Drilling Sedimentation and Subsidence of Ground Fissure (f12) in Xi’an, Shaanxi
-
摘要:
在西安凹陷南缘清凉山地裂缝f12两侧钻取了两口超过400 m的全取芯井，笔者对DZ1井（420 m）和DZ2井（400.5 m）岩心作了沉积学分析，进行了古地磁、磁化率及粒度测量，分析了地裂缝沉降特征。结果表明：DZ1孔岩心包括0～93 m黄土–古土壤序列沉积L2～S11，缺失上部马兰黄土及S1，93 m以下为三门组河湖相沉积。DZ2钻孔岩心包括0～72 m黄土–古土壤S1～S9序列沉积，缺失上部黑垆土S0和马兰黄土L1，73 m以下为三门组河湖相沉积。 DZ1孔岩心和DZ2孔岩心的黄土地层层序基本一致，包括中更新世离石黄土上部及早更新世离石黄土下部，未见午城黄土。河湖相三门组与午城黄土同时异相，在两口井都持续沉积至第四纪底界，并穿时至上新世顶部。两口井岩心均记录了B/M界限，J、O、R极性亚带及M/G界限，这些界线为两口井的地层对比提供了科学依据。其标志层粉砂质黄土层L9位置高差为5 m，古地磁B/M界线位置高差为4 m，J亚带位置高差为8～17 m，O亚带位置高差为31～22 m，R亚带位置高差为56～47 m，M/G界线位置高差为54 m。总体看来，DZ1孔地层界线和古地磁界线高程都较DZ2孔低，并且越靠下层差距越大。根据地层高差及古地磁界线高差判断，地裂缝f12上盘相对下降4～54 m。在DZ1孔373.6 m处发现次裂缝面，经计算裂缝面倾向南东，倾角为77°。研究成果为进一步认识西安凹陷沉积环境，地裂缝特征及对西安地区防控地裂缝地质灾害具有重要意义。
Abstract:Two fully coring wells over 400 m for each have been drilled respectively on both sides of the Qingliangshan ground fissure (f12) situated at the southern margin of the Xi’an depression. Sedimentological analysis and paleomagnetic dating, magnetic susceptibility and grain size measurements on DZ1 (420 m) and DZ2 (400.5 m) are made. The ground fissure subsidence characteristics are further analyzed. The results show that the DZ1 exposes loess–paleosol sequences of 93m, corresponding to L2～S11, without the upper Malan loess and S1. There are Sanmen Formation of river–lake phase below 93 m. DZ2 exposes 72m loess–paleosol sequences of S1～S9, missing the upper black loessial soil S0 and Malan loess L1. There is Sanmen Formation of river–lake phase below 73 m. The sequences of loess stratigraphy in both of DZ1 and DZ2 are basically identical. They both include the upper part and lower part of the Lishi loess, corresponding to Middle and Early Pleistocene, respectively. And the Wucheng loess has not been exposed. Sanmen Formation deposited until the bottom of Quaternary and upon the upper Pliocene. Both two cores successively recorded B/M boundaries, J, O and R polarity sub-bands and M/G boundaries, which provide a reliable evidence for stratigraphic comparison between the two cores. The elevation differences of several key layers is 5 m for the L9 layer, 4 m for the B/M boundary, 8～17 m for the J subband, 31～22 m for the O subband, 56～47 m for the R subband, and 54 m for the M/G boundary. In all, the elevation of the stratigraphic boundary and paleomagnetic boundary in DZ1 are generally lower than those in DZ2. The deeper the horizon is located, the higher the differences are. Based on the relative elevation difference of the stratigraphic and paleomagnetic boundaries between two cores, it is supposed that the upper plate of fault f12 is relatively lower by about 4～54 m. The sub-fracture plane was exposed at 373.6 m, with SE dip direction and 77˚ of dip angle. This study is important for further understanding the depositional environment of Xi’an depression, the characteristics of ground fissures and the prevention and control of the geological hazard related to ground fissures s in Xi’an area.
