Relocation and seismogenic structure of the 2021 Guyuan earthquake swarm
-
摘要:
通过初至P震相定位法测定了2021年固原震群中ML≥3.0地震的震源深度，同时根据多阶段定位和微震匹配定位方法对该震群序列进行了重定位，基于Snoke方法和HASH方法计算了震群序列中ML≥2.8地震的震源机制解，并根据gCAP方法反演了震群中最大的地震即2021年6月22日固原ML3.6地震的震源机制解及矩心深度，确定了ML≥2.8地震基于各种方法所得震源机制的中心解，然后根据重定位结果拟合了断层面，最后初步分析了固原震群的发震构造。结果表明：微震检测到901次ML0.0以上地震事件，约为区域地震台网原始目录的2.6倍，震群的震中区呈WNW向优势分布，长约8 km，宽约3 km，震源深度处于8—17 km之间，平均深度为13 km；ML≥2.8地震主要发生在震群序列12—14 km震源深度的相对密集区，其震源机制解均为走滑型，大多数地震略带一点逆冲分量，P轴优势方位近EW向，与六盘山地区的局部构造应力场主压应力轴方向基本一致。结合重定位、震源机制和断层面拟合认为，固原震群的主要发震构造可能是由两个WNW走向而倾向相反的隐伏断层控制，即NE倾向和SW倾向的断层构成了向上分叉的花状结构，其中ML≥2.8地震均位于不同倾向断层的交会部位，均具有左旋走滑的运动性质，整个震群序列的小震活动大体呈现以NE倾向断层活动为主、以SW倾向断层活动次之的特征。结合已有研究，发现震群序列处于六盘山地区上地壳底部厚约11 km的低速异常透镜体内，初步分析认为固原震群的孕震环境可能与深部流体作用有关。
Abstract:According to the Ningxia seismic network, Guyuan earthquake swarm activity occurred from June 11 to July 15, 2021. The 2021 Guyuan earthquake swarm had the most earthquake frequency ever recorded in historical swarm events of southern Ningxia, and hence attracted more attentions of relevant departments. Therefore, studying on the earthquake swarm provides fundamental data for the further comprehension of the seismic generation, evolution process of the earthquake swarm in this region and the investigation of the earthquake mechanism, thereby offering relevant supports for the earthquake tracking mission.
In this research, ML≥3.0 earthquakes of 2021 Guyuan earthquake swarm were determined using the methods of first arrival P phase location, and the earthquake swarm was also relocated by using multi-stage location and microearthquake matching location. Meanwhile, the focal mechanism solutions of the ML≥2.8 earthquakes from the swarm were calculated based on Snoke method and HASH method. Focal mechanism and centroid depth of the ML3.6 Guyuan earthquake on June 22, 2021, the largest in the swarm, was also determined by gCAP inversion method, and the central solutions of various focal mechanisms for the ML≥2.8 earthquakes were determined. Then the fault plane was fitted according to the relocation results and the seismogenic structure of Guyuan earthquake swarm was preliminarily analyzed. The results show that 901 microseismic events above ML0.0 were detected, which is about 2.6 times as much as those in the original catalog of the regional seismic network. The epicenters area is about 8 km long and 3 km wide, spreading in WNW direction predominately, with focal depths ranging from 8 km to 17 km, and the average depth of 13 km. ML≥2.8 earthquakes are mainly concentrated in the earthquake dense area with focal depth of 12−14 km. The focal mechanism of ML≥2.8 earthquakes show that all of them are strike-slip type, and most of them have a little thrust component, and the dominant azimuth of the P-axes is in nearly EW direction, which is basically consistent with the direction of the principal compressive stress of the local tectonic stress field in Liupanshan area. Combined with relocation, focal mechanism and fault plane fitting, it is suggested that the main seismogenic structure of Guyuan earthquake swarm may be controlled by two WNW-striking hidden faults with opposite dipping.The NE-dipping and SW-dipping faults form upward-branching flower structure, and the ML≥2.8 earthquakes are located at the intersection of faults with different dip, and all may have left-lateral strike-slip movement. As for the whole earthquake sequence, the NE-dipping fault activity is dominant, and the SW-dipping fault activity is secondary. According to previous studies, it is found that the Guyuan earthquake sequence is located in the low-velocity anomalous lens with about 11 km thickness at the bottom of the upper crust in Liupanshan area. The crust-mantle interaction deep fluid action and high Poisson’s ratio zone due to the upwelling of the upper mantle in the Liupanshan area are the possible seismogenic reasons for the formation of the low-velocity lens where Guyuan earthquake swarm is located. The preliminary analysis suggests that the seismogenic environment of Guyuan earthquake swarm may be principally related to the action of deep fluid. This research is of significance for the deep insight into the relationships between earthquake relocation, focal mechanism and seismogenic structure.
