مدل سازی موهو با قدرت تفکیک بالا در پهنه فرورانشی مکران با ترکیب طیفی داده های لرزه ای و گرانی
Publish place: Journal of the Earth and Space Physics، Vol: 49، Issue: 2
Publish Year: 1402
Type: Journal paper
Language: Persian
View: 167
This Paper With 20 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
JR_JESPHYS-49-2_004
Index date: 18 October 2023
مدل سازی موهو با قدرت تفکیک بالا در پهنه فرورانشی مکران با ترکیب طیفی داده های لرزه ای و گرانی abstract
روش ای ترکیبی برای تعیین عمق موهو در نبود نقاط لرزه ای با چگالی و پوشش مناسب عمدتا در مطالعات ژئوفیزیک، ژئودزی مورد استفاده قرار می گیرد. در میان این روش ها می توان به روش پارکر-اولدنبرگ و ونینگ ماینتز مورتس اشاره کرد. با هدف بهبود مدلهای موجود عمق موهو در پهنه فرورانشی مکران به عنوان یک منطقه با زمین ساخت پیچیده، دو مدل مختلف به نام های BC و SC با روش ترکیبی ثقلی- لرزه ای توسعه داده شد. داده های جهانی(CRUST۱.۰) و مدل ونینگ ماینز موریتس VMM (Vening Meinesz-Mortiz) به ترتیب به عنوان داده های لرزه ای و گرانشی، به روشی مناسب و با دو رویکرد فیلتر و ترکیب طیفی و استفاده از سرشکنی کمترین مربعات مورد استفاده قرار گرفته است. مدل های به دست آمده دارای وضوح '۵×'۵ درجه معادل شبکه ای با ابعاد حدود ۹×۹ کیلومتر هستند. دقت موهو به دست آمده با چهار مدل مختلف منطقه ای و محلی ارزیابی شد. RMS نتایج به دست آمده به ترتیب ۹۲/۲، ۷۵/۱، ۸۵/۴ و ۲۷/۱ کیلومتر برای مدل BC و۴۱/۲، ۴۱/۰، ۴۸/۴ و ۰۴/۳ کیلومتر برای مدل SC است. مدل عمق موهو به دست آمده برای مکران غربی در ایران و اطراف آن به میزان قابل ملاحظه ای وضوح، دقت و قدرت تفکیک مدل های عمق موهو را در منطقه مورد مطالعه بهبود داده است.
مدل سازی موهو با قدرت تفکیک بالا در پهنه فرورانشی مکران با ترکیب طیفی داده های لرزه ای و گرانی Keywords:
مدل سازی موهو با قدرت تفکیک بالا در پهنه فرورانشی مکران با ترکیب طیفی داده های لرزه ای و گرانی authors
آرش دشتبازی
گروه ژئودزی، دانشکده مهندسی نقشه برداری، دانشگاه صنعتی خواجه نصیر طوسی، تهران، ایران.
بهزاد وثوقی
گروه ژئودزی، دانشکده مهندسی نقشه برداری، دانشگاه صنعتی خواجه نصیر طوسی، تهران، ایران.
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :