽度值对应的模型在验证集上的性能指标(如准确率、召回率等),确定最佳的宽度参数。最大神经元数量设置为75个,以避免网络过于复杂而导致过拟合现象的发生。

网络优化时,核心是平衡模型的拟合能力与泛化能力。径向基函数宽度,通过网格搜索测试不同候选值,选择使测试集误差最小的参数,宽度过小会导致函数尖锐,神经元仅对局部数据敏感,容易过拟合,过大则函数平缓,神经元区分度低,易欠拟合。Newrb函数会自动增加隐藏层神经元数量直至满足误差,神经元数量过多会导致过拟合,通过限制最大神经元数量或观察误差曲线确定最优数量。最后,根据需要不断调整目标误差、数据划分比例等参数,进一步优化网络模型性能。

4 模型验证与结果分析

4.1 模型性能评估与识别结果

在43个测试集样本中,优化后的径向基神经网络总体分类准确率达到81.4%(表3),表明该模型能对大多数震源区潜在震级类型做出正确识别,具有较好的整体分类能力。其中,Ⅰ类样本精确率为83.3%,预测准确性较高,Ⅳ类样本由于在测试集中数量较少,精确率相对其他类型略低,但仍保持在较为合理的水平,同时,Ⅳ类样本受样本数量限制,召回率相对较低,但较未优化前有明显提升,Ⅳ类样本F₁分数虽有提升空间,但在样本有限的情况下已满足需要。

从测试集的识别结果来看,类型Ⅰ和类型Ⅱ的识别效果相对较好,误分类样本主要集中在相邻类型之间。有2个实际为类型Ⅰ的样本被误分为类型Ⅱ,3个实际为类型Ⅱ的样本被误分为类型Ⅲ,可能是由于相邻震级类型的地质构造特征差异不够显著所致,类型Ⅳ的误分样本主要是被误分为类型Ⅲ,1个样本出现此类情况,这与类型Ⅳ样本数量较少,模型对其特征学习不够充分有关。

4.2 结果分析与对比

为实现对该区域潜在最大震级类型的精准识别,将训练优化后的径向基神经网络模型应用于393个待分类样本。针对分类结果与实际存在明显误差的识别单元,经过人工干预结合网络侧重再训练,最终完成所有待分类样本震级类型的划分。结果显示:共识别出Ⅰ类识别单元44个、Ⅱ类329个、Ⅲ类144个、Ⅳ类18个。经人工处理后成图,形成新疆南天山西段-帕米尔地区强震潜在震源区划分方案图(图6),直观展示了区域强震潜在分布特征,喀什-乌恰交会区为显著的强震潜在震源集中区,该区域是西昆仑与南天山西段构造单元的衔接带,断裂密集且活动强烈,如喀喇昆仑断裂与迈丹-沙依拉姆断裂交汇,与历史强震分布规律基本吻合。将识别结果与《中国地震动参数区划图》(GB 18306—2015)对比,二者划分方案总体一致,尤其在高震级区域呈现出良好的对应关系,M_S≥7.0的Ⅳ类震源区,与地震动峰值加速度(peak ground acceleration,PGA)0.4g(g为重力加速度)的高风险区基本重合,验证了特大地震潜在区与高地震动参数区的空间关联性,6.0≤M_S<7.0的Ⅲ类震源区,其分布沿主要发震断裂带,如柯坪断裂、肯别尔特断裂、强活动断裂通过区及多组断裂交汇区分布,印证了“断裂活动强度决定震级上限”的地质规律。通过模型再训练优化后的震源区划分结果,不仅精准捕捉了区域强震潜在分布的核心特征,且与第五代区划图高度契合,表明该模型在地震危险性评估中具有可靠的应用价值,对防震减灾规划、工程抗震设计具有一定的意义。

为验证本文方法在震源区识别上的优越性,选取克里金插值法和核密度估算法2种经典空间分析方法作为比较方法,与所构建的径向基神经网络模型进行对比。借助Surfer和Arcgis平台对所提取到的数据进行处理后成图,为直观进行对比,将结果映射到识别单元中,经人工处理后分别得到基于核密度估算法和克里金插值法的震源划分方案,如图7所示。两者划分方案与径向基神经网络划分方案相比存在一定的不足,主要体现在PGA值的分布呈现上,所选用的方法契合度更高,不同震级的空间分布更贴合PGA值的变化规律,在区域震级区间的过渡与加速度值的关联上更具连贯性与合理性,能更精准地反映震源区震级特征与地震动峰值加速度的对应关系。最后,本文方法更贴合区域断层的空间展布特征,震级区间的划分能更好地呼应断层活动对地震动的影响,两种对比方法在与断层分布的匹配及地震动峰值加速度的拟合精度上均不如本文方法。