-
Keywords:
- Guyuan earthquake swarm /
- relocation /
- focal mechanism /
- seismogenic structure
-
引言
随着我国数字地震观测技术的快速发展，台站密度逐渐增大，地震监测能力和水平得到大幅度提高，地震台网能够捕获更多事件信号。既可以记录到震级较小的天然地震事件，又可以记录到大量非天然地震事件（赵永等，1995），如会导致地震预警误触发的人工爆破等。及时准确地从天然地震目录中剔除人工爆破事件以保证目录的完备性和准确性对于区域强震预测及地震危险性评估至关重要（黄汉明等，2010；隗永刚等，2019）；快速有效且自动区分天然地震和人工爆破，对防震救灾工作中的抢险应急响应具有重要意义，已成为目前地震监测工作中面临的重要问题之一，也是近年来震灾救援部门和地震学者高度重视的问题。
随着AlphaGo和ChatGPT风靡全球，让人类重新思考人工智能的更多发展可能性，对于人类体力劳动和非创造性脑力劳动，利用人工智能的手段替代能很大程度的提高效率、节省人力成本并减少错误。例如在地震学上，研究学者应用人工智能手段进行地震波降噪、地震震源机制估算、微震识别及定位等（Gao，Zhang，2019；Kuang et al，2021；Zhang et al，2022）。近年来，部分学者尝试利用人工智能技术进行地震波形分类。例如，应用神经网络模型对地震和噪声波形进行分类，准确率普遍达到95%以上（赵明等，2019；Chen et al，2019；Men-Andrin et al，2019；Zhang et al，2020a，b）。其中，Men-Andrin等（2019）应用了五种神经网络模型对实时地震波形和噪声进行判别，卷积神经网络（convolutional neural network，缩写为CNN）的表现最为突出，拥有最高的精确率（precision）和召回率（recall）。不少学者也应用卷积神经网络模型进行天然地震与人工爆破的识别，例如：陈润航等（2018）从震源波形中提取梅尔频率倒谱系数图后用卷积神经网络进行天然地震与爆破事件分类识别，准确率（accuracy）达95%以上；Linville等（2019）利用卷积神经网络模型对美国犹他州的天然地震信号和采石场爆破信号进行区分，区分结果可达99%；周少辉等（2021）利用深度学习技术中的卷积神经网络模型对山东地区的天然地震与非天然地震进行学习训练，训练验证识别准确率达到98%以上；郑周等（2023）利用卷积神经网络对福建及邻省的地震、噪声、爆破及异常波形进行区分，识别率分别达到97.9%，99%，99.2%和99.3%。上述工作都证明深度学习在地震学上存在一定的发展潜力，卷积神经网络在波形区分上的表现更为突出。
目前广东省地震台网一周平均记录到爆破事件72次，且爆破识别工作完全通过人工完成，不仅耗时而且还高度依赖分析人员的专业水平，难免会出现错误，如广东丰顺地区的地震波形与爆破类似，极易判断错误。再者，随着预警系统的正式运行，全省预警速度达到秒级，需要我们对台站收集的各类信号进行快速并自动分类，以避免发生误触发。由于每个地区、省份的地质构造不同，其天然地震波形甚至包括爆破的其它非天然地震事件波形也大相径庭，即使是具有高泛化能力的卷积神经网络也不太可能将同一套训练好的模型用于区域或更大的范围。
为解决以上问题，本文拟搭建一个适用于广东地区的卷积神经网络模型，利用广东省地震台网的天然地震与人工爆破数据训练该模型，构建一个适用于广东地区的人工爆破智能识别器，以期简化数据预处理流程，缩短事件判定时间，高效、准确、稳定判别广东地区天然地震与人工爆破波形。
1. 数据资料
由于广东省人工爆破工程作业的日益增多，人工爆破成为广东省地震台网非天然地震事件记录最多的事件类型。2013—2023年广东省地震台网共记录到ML＞1.8的人工爆破事件472次， 其中发生在省内的事件达312次（图1红色圆圈）。而广东测震台网观测台站共112个，其中包含41个省外共享台，每个台站记录的波形均包括垂直、东西、南北三分向，台站观测数据采样率均为100 Hz。本文从广东测震台网选取2013—2023年发生在广东省内的人工爆破事件，并为平衡天然地震和人工爆破事件的数量，选取2017年6月至2019年1月期间发生在广东省陆地内ML＞1.4的526次天然地震事件（图1蓝色圆圈）。这些地震事件均由广东省地震局台网中心人员进行过专业的地震编目分析并入库。由于人工爆破面波能量衰减很快，为了达到更好的识别效果，选取震中距30 km内的事件波形。
![]()
图 1 所选事件空间分布图及广东省内台站分布图Figure 1. Spatial distribution of events uesd in this paper and seismic stations in Guangdong研究样本根据事件P波到时信息截取：截取P波到时前5 s的噪声记录、总长为60 s的波形，并能完整包含P波、S波，在事件资料充足的情况下，为满足快速识别的要求、尽可能减少识别时间以及达到更好的识别效果，最终选取单台单向（垂直向）波形为训练数据。去除标定、方波、突跳、干扰和仪器故障等异常信息后，共得到
1840 份有效波形，包括天然地震事件1 446份、人工爆破394份。选取其中1 000份天然地震事件波形和300份爆破波形用于训练学习，组成训练集；剩余用于测试训练后的模型，组成测试集。图2给出了天然地震（图2a）与人工爆破（图2b）的波形样本图。![]()
图 2 天然地震（a）和人工爆破（b）的有效波形示例Figure 2. Examples of effective waveforms for earthquake （a） and blasting （b）利用神经网络较强的分类能力，将本研究内容变为天然地震与人工爆破的二分类问题，并建立样本标签。天然地震作为第一类，输出标签结果为0；人工爆破为第二类，输出标签结果为1。
2. 卷积神经网络模型
2.1 卷积神经网络的原理
Hinton等（2006）最早提出深度学习的概念，意指基于样本数据通过一定的训练方法得到包含多个层级的深度网络结构的机器学习过程（Bengio et al，2013）。深度学习所得到的深度网络结构类似于神经网络，故称之为深度神经网络。深度神经网络分为三类：前馈深度网络、反馈深度网络以及双向深度网络。典型的前馈深度网络包括多层感知机、卷积神经网络等。
卷积神经网络可以用来处理具有类似网格结构的数据（LeCun et al，2015），不仅容错性好、自适应性与自学能力强，而且还可将图像作为数据输入，具有自动识别图像特征、参数估计数量较少、可以采用权值共享网络结构来降低模型复杂度等优势，提高了图像识别效率和准确率。Krizhevsky等（2012）首次将卷积神经网络应用于ImageNet大规模视觉识别挑战赛（imageNet large scale visual recognition challenge，缩写为ILSVRC），并取得图像分类和目标定位任务第一名。
CNN以原始数据作为输入，通过卷积、池化和非线性激活函数映射等一系列计算，将原始数据逐层抽象为自身任务所需的最终特征表示，最后以特征到任务目标的映射作为结束。卷积神经网络的基本结构包括输入层（input）、卷积层（convolutional layers）、池化层（pooling layers）、全连接层（fully-connected layers）和输出层（output）（图3）。卷积层由多个滤波器组成，进行卷积计算，旨在学习输入的特征表示，并通过激活函数传递给下一层。激活函数又称非线性映射函数，非线性被引入后实现了多层网络对非线性特征的检测，典型的激活函数有sigmoid，tanh和ReLU等（Han，Moraga，1995；Glorot，Bengio，2010；Nair，Hinton，2010）。池化层位于两个卷积层之间，其作用是将卷积层提取的事件特征信号进行降维处理，防止出现过拟合现象。典型的池化操作有最大池化、平均池化和随机池化。全连接层是当前层每个神经元与上一层所有神经元的连接，目的在于产生全局语义信息。卷积层的输出特征公式为：