-
Keywords:
- ground fissures /
- loess /
- Sanmen Formation /
- paleomagnetic dating /
- Xi’an depression
-
滑坡是中国分布最多、危害最大的地质灾害。目前对其分布特征、破坏方式、运动机理等方面已有大量的研究（谢婉丽等，2017，2018a，2018b；刘颖莹等，2018；郭倩怡等，2021；Liu et al.，2022）。滑坡往往受多种地质环境作用影响，难以准确预测，使人类生命财产和生存环境受到重大威胁，因而很有必要开展区域性滑坡易发性评价，选择合适预防措施，以减轻地质灾害造成的影响。
目前，滑坡易发性评价主要包括启发式推断法、数理统计分析法和机器学习法等（王高峰等，2021）。启发式推断法如层次分析、专家打分（冯卫等，2021）等主要凭借主观经验确定因子权重；数理统计分析法如逻辑回归法（屠水云等，2022）、证据权法（杨华阳等，2020）、模糊综合评判法（谢婉丽等，2018b）、信息量法（阮沈勇等，2001）等主要依靠对调查数据进行数理统计分析建立易发性评价模型，可以显著降低评价过程中的主观性，但是其评价结果依赖于大量精确数据支持，对于高维空间的复杂问题，数理统计分析法不可避免的存在欠拟合、预测准确度不高的缺点。
目前学术界对滑坡易发性评价更偏重于机器学习方法的研究。机器学习可以深挖数据本质，获取最精准的滑坡易发性评价结果，具有自学习、自适应、非线性映射能力强等优点，能充分考虑事件发生概率及其影响因素之间非线性关系（王高峰等，2021），可以很好解决传统概率统计模型的缺陷（Dickson et al.， 2016）。常用的评价方法有人工神经网络（冯杭建等，2016；田乃满，2020；李泽群，2022）、随机森林法（林荣福等，2020；刘睿等，2020；吴润泽等，2021）、支持向量机（王念秦等，2019；王倩等，2021；赵铮等，2022）和决策树（杨永刚等，2019）等。但是截至目前，学术界对于最佳的滑坡易发性评价模型仍未有定论。
为了探究滑坡易发性的最佳模型，笔者将MaxEnt模型引入滑坡易发性评价。
$ {\text{MaxEnt}} $ 模型作为一种机器学习方法，它以最大熵思想为核心，具有精确、高效、样本量要求低、可避免模型过度拟合等优点，常被应用于生态学领域的物种潜在分布范围预测（唐兴港等，2021），其思想与滑坡易发性区划极为类似，都是基于当前已有数据分析研究对象未来的发展变化趋势。近年来，不少国外学者已采用该方法进行滑坡易发性研究（Suchita et al.，2016；Maryam et al.，2019；Kornejady et al.，2017）。例如，Felicísimo Ángel M等（2013）在西班牙德巴河谷滑坡预测研究中将$ {\text{MaxEnt}} $ 模型和其他3种机器学习方法进行比较，结果显示$ {\text{MaxEnt}} $ 模型精度明显高于其他模型。然而，国内基于$ {\text{MaxEnt}} $ 模型在灾害易发评价方面的研究相对较少（赵冬梅等，2020；麦鉴锋等，2021；屈新星等，2021）。王益区和印台区位于铜川市中部，是铜川市政治、经济、文化和商贸中心，区内沟壑纵横，地下水资源匮乏，地质环境条件脆弱，滑坡分布较多，对区内展开滑坡易发性工作尤为重要。因此，笔者基于铜川市中部地区滑坡分布现状，采用
$ {\text{MaxEnt}} $ 模型，结合$ {\text{ArcGIS}} $ 空间分析模块，选取高程、坡度、坡向、曲率、距道路的距离、距水系的距离、地形地貌和岩土体类型8个环境因子对滑坡易发性进行研究，为铜川市中部地区防灾减灾与国土空间规划提供科学参考。1. 研究区概况
研究区位于铜川市中部，包括王益区、印台区，北接宜君县，南连富平县，东同白水县及蒲城县接壤，西与耀州区毗邻。经纬度涵盖范围为E 108°51′～109°26′，N 34°59′～35°12'，总面积为791.74 km2。研究区属半干旱大陆性季风气候，历年年降水量达334.6～879.3 mm，平均为584.5 mm，且多集中在夏季，以暴雨、连续降雨的形式出现。
研究区位于汾渭地堑与黄土高原过渡区域，丘陵起伏，沟壑密布，属于山、塬、川并存的地貌类型。区内地貌可分为土石山地区、黄土残塬区和河谷阶地区。区内构造简单，未见大型褶皱与断裂。复杂的地貌、脆弱的地质环境，使区域内滑坡灾害极其发育，对研究区社会发展和居民生命与财产安全造成了很大威胁。滑坡主要分布在研究区中部及东部人类工程活动频繁的人口密集区（图1）。
![]()
图 1 研究区地理位置及滑坡分布图Figure 1. Geographical location and landslide distribution map of the study area2. 研究方法
2.1 数据来源
本文所涉及数据包括：
$ {\text{DEM}} $ （数字高程模型）（下载自地理空间数据云）、岩土体类型、地貌类型（下载自91卫图）、河流、道路信息（下载自全国地理信息资源目录系统）和野外调查收集的滑坡点数（44个）。结合野外实际调查数据，研究区共确定滑坡44处，其中约70%以上的滑坡属于浅层牵引式黄土滑坡，65%以上的滑坡属于小型滑坡。研究区滑坡主要分布在道路、水系两侧，且多发生于人类工程活动剧烈的区域。