4.3 震级概率模型

为量化地震活动的震级分布特征,采用经验概率法,系统统计了2012年1月—2025年9月该区域的地震监测记录(数据来自中国地震台网),共获取有效地震事件1 536次,其中M_S<4.0共有1 284次,4.0≤M_S<5.0共有198次,5.0≤M_S<6.0共有48次,6.0≤M_S<7.0共有5次,M_S≥7.0共有1次,如图8所示。计算得到4级以下地震的发生概率为83.59%,Ⅰ类识别单元震级发生概率P_Ⅰ=12.89%、P_Ⅱ=3.12%、P_Ⅲ=0.33%、P_Ⅳ=0.07%。

5 结论

系统研究了新疆南天山西段-帕米尔地区地震地质、构造断裂、震源区识别原则、RBFNN原理等,并应用MATLAB平台实现了对研究区强震潜在震源区的精细划分,掌握了区域整体地质构造特征。主要创新点包括将RBFNN分类算法系统性地应用于强震潜在震源区的识别,实现了在复杂构造区地震危险性评估的智能分析路径。通过与第五代区划图和2种对比方案相互验证,构建了可靠的结果评估框架,得出如下结论。

(1)基于MATLAB平台构建的径向基神经网络模型通过优化关键参数,在测试集上实现了81.4%的总体分类准确率。模型输出的震源区划分方案与第五代区划图具有显著的空间一致性,吻合度在78%左右,特别是在M_S≥7.0的Ⅳ类震源区识别中,与0.4g峰值加速度区域的空间重合度达80%左右,与两种对比方法相比,显示出明显的优越性,体现了该方法在复杂构造区地震危险性评估中的可靠性及数据稀疏区域的稳定性。

(2)研究区内喀什-乌恰交汇区为强震(M_S≥6.0)潜在震源集中区,且6.0≤M_S<7.0震级类型主要沿柯坪断裂、迈丹断裂等主要发震断裂带、强活动断裂通过区及多断裂交汇区分布;M_S≥7.0特大地震潜在区与西昆仑和塔里木盆地西段衔接带等构造单元边界带有一定重合。

目前本文研究在一些方面还存在不足。首先,影响地震活动的因素众多,如地壳结构、岩石性质、深部地幔活动和局部应力场变化等因素都未引入特征因素中。其次,应用的是布尔数据表达,未能对各影响因素的特征向量进行加权处理,而不同因素对地震活动的影响程度有强有弱。最后,Ⅳ类样本能用于模型训练与测试的仅为5个,这可能会导致识别精度相对较低,如能扩充样本数量,可进一步提升模型分类性能。如果这些因素能够随着深入的研究而得到解决,势必会增加识别结果的科学性和可靠性。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	郑文俊, 张培震, 袁道阳, 等. 中国大陆活动构造基本特征及其对区域动力过程的控制[J]. 地质力学学报, 2019, 25(5): 699-721.

[2]	Zheng Wenjun, Zhang Peizhen, Yuan Daoyang, et al. Basic characteristics of active structures in Chinese mainland and their control over regional dynamic processes[J]. Chinese Journal of Geomechanics, 2019, 25(5): 699-721.

[3]	吴喻祥, 张敏, 夏柳青. 塔里木盆地大宛齐油田原油三环萜烷组成特征及其意义[J]. 科学技术与工程, 2025, 25(26): 11029-11041.

[4]	Wu Yuxiang, Zhang Min, Xia Liuqing. Compositional characteristics of tricyclic terpanes in crude oil from the Dayanqi Oilfield, Tarim Basin and their geological significance[J]. Science Technology and Engineering, 2025, 25(26): 11029-11041.

[5]	胡宗凯. 博乐盆地晚第四纪地壳缩短及其在天山构造变形中的作用[D]. 北京: 中国地震局地质研究所, 2023.

[6]	Hu Zongkai. Late Quaternary crustal shortening of the Bole Basin and its role in the tectonic deformation of the Tianshan Mountains[D]. Beijing: Institute of Geology, China Earthquake Administration, 2023.

[7]	聂文钰, 范熙伟, 李华玥, 等. 1902年阿图什M_S8.0地震重现下的人员伤亡风险分析——以喀什市和阿图什市为例[J]. 地震地质, 2025, 47(2): 627-648.

[8]	Nie Wenyu, Fan Xiwei, Li Huayue, et al. Risk analysis of casualties under the recurrence of the 1902 Artux M_S8.0 earthquake: a case study of Kashgar City and Artux City[J]. Seismology and Geology, 2020, 47(2): 627-648.

[9]	徐佳静, 韩光洁, 席楠, 等. 2024年1月23日新疆乌什7.1级地震震源参数的初步分析[J]. 中国地震, 2024, 40(1): 260-270.

[10]	Xu Jiajing, Han Guangjie, Xi Nan, et al. Preliminary analysis of focal parameters of the 7.1-magnitude Wushi earthquake in Xinjiang on January 23, 2024[J]. Earthquake in China, 2024, 40(1): 260-270.

[11]	郑兴群, 赵伯明. 基于地震学的西南地区地震动峰值加速度衰减关系研究[J]. 振动与冲击, 2025, 44(5): 191-196.

[12]	Zheng Xingqun, Zhao Boming. Research on the attenuation relationship of peak acceleration of ground motion in Southwest China based on seismology[J]. Journal of Vibration and Shock, 2025, 44(5): 191-196.

[13]	陈涛, 周本刚, 闵伟, 等. 塔尔湾-登登山-池家刺窝断裂分段性及最大潜在地震分析[J]. 地震科学进展, 2021, 51(7): 315-319.

[14]	Chen Tao, Zhou Bengang, Min Wei, et al. Analysis of the segmented nature and maximum potential seismic Force of the Talwan-Dengshan-Chijia Ciwo Fault[J]. Advances in Earthquake Science, 2021, 51(7): 315-319.

[15]	周官群, 罗世凌, 张维鑫, 等. 基于多模态的EWT-CNN微震信号识别与分类[J]. 科学技术与工程, 2025, 25(30): 12786-12794.

[16]	Zhou Guanqun, Luo Shiling, Zhang Weixin, et al. Identification and classification of microseismic signals based on multimodal EWT-CNN[J]. Science Technology and Engineering, 2025, 25(30): 12786-12794.

[17]	贾强, 罗棋耀, 赵超, 等. 应用Sheorey模型结合PSO-BP神经网络高精度预测温泉井田地应力状态:以箐河矿温泉井田区为例[J]. 科学技术与工程, 2025, 25(26): 11042-11050.

[18]	Jia Qiang, Luo Qiyao, Zhao Chao, et al. Application of the sheorey model combined with PSO-BP neural network for high-precision prediction of in-situ stress state in hot spring mine: a case study of the Qinghe Hot Spring Mine Area[J]. Science Technology and Engineering, 2025, 25(26): 11042-11050.

[19]	尚悦, 马鹏斐, 吕义清, 等. 基于信息量和机器学习相耦合的地质灾害易发性评价[J]. 科学技术与工程, 2025, 25(23): 9713-9724.

[20]	Shang Yue, Ma Pengfei, Lü Yiqing, et al. Evaluation of geological disaster susceptibility based on coupling of information value and machine learning[J]. Science Technology and Engineering, 2025, 25(23): 9713-9724.

[21]	解程皓, 李永, 刘伟, 等. 新疆和田县509道班西锂矿地质构造特征及控矿构造研究[J]. 西北地质, 2025, 58(4): 234-249.

[22]	Xie Chenghao, Li Yong, Liu Wei, et al. Geological structural characteristics and ore-controlling structure research of the Xili Mine west of 509 Highway Maintenance Station in Hetian County, Xinjiang[J]. Northwestern Geology, 2025, 58(4): 234-249.

[23]	张健, 孔彦龙. 帕米尔高原岩石圈地幔热-流变特征及其东北缘热结构分析——第三次新疆综合科学考察地热科考成果之一[J]. 地球物理学报, 2025, 68(1): 199-212.