![]()
图 3 本文采用的卷积神经网络结构Figure 3. The architecture of the proposed convolutional neural network$$ x_j^l ＝ f\left(\sum\limits_{i \in {M_j}} {{x^{l － 1}}k_{ij}^l ＋ b_j^l} \right) \text{，} $$ (1) 式中，$ {M_j} $为上层特征子集，$ l $为层数，$ x_j^l $为第$ l $层的第$ j $个特征图，$ b $表示偏置，$ k $表示卷积核，$ f $表示激活函数。
AlexNet卷积神经网络模型较早被提出且至今仍被广泛应用，该网络模型为2012年Krizhevsky赢得ILSVRC比赛冠军所用的模型，其主要由5个卷积层和3个全连接层组成，共包含约65万个神经元以及6 000万个可训练参数（Krizhevsky et al，2012）。为了适应小批量的训练集和验证集数据，更好地适应广东地区地震事件特征分类，本文将AlexNet模型的最后三层替换为全连接层、softmax层和分类输出层，并在全连接层中设置分类数目及增大其学习率因子以达到加快最终层学习速度的目的。Softmax函数将分类输出中的概率进行归一化处理，计算式为：
$${q_i} （ x ） ＝ \frac{{{{{\mathrm{e}}} ^{{{\textit{z}}_i} （ x ） }}}}{{{{{\mathrm{e}}} ^{{{\textit{z}}_1} （ x ） }} ＋ {{{\mathrm{e}}} ^{{{\textit{z}}_2} （ x ） }}}}\text{，} $$ (2) 式中，$ i ＝ 0\text{，} 1 $分别表示天然地震事件和人工爆破事件，$ {{\textit{z}}_i} （ x ） $是最后一层全连接层输出的未归一化的$ i $类概率。两个卷积层间采用的激活函数为ReLU （Nair，Hinton， 2010），其将特征映射中的所有负像素值替换为零的非线性操作极大地减少了计算量，加快了收敛速度；池化层采用最大池化函数（Zhou，Chellappa，1988），池化层各输出特征图计算方法为：
$$ x_j^l ＝ f ［ \beta _j^iD （ x{}_j^{l - 1} ） ＋ b_j^l ］ \text{，} $$ (3) 式中，$D （ ） $表示池化函数，每一个输出特征图对应一个权重系数$ \beta $和偏置$ b $。图3为本文所采用的卷积神经网络结构示意图。神经网在双GPU上运算，输入图片大小为227×227×3；各卷积层采用的卷积核大小依次为11×11，5×5，3×3，3×3，3×3；各池化层采用的最大池化操作都是3×3，即以3×3的窗口大小进行缩放，获取不同粗糙程度的特征。
2.2 代价函数
模型训练过程中，为了让实际网络输出更准确，需要调试各层的权值，故使用交叉熵作为代价函数计算预测值与真实值之间的误差并反向传播给各层，并更新各层权值，其计算方法为：
$$ H （ p\text{，} q ） ＝ - {\sum\limits_x} {p （ x ） \ln q （ x ） } \text{，} $$ (4) 式中：$ p $为真实概率值；$ q $为预测值，由CNN最后一层输出值经过Softmax函数计算后所得。
2.3 搭建卷积神经网络模型