2.2 评价因子选取
根据研究区滑坡分布规律以及诱发因素，结合实际野外调查，经过筛选对比，最终确定高程、坡度、坡向、曲率、距道路的距离、距水系的距离、地形地貌和岩土体类型8个环境因子作为评价指标。
（1）高程：高程对滑坡易发性影响主要体现在不同高程区域气候、降水、植被类型、人类工程活动均有不同，因此对滑坡产生的影响有所不同。
（2）坡度：坡度代表了边坡陡倾程度，同时影响了斜坡应力大小与方向。坡度数据在ArcGIS中通过DEM数据提取。
（3）坡向：坡向对滑坡易发性的影响体现在朝向不同，受到的日照时长与太阳辐射强度不同，阴坡与阳坡的温差较大，同时对降水与植被类型也有一定的影响；坡向数据在ArcGIS中通过DEM数据提取。
（4）曲率：曲率代表了边坡的凹凸程度，曲率值大于0为凸形坡，等于0为直线形坡，小于0为凹形坡。曲率数据在ArcGIS中通过DEM数据提取。
（5）距道路的距离：修建道路不可避免会对沿途边坡坡脚进行开挖，破坏边坡的结构，诱发了滑坡的形成。研究区道路密集，通过ArcGIS欧氏距离分析模块获取距道路的距离栅格数据。
（6）距水系的距离：河水往往对河岸两侧边坡产生冲蚀作用，导致斜坡稳定性降低，往往距离河流越近，滑坡发生的频率越高。通过ArcGIS欧氏距离分析模块获取距水系的距离栅格数据。
（7）地形地貌：地形地貌是滑坡发生的重要因素，根据收集到的研究区地貌资料，研究区分为黄土残塬、土石山地和河谷阶地3种地貌。
（8）岩土体类型：研究区岩土体类型共分为坚硬、半坚硬层状碎屑岩，碳酸盐岩，黄土，砂砾石土共5类。研究区整体上呈现为上部为黄土，下部为基岩。研究区由北到南呈现出基岩切割深度逐渐减小的趋势。
在易发性评价开始前在ArcGIS中预先将所有数据坐标系与栅格像元大小（30 m × 30 m）进行统一，将结果数据以ASC文件导出。本次易发性评价所用的各环境变量图层见图2。
2.3 评价方法
2.3.1 MaxEnt原理
最大熵（
$ {\text{MaxEnt}} $ ）原理是在满足全部已知约束的基础上开展概率事件的合理预测，但是这一过程中对于未知的部分不做任何假设。只有这样，预测结果中的概率分布最为均匀，误判概率最低，因而最终得出的概率分布结果熵值也就最高。换句话说，最大熵理论代表着在满足既定条件的情况下，熵值越大，越接近它的自然现实状态（范亦嵩，2020）。$ {\text{MaxEnt}} $ 模型运行同时需要滑坡地理分布与环境影响因子数据。在本文中，将研究区划分有限像元集，称为X。每个像元x∈X被分配一个非负概率值p（x），用来表示发生滑坡的概率分布，像元概率总和为1。这样就构建了研究区滑坡的概率分布，称为$ \pi $ 。$ \pi $ 是未知的，最大熵原理认为熵最大时，概率分布p最接近真实状态。为了求解p，我们需要先构建p分布的约束条件，关于未知的分布$ \pi $ ，我们已知的信息就是历史滑坡的发生信息和历史滑坡点的环境因子信息，特征函数具有多种表达形式，本次选用MaxEnt模型自带的表达形式，即式（1）：$$ {f_x}(...) = {\lambda _1}{f_1} + {\lambda _2}{f_2} + {\lambda _3}{f_3} + {\lambda _4}{f_4} + ...... + {\lambda _i}{f_i} $$ (1) 式中：
$ \lambda $ 是一组参数，$ {f_i} $ 为像素x位置的第i个环境因子值。已知信息可以表达为所有已发生滑坡的特征函数的平均值，即式（2）：$$ e = \frac{1}{m}\sum\limits_1^m {{f_{x{\rm{i}}}}(...)} $$ (2) 式中：m是历史滑坡发生数目，
$ {f_{x{\rm{i}}}}(...) $ 是第i个滑坡所在像元的特征函数。概率分布p的环境因子期望值可按公式（3）计算：$$ E={\displaystyle {\sum }_{x\in X}p(\text{x}){f}_{x}}(\mathrm{...}) $$ (3) p的环境因子期望值需要无限接近于e，所以分布p的约束条件为式（4）：
$$ |e-E|＜\beta $$ (4) 式中：
$ \beta $ 为任意小的正常数。最大熵分布通常具有式（5）形式：$$ p(x)=\frac{e{f}_{x}(\mathrm{...})}{Z} $$ (5) 式中：
$ p（x） $ 是第$ x $ 个像元概率值；$ Z $ 是一个确保所有像元概率值之和为1的常数。通过正则化变换后，约束条件可以表达为使式（6）的值最小：$$ \mathrm{ln}{Z}_{\lambda }-\frac{1}{m}{\displaystyle \sum _{{\rm{i}}=1}^{m}{f}_{x{\rm{i}}}(\mathrm{...})}+{\displaystyle \sum _{{\rm{j}}}{\beta }_{\text{j}}\lambda } $$ (6) 式中：m是历史滑坡数目，
$ \lambda $ 是特征函数的一组参数，$ {\beta _{\text{j}}} $ 是任意小的常数，只要确定$ \lambda $ ，使得上式值最小，就可以确定最大熵的概率分布。为计算
$ \lambda $ ，MaxEnt模型采用机器学习中的经典算法连续迭代算法，即初始输入$ \lambda $ =（0，0，0…0），代表每个环境因子作用相同，根据不断调整$ \lambda $ 值，使式（6）值不断变小，直到迭代次数达到用户指定次数，或不在显著变小时停止迭代。此时的$ \lambda $ 值为最终结果中的$ \lambda $ 值。2.3.2 评价模型构建与准确度验证
将滑坡点（44个）地理位置和各环境影响因素数据输入MaxEnt模型中，分别取不同比例的滑坡点数量作为训练数据用于建模，余下滑坡点作为测试数据，进行模型验证。模型结果选用Logistic形式，表示某个滑坡在整个模拟区域每个栅格上的存在概率（p）。在预试验中运行多次，使得出的AUC值相对稳定（±0.001）即可。
选用ROC–AUC值和Kappa一致性检验2种方法对模型精度进行交叉检验。首先，利用模型“Jacknife”中的ROC曲线，对模型模拟的滑坡点潜在分布点预测成效进行评价。其次，通过Kappa值验证模型整体准确度，即通过模型运行结束后的研究区滑坡易发预测图与现状滑坡分布图进行Kappa一致验证。评价指标对应准确度见表1。
表 1 AUC值与Kappa值评价标准表Table 1. Assessment standard of AUC value and kappa value精确度 极差 较差 一般 较好 优秀 AUC 0.5～0.6 0.6～0.7 0.7～0.8 0.8～0.9 0.9～1 Kappa 0～0.2 0.2～0.4 0.4～0.55 0.55～0.7 0.7～1 本次研究采用标准差验证模型模拟结果是否稳定，对不同训练比例构建模型运行多次得出的AUC值进行标准差计算，计算公式为：
$$ \begin{split} \\ {\text{SD}} = \sqrt {\dfrac{{\displaystyle\sum\limits_{i = 1}^N {{{\left( {{X_i} - \bar X} \right)}^2}} }}{{N - 1}}} \end{split}$$ (7) 式中SD为AUC的标准差，N为重复次数，
$ {X_i} $ 为第i次AUC的大小，$ \bar X $ 为N次的AUC平均值，SD值越小，模型模拟结果越稳定。3. 评价结果与分析
3.1 模型运行结果检验
以往研究中，关于模型最适宜训练比例的选取并未达成一致，多数研究者采用训练比例取值范围为70%～90%（Shrestha et al.，2019）。
为研究不同随机训练比例对MaxEnt构建模型准确度的影响，本次研究选取70%、75%、80%、85%和90%作为随机训练样本点数据比例，按照上述步骤模型运行10次，对评价结果进行标准差计算（表2）。从表中可知，滑坡样本点80%时AUC值达到最大值，但样本点为75%时该模型的标准差最小，表明研究区样本点为75%时MaxEnt模型数据最稳定。因此，笔者采用75%训练数据作为模型运行基础，通过模型10次迭代运行后获得的ROC曲线（图3）。从图中可知，训练集10次模拟得到的AUC值能达到0.905，大于0.9，评价精度优秀，证明该模型可以精确模拟灾害点分布与环境因子之间的关系
表 2 AUC均值/SD值与训练比例的关系表Table 2. Relationship between AUC mean value/SD value and training proportion训练样本比例 70% 75% 80% 85% 90% AUC平均值 0.902 0.905 0.909 0.904 0.887 标准差 0.0763 0.0661 0.0855 0.0839 0.0565 3.2 滑坡易发性区划
将模型运行结果提取至ArcGIS，根据Jenks法，将研究区滑坡易发性等级分为5级（图3）：低易发（0～0.11）、较低易发（0.11～0.24）、中易发（0.24～＞0.43）、较高易发（0.43～0.69）、高易发（0.69~1.00）。易发性等级由高到低，面积分布分别为34.52 km2（4.36%）、45.69 km2（5.77%）、105.16 km2（13.28%）、239.37 km2（30.23%）和367.10 km2（46.36%）。滑坡较高易发区和高易发区主要分布于研究区中部与东部，多位于水系与道路两侧，人口密集分布区域。
将滑坡现状分布与图4中得出的滑坡潜在分布进行
$ {\text{Kappa}} $ 一致性检验，结果显示$ {\text{Kappa}} $ 系数为0.76，表示评价分区与现状滑坡点分布十分符合。3.3 环境变量对地质灾害易发性贡献度分析
采用MaxEnt模型的“Jacknife”模块，可以对每个环境因子进行滑坡易发性贡献率分析（图5），图中深蓝色条块代表无其他环境影响因素干扰下其对易发性分布的贡献率，浅蓝条块即去掉该因子后，其他的所有变量的总贡献率。
![]()
图 5 基于Jacknife环境因子贡献值分析图Figure 5. Analysis of environmental factor contribution based on jacknife图5显示，环境变量贡献大小顺序为：距水系的距离＞地貌类型＞距道路的距离＞高程＞岩土体类型＞坡向＞曲率＞坡度。可以看出距水系的距离、地貌类型是贡献度排名前二的因子，距道路的距离、高程和岩土体类型也是影响滑坡易发性的重要因子，而坡度、坡向和曲率对滑坡易发性分布的影响较小。
3.4 环境变量对滑坡易发性指数影响分析
通过
$ {\text{MaxEnt}} $ 模型所生成的环境因子响应曲线（图6），不仅能反映每个环境影响因素与滑坡易发性之间的关联，也可通过每个环境因子变化时对应的易发性分布概率来体现每个环境因子对最终的易发性评价影响。其中，x轴是环境变量的取值范围，y轴是模型的易发性指数。由于无法用曲线来表示2个分类型变量对易发性评价结果的影响规律，因此用矩形面积来表示岩土体类型、地貌类型对易发性结果的影响，面积越大，对易发性评价影响的能力就越高。由高程的响应曲线可以得出（图6a），滑坡易发性于高程850 m左右达到峰值，随后便随高程增加而降低，这是由于研究区居民多居住于海拔较低的河谷平原区，伴随着频繁发生的工程活动；通过坡度的响应曲线来看（图6b），坡度在不断增长时，滑坡易发性随之持续增长；坡向的响应曲线表现为随着坡向取值增大，易发指数呈先增大后减小的趋势（图6c），可能原因为阳坡滑坡发生概率大于阴坡，因为阳坡接受到的阳光和降水更为充沛，岩土体更易风化；从曲率的响应曲线来看（图6d），随着曲率值增大，滑坡易发性随之增大，总体上表现为凸形坡对滑坡易发性的影响大于凹形坡；从距道路的距离的响应曲线来看（图6e），滑坡易发性在距道路800 m范围内时较大，随距道路的距离增加滑坡易发性随之减小，原因就是道路分布的地带由于各种工程活动的破坏，导致环境条件变得恶劣，边坡失稳，灾害频发；距水系的距离曲线与距道路的距离曲线类似，距离水系越近，易发指数越高（图6f）；从地貌类型来看（图6g），河谷阶地区对滑坡易发性的影响最大，黄土残塬区次之，土石山地区最小，证明河谷阶地区是最适宜滑坡发育的地貌；从岩土体类型来看（图6h），坚硬层状碎屑岩对易发性影响最低，而砂砾石土对易发性影响最高，这与其易风化、透水性强和工程性质差的性质有关。
4. 结论
（1）基于地质环境条件选取了高程、坡度、坡向、曲率、距道路的距离、距水系的距离、地形地貌、岩土体类型等8个环境影响因子，建立了以铜川市中部王益区、印台区为研究区的评价指标体系。
（2）运用
$ {\text{ArcGIS}} $ 与$ {\text{MaxEnt}} $ 模型对研究区滑坡易发性进行了评价。结果表明，高和较高易发区分别占研究区总面积的4.36%和5.77%。滑坡较高易发区和高易发区主要分布于中部和东部道路、水系两侧，是人口集中分布区域。得到的评价结果与实际滑坡分布情况相符，$ {\text{AUC}} $ 值达到了0.905，表明该模型的评价精度十分优秀，可以用于研究区滑坡易发性评价。（3）使用“Jackknife”模块分析环境影响因素对模型结果影响程度，结果显示距水系的距离和地貌类型是贡献度最大的环境因子；坡向、坡度和曲率贡献度最低，表明研究区滑坡对其变化并不敏感。环境影响因素的响应曲线也揭示了易发性随各个环境影响因素的分布规律，表明该模型对分类环境变量和连续环境变量均有较好的适用性。
-
![]()
图 1 清凉山f12地裂缝钻孔位置图（a）和西安地区地裂缝分布示意图（b）（据王璐，2010）
Figure 1. (a) Drilling locations of f12 fissure and (b) Distribution of ground fissures in Xi’an area
![]()
图 2 DZ1孔岩心图
a. 92.7 m以上黄土–古土壤序列；b. 100.5 m位置具层理的三门组上部锈黄色细砂岩；c. 含蚌壳化石的三门组下部灰绿色黏土质细砂岩；d. 373.6 m处的裂隙
Figure 2. Photos of the Core from DZ1
![]()
图 6 井DZ1-DZ2钻遇发f12断裂面示意图
点A. DZ1井次断裂面出露深度；点B. 主断裂带出露地面位置
Figure 6. Fracture plane of f12 at DZ1-DZ2
表 1 地裂缝两侧古地磁界线高程对比表
Table 1 Correlations of boundary elevation at two sides of f12
钻孔 S5底位置（m） B/M（L8）界线（m） L9顶位置（m） 黄土底界（m） J亚带界线（m） O亚带界线（m） R亚带界线（m） M/G界线（m） DZ1孔（上盘） 414 399 393 365 358～338 293~247 179~155 54 DZ2孔（下盘） 413 403 398 381 366～355 324～269 235-202 108 高差 1 −4 −5 −16 −8～−17 −31～−22 −56～−47 −54 注：DZ1井口高程为458.44 m，DZ2井口高程为453.49 m。 
下载: 导出CSV
-
安芷生, 王苏民, 吴锡浩, 等. 中国黄土高原的风积证据: 晚新生代北半球大冰期开始及青藏高原的隆升驱动[J]. 中国科学(D辑: 地球科学), 1998,28(06): 481-490 AN Zhisheng, WANG Sumin, WU Xihao, et al. Aeolian evidence from the Loess Plateau in China: The onset of the Northern Hemisphere Glaciation in the Late Cenozoic and the uplift of the Tibetan Plateau [J]. Science in China (Series D: Earth Sciences), 1998,28(06): 481-490.
董英, 张茂省, 刘洁, 等. 西安市地下水与地面沉降地裂缝耦合关系及风险防控技术[J]. 西北地质, 2019, 52(02): 95-102 DONG Ying, ZHANG Maosheng, LIU Jie, et al. Coupling Relationship between Groundwater and Ground Fissures of Land Subsidence in Xi’an City and Risk Prevention and Control Technology[J]. Northwestern Geology, 2019, 52(02): 95-102.
冯旻譞, 齐琦, 董英, 等. 利用Sentinel-1A数据监测大西安2019～2022年大西安地表形变[J]. 西北地质, 2023, 56(3): 178−185. FENG Minxuan, QI Qi, DONG Ying, et al. Monitoring Surface Deformation in Xi’an City from 2019 to 2022 Based on Sentinel-1A Data[J]. Northwestern Geology, 2023, 56(3): 178-185.
冯希杰, 李晓妮, 任隽, 等. 渭河断裂深、中、浅和近地表显示[J]. 地震地质, 2008,30(01): 264-272 FENG Xijie, LI Xiaoni, REN J, et al. Manifestations of Weihe fault at deep, middle, shallow and near surface depth[J]. Seismology and Geology, 2008,30(01): 264-272.
李智超, 李文厚, 李永项, 等. 渭河盆地新生代沉积相研究[J]. 古地理学报, 2015, 17(04): 529-540 doi: 10.7605/gdlxb.2015.04.043 LI Zhichao, LI Wenhou, LI Yongxiang, et al. Sedimentary facies of the Cenozoic in Weihe Basin[J]. Journal of Palaeogeography, 2015, 17(04): 529-540. doi: 10.7605/gdlxb.2015.04.043
刘东生. 黄土与环境[M]. 北京: 科学出版社, 1985 LIU Dongsheng. Loess and Environment[M]. Beijing: Science Press, 1985.
刘护军, 薛祥煦. 对渭河盆地新生界及其年代的讨论[J]. 地球科学与环境学报, 2004,26(04): 1-5 LIU Hujun, XUE Xiangxu. Discussion on the Cenozoic and its chronology in Weihe River Basin[J]. Journal of Earth Sciences and Environment, 2004,26(04): 1-5.
鹿化煜, 张瀚之, 王逸超, 等. 渭河盆地新生代沉积序列与亚洲季风气候起源演化[J]. 第四纪研究, 2018, 38(5): 1057-1067 doi: 10.11928/j.issn.1001-7410.2018.05.01 LU Huayu, ZHANG Hanzhi, WANG Yichao, et al. Cenozoic depositional sequence in the Weihe Basin(Central China): A long-term record of Asian monsoon precipitation from the greenhouse to icehouse Earth[J]. Quaternary Sciences, 2018, 38(5): 1057-1067. doi: 10.11928/j.issn.1001-7410.2018.05.01
卢全中, 彭建兵, 陈志新, 李喜安. 黄土高原地区黄土裂隙发育特征及其规律研究[J]. 水土保持学报, 2005, 19(05): 193-196 LU Quanzhong, PENG Jianbing, CHEN Zhixin, et al. Research on Characteristics of Cracks and Fissures of Loess and Their Distribution in Loess Plateau of China[J]. Journal of Soil and Water Conservation, 2005, 19(05): 193-196.