[24]

Zhang Jian, Kong Yanlong. Thermal-rheological characteristics of the lithospheric mantle in the Pamir Plateau and thermal structure analysis of its northeastern margin: one of the geothermal research achievements of the Third comprehensive scientific expedition to Xinjiang[J]. Chinese Journal of Geophysics, 2020, 68(1): 199-212.

[25]	贾玉衡, 刘喜锋, 刘琰, 等. 新疆且末碧玉矿的成因研究[J]. 岩石矿物学杂志, 2018, 37(5): 824-838.

[26]	Jia Yuheng, Liu Xifeng, Liu Yan, et al. Study on the genesis of the Qiemo Jade Deposit in Xinjiang[J]. Chinese Journal of Petrology and Mineralogy, 2018, 37(5): 824-838.

[27]	董云鹏, 惠博, 王博, 等. 转换断层与转移断层:板块边界和陆内构造动力学转换[J]. 中国科学:地球科学, 2025, 55(12): 4014-4063.

[28]	Dong Yunpeng, Hui Bo, Wang Bo, et al. Transform faults and transfer faults: tectonic dynamic transformation from plate boundaries to intracontinental settings[J]. Science China Earth Sciences, 2025, 55(12): 4014-4063.

[29]	许建红, 陈杰, 李涛, 等. 西昆仑山前固满背斜带弯矩正断层活动特征及其形成机制[J]. 地震地质, 2025, 47(2): 405-428.

[30]	Xu Jianhong, Chen Jie, Li Tao, et al. Activity characteristics and formation mechanism of bending moment normal faults in the Qianguman Anticline Zone of the West Kunlun Mountains[J]. Seismology and Geology, 2020, 47(2): 405-428.

[31]	Powell M J D. Radial basis functions for multivariable interpolation: a review[J]. Algorithms for Approximation, 1987(1): 143-167.

[32]	Broomhead D S, Lowe D. Radial basis functions, multi-variable functional interpolation and adaptive networks[J]. Complex Systems, 1988, 2(3): 321-355.

[33]	Moody J, Darken C J. Fast learning in networks of locally-tuned processing units[J]. Neural Computation, 1989, 1(2): 281-294.

[34]	马强, 张杨, 杨珂. 基于RBF神经网络的二阶不确定系统自适应滑模控制[J]. 现代防御技术, 2026, 54(1): 156-164.

[35]	Ma Qiang, Zhang Yang, Yang Ke. Adaptive sliding mode control for second-order uncertain systems based on RBF neural networks[J]. Modern Defence Technology, 2026, 54(1): 156-164.

[36]	曾锐, 邵燕林, 黄宇, 等. 基于深度学习的测井岩性智能识别[J]. 科学技术与工程, 2025, 25(30): 12804-12812.

[37]	Zeng Rui, Shao Yanlin, Huang Yu, et al. Intelligent lithology identification from well logs based on deep learning[J]. Science Technology and Engineering, 2025, 25(30): 12804-12812.

[38]	冷崇标, 张辉, 康波, 等. 基于ICEEMDAN-SST的定点形变信号去噪:以宜昌地震台为例[J]. 科学技术与工程, 2025, 25(25): 10579-10585.

[39]	Leng Chongbiao, Zhang Hui, Kang Bo, et al. Denoising of fixed-point deformation signal based on ICEEMDAN-SST: a case study of Yichang Seismic Station[J]. Science Technology and Engineering, 2025, 25(25): 10579-10585.

[40]	陈明, 孙龙飞, 石元宝, 等. 向量扫描微地震监测中的数理统计[J]. 科学技术与工程, 2025, 25(22): 9273-9286.

[41]	Chen Ming, Sun Longfei, Shi Yuanbao, et al. Mathematical statistics in vector scanning microseismic monitoring[J]. Science Technology and Engineering, 2025, 25(22): 9273-9286.

[42]	别传玉, 刘虹灵, 王雪晴, 等. 基于Pearson相关性与RBF神经网络的电池容量预测[J]. 稀有金属, 2025, 49(7): 1119-1126.

[43]	Bie Chuanyu, Liu Hongling, Wang Xueqing, et al. Battery capacity prediction based on Pearson correlation and RBF neural network[J]. Rare Metals, 2025, 49(7): 1119-1126.