针对波形分类问题，采用单台单通道60 s波形作为输入，输出判别结果为0 （天然地震）或1 （人工爆破）。卷积神经网络利用卷积操作提取波形特征，经过一系列计算和处理，最后采用类似投票的形式输出对应波形类别的概率。基于AlexNet卷积神经网络模型搭建的快速高效识别天然地震与人工爆破的识别器主要由两个模块组成：训练模块和测试模块，图4给出了两个模块的简化图。
![]()
图 4 基于AlexNet卷积神经网络模型搭建的人工爆破识别器流程图Figure 4. AlexNet-based blasting classifier flow chart训练模块的核心步骤包括：
1） 在模型构建之前，挑选信噪比高、记录清晰、波形震相明显且两类事件特征较突出的数据作为训练学习的素材，这将有利于模型快速抓取事件特征、快速生成适合区分广东省内地震波型类型的参数集。
2） 为训练数据集添加相应的事件类型标签。
3） 将用于训练的各类事件波形作为输入，利用AlexNet卷积神经网络对事件进行识别训练和验证。前人的研究表明概率阈值的设定对事件判别的准确率影响不大（Li et al，2018；郑周等，2023），即CNN对事件判定较为准确：对一个图片的判断概率值基本接近1或0，中间值很少。因此，对于本文研究的二分类，将概率阈值设为0.5。单次训练周期中根据迭代的次数随机选择计算验证集代价函数以及准确率，当验证集代价函数曲线趋于直线且识别准确率几乎不变时停止训练。随后根据验证集呈现的结果进行效能评估和模型优化，包括改变初始学习率、调整迭代次数、改变梯度下降速度等，使该模型更好地适应广东地区非天然地震的识别任务，进而让识别结果达到最优。
将用于测试的事件波形随机打乱后输入经参数优化后的卷积神经网络模型中，根据模型输出的事件概率大小，判定波形为天然地震事件或者人工爆破，构建一个自动识别器。
3. 结果分析
3.1 评价指标
虽然准确率A可以判断总的正确率，但在样本不均衡的情况下，并不能作为衡量结果的最优指标；在文中天然地震事件与人工爆破事件样本不均衡的情况下，引入精确率P、召回率R和F1分数（F1-score）对模型结果进行全面评价。其中精确率表示模型正确预测为正的样本的数量；召回率表示正例样本被预测出的数量；F1分数则是对精确率和召回率的一种调和平均。计算式为：
$$ A ＝ \frac{{{\mathrm{TP}} ＋ {\mathrm{TN}}}}{{{\mathrm{TP}} ＋ {\mathrm{TN}} ＋ {\mathrm{FP}} ＋ {\mathrm{FN}}}} \text{，} $$ (5) $$ P ＝ \frac{{{\mathrm{TP}}}}{{{\mathrm{TP}} ＋ {\mathrm{FP}}}}\text{，} $$ (6) $$ R ＝ \frac{{{\mathrm{TP}}}}{{{\mathrm{TP}} ＋ {\mathrm{FN}}}}\text{，} $$ (7) $${ F_1 }＝ {\frac{{2PR}}{P＋R}} \text{，} $$ (8) 式中：$ {\mathrm{TP}} $和$ {\mathrm{FP}} $分别代表真阳性（true positive，即天然地震波形正确预测为天然地震波形）和假阳性（false positive，即人工爆破波形错误预测为天然地震波形），而$ {\mathrm{TN}} $和$ {\mathrm{FN}} $代表真阴性（true negative，即人工爆破波形正确预测为人工爆破波形）和假阴性（false negative，即天然地震波形错误预测为人工爆破波形）。
3.2 验证集比例及训练样本数量对准确率的影响
在模型的训练模块中，将输入的训练数据集分为训练集和验证集，两者常见比例为7 ∶ 3或8 ∶ 2。为了得到最好的训练效果，先按不同比例分割训练所用数据，再进行测试，使用训练后验证集的准确率来评估效果。同样，为了测试不同训练样本数量对训练效果的影响，改变数据量比较大的天然地震事件的训练数量，查看验证集准确率的改变。