卢全中, 李聪, 刘聪, 等. 地裂缝分类及地面沉降区构造地裂缝防治对策[J]. 地球科学与环境学报, 2021, 43(02): 366-375 LU Quanzhong, LI Cong, LIU Cong, et al, Classification of Ground Fissures and Prevention Measures of Tectonic Ground Fissures in Land Subsidence Areas [J]. Journal of Earth Sciences and Environment, 2021, 43(2): 366-375.
贾兰坡, 张玉萍, 黄万波, 等. 陕西蓝田新生界现场会议论文集[M]. 北京: 科学出版社, 1966 JIA Lanpo, ZHANG Yuping, HUANG Wanbo, et al. , Proceedings of the Lantian Field Conference in Shaanxi Province[M]. Beijing: Science Press, 1966.
彭建兵, 张俊, 苏生瑞, 等. 渭河盆地活动断裂与地质灾害[M]. 西安: 西北大学出版社, 1992 PENG Jianbing, ZHANG Jun, SU Shengrui, et al. Active faults and geological hazards in Weihe Basin[M]. Xi’an: Northwest University Press, 1992.
彭建兵, 范文, 李喜安, 等. 汾渭盆地地裂缝成因研究中的若干关键问题[J]. 工程地质学报, 2007, 15(04): 433-440 PENG Jianbing, FAN Wen, LI Xi’an, et al. Some Key Questions in The Formation Of Ground Fissures in The Fen-wei Basin[J]. Joumal of Engineering Geology, 2007,15 (04): 433-440.
彭建兵. 西安地裂缝发育特征与活动性[M]. 北京: 科学出版社, 2012 PENG Jianbing. Development characteristics and activity of ground fissures in Xi’an[M]. Beijing: Science Press, 2012
乔建伟, 卢全中, 郑建国, 等. 渭河盆地安仁镇图幅(1∶5万)的浅部地质结构特征[J]. 西北地质, 2020, 53(03): 93-105 QIAO Jianwei, LU Quanzhong, ZHENG Jianguo, et al. Shallow Structural Model of Anren Town Geological Map(1: 50000)in Wei River Basin[J]. Northwestern Geology, 2020, 53(03): 93-105.
宋友桂, 兰敏文, 刘慧芳, 等. 关中盆地新生界地层划分对比与第四纪下限[J]. 地质科技通报, 2021, 40(02): 24-35 SONG Yougui, Lan Minwen, Liu huifang, et al. Cenozoic stratigraphic correlation and the lower limit of Quaternary in Guanzhong Basin[J]. Bulletin of Geological Science and Technology, 2021, 40(2): 24-35.
孙建中. 关于“黄三门”与“绿三门”[J]. 长安大学学报(地球科学版), 1986,8 (04): 42-45 SUN Jianzhong. Yellow Sanmen Fm and Green Sanmen Fm [J]. Journal of Chang’an University (Natural Science Edition), 1986, 8(04): 42-45.
王斌, 郑洪波, 王平, 等. 渭河盆地新生代地层与沉积演化研究: 现状和问题[J]. 地球科学进展, 2013, 28(10): 1126-1135 doi: 10.11867/j.issn.1001-8166.2013.10.1126 WANG Bin, ZHENG Hongbo, WANG Ping, et al. The cenozoic strata and depositional evolution of Weihe Basin: Progresses and problems[J]. Advances in Earth Science, 2013, 28(10): 1126-1135. doi: 10.11867/j.issn.1001-8166.2013.10.1126
王璐. 西安地裂缝带岩土物理力学性质统计分析[D]. 西安: 长安大学硕士论文, 2010 WANG Lu. Statistical Analysis of physical and mechanical properties of of geotechnical on band of Xi’an ground fissures[D]. Xi’an: Chang’an University, 2010.
王书兵, 蒋复初, 吴锡浩, 等. 三门组的内涵及其意义[J]. 第四纪研究, 2004, (01): 116-123 doi: 10.3321/j.issn:1001-7410.2004.01.016 WANG Shubing, JIANG Fuchu, WU Xihao, et al. The Connotation and Significance of Sanmen Formation[J]. Quaternary Sciences, 2004, (01): 116-123. doi: 10.3321/j.issn:1001-7410.2004.01.016
吴锡浩, 安芷生. 黄土高原黄土-古土壤序列与青藏高原隆升[J]. 中国科学(D辑: 地球科学), 1996, 26(02): 103-110 WU Xihao, AN Zhisheng. Loess paleosol sequence of the Loess Plateau and uplift of the Qinghai Tibet Plateau [J]. Science in China (Series D: Earth Sciences), 1996, 26(02): 103-110.
薛祥煦. 陕西渭南一早更新世哺乳动物群及其层位[J]. 古脊椎动物与古人类, 1981,19(01): 35-44 XUE Xiangxu. An early Pleistocene Mammalian fauna and its stratigraphy of the River YOU, Weinan, Shensi[J]. Vertebrata Palasiatioa, 1981, 19(01): 35-44.
岳乐平. 兰田段家坡黄土剖面磁性地层学研究[J]. 地质论评, 1989,35(05): 479-488. doi: 10.3321/j.issn:0371-5736.1989.05.012 YUE Leping. Magnetostratigraphical study of the loess seciton at Duanjiapo, Lantian, Shaanxi[J]. Geological Review, 1989,35(05): 479-488. doi: 10.3321/j.issn:0371-5736.1989.05.012
岳乐平. 黄土高原黄土、红色粘土与古湖盆沉积物关系[J]. 沉积学报, 1996,14(04): 149-154 doi: 10.14027/j.cnki.cjxb.1996.04.020 YUE Leping. Depositional Ralation between the Loess, Red Clay and Sedimentation of the Lake basin in the Loess Plateau[J]. Acta Sedimentologica Sinica, 1996,14(04): 149-154. doi: 10.14027/j.cnki.cjxb.1996.04.020
张勤, 黄观文, 王利, 等. GPS在西安市地面沉降与地裂缝监测中的应用研究[J]. 工程地质学报, 2007,15(06): 828-833 doi: 10.3969/j.issn.1004-9665.2007.06.019 ZHANG Qin, HUANG Guanwen, WANG Li, et al. GPS Monitoring and Surveying on Land Subsidence and Land Fissure in Xi'an City[J]. Joumal of Engineering Geology, 2007,15(06): 828-833. doi: 10.3969/j.issn.1004-9665.2007.06.019
周慕林. 中国地层典[M]. 北京: 地质出版社, 2000 ZHOU Mulin. Stratigraphic Code of China [M]. Beijing: Geology Press, 2000.
朱立峰, 李益朝, 刘方, 等. 西安地裂缝活动特征及勘查思路探讨[J]. 西北地质, 2005, (04): 102-107 doi: 10.3969/j.issn.1009-6248.2005.04.015 ZHU Lifeng, LI Yizhao, LIU Fang, et al. Features on ground fractures and exploration train of thought in Xi’an[J]. Northwestern Geology, 2005, (04): 102-107. doi: 10.3969/j.issn.1009-6248.2005.04.015
Fu C, An Z, Qiang X, et al. Magnetostratigraphic determination of the age of ancient Lake Qinghai and record of the East Asian monsoon since 4.63 Ma[J]. Geology, 2013, 41(8): 875-878. doi: 10.1130/G34418.1
Fu C, Bloemendal J, Qiang X, et al. Occurrence of greigite in the Pliocene sediments of Lake Qinghai, China, and its paleoenvironmental and paleomagnetic implications[J]. Geochemistry, Geophysics, Geosystems, 2015, 16(5): 1293-1306. doi: 10.1002/2014GC005677
Liu J, Zhang P, Lease R O, et al. Eocene onset and late Miocene acceleration of Cenozoic intracontinental extension in the North Qinling range-Weihe graben: Insights from apatite fission track thermochronology[J]. Tectonophysics, 2013, 584: 281-296. doi: 10.1016/j.tecto.2012.01.025
Lu Q, Qiao J, Peng J, et al. A typical Earth fissure resulting from loess collapse on the loess plateau in the Weihe Basin, China[J]. Engineering Geology, 2019, 259: 105189. doi: 10.1016/j.enggeo.2019.105189
Lu Q, Yang L, Peng J. Immersion test of loess in ground fissures in Shuanghuaishu, Shaanxi Province, China[J]. Bulletin of Engineering Geology and the Environment, 2020, 79(5): 2299-2312. doi: 10.1007/s10064-019-01718-5
Rits D S, Beets C J, Prins M A, et al. Geochemical characterization of the middle and late Pleistocene alluvial fan-dominated infill of the northern part of the Weihe Basin, Central China[J]. Palaeogeography, Palaeoclimatology, Palaeoecology, 2017: S0031018216307659.
Rits D S, Prins M A, Troelstra S R, et al. Facies analysis of the Middle and Late Quaternary sediment infill of the northern Weihe Basin, Central China[J]. Journal of Quaternary Science, 2016, 31(2): 152-165.23. doi: 10.1002/jqs.2853
Wang Y, Lu H, Wang K, et al. Combined high- and low-latitude forcing of East Asian monsoon precipitation variability in the Pliocene warm period[J]. Science Advances, 2020, 6(46): eabc2414. doi: 10.1126/sciadv.abc2414
计量
- 文章访问数: 222
- HTML全文浏览量: 38
- PDF下载量: 108