如图5a所示：当训练集与验证集比例大于3 ∶ 7后，根据式（5）计算的准确率A随比例小幅度增大，人工爆破的准确率在波动但总的趋势为随比例增大而增大，且天然地震事件的准确率高于95%；当比例为8 ∶ 2时，总准确率达到最大97.31%；当比例大于8 ∶ 2时（9 ∶ 1），总准确率呈下降趋势。可见，训练过程提供给模型学习的样本数应多于其用于验证模型参数以及评估模型效果的数量，此模型中训练集与验证集比例为8 ∶ 2时准确率达到最佳。如图5b所示，随着用于训练的天然地震事件数量增加，其准确率增加，当数量大于600后，准确率高于95%。人工爆破事件的准确率虽随地震数量增加而下降，但其准确率始终高于90%，如果有数量足够多的爆破素材且与天然地震数量相当，预计其准确率有望达到95%以上，模型学习效果也会更佳。
![]()
图 5 训练过程中训练集与验证集比例（a）及天然地震训练数量（b）与验证集准确率的对应关系Figure 5. Validation accuracies verus ratios of training and validation （a） and validation accuracies verus training sizes of natural earthquakes （b）3.3 神经网络训练结果
将用于训练学习的
1000 份天然地震波形和300份爆破波形按照8 ∶ 2的比例随机分为训练集和验证集后导入AlexNet卷积神经网络模型，详细训练过程如图6所示，整个训练过程用时7分4秒。由图可知，随着训练次数的增加，训练集的准确率逐渐上升并超越90%，最终稳定在某一数值附近；与此同时，代价函数曲线快速下降并最终稳定在相对较小的数值附近不再变化；需要强调的是，模型未发生过度拟合现象。最终，训练集准确率高达100%，验证集为97.31%。![]()
图 6 AlexNet卷积神经网络模型训练结果（a） 准确率；（b） 代价函数损失Figure 6. Training performance of convolutional neural network of AlexNet（a） Accuracy；（b） Cost function loss3.4 测试结果
对训练好的模型进行测试，将剩余的446份天然地震与94份人工爆破事件的波形随机打乱后导入模型中进行事件类型识别，识别完成花费时间不到2 s，准确识别样本数526个，准确率达到97.41%。用正确分类到不同波形类型的百分比来评估该网络模型的鲁棒性，从表1可以看出：天然地震的精确率达到98%以上，爆破精确率达到90%以上，得出该模型能有效识别广东地区的天然地震与人工爆破波形。
表 1 测试得到的地震与爆破的精确率、召回率和F1分数Table 1. Precision，recall and F1-score for two classification categories事件类型 精确率 召回率 F1分数 天然地震 0.989 0.980 0.984 人工爆破 0.908 0.947 0.927 如混淆矩阵（表2）所示（每一行之和表示该类别的真实样本数量，每一列之和表示被预测为该类别的样本数），天然地震波形出现了9次分类错误，人工爆破出现了5次分类错误，从比例可以看出，该模型对天然地震波形的识别率优于人工爆破。
表 2 测试识别结果的混淆矩阵Table 2. Confusion matrix of waveform classification天然地震预测值 人工爆破预测值 天然地震真实值 437 9 人工爆破真实值 5 89 4. 讨论与结论
为解决广东台网目前费时又考验工作人员专业知识的靠人工的事件分类难题，并且为探索卷积神经网络模型在天然地震与人工爆破识别应用中的泛化性，本文构建了AlexNet卷积神经网络模型，并利用广东省台网编目入库事件震中距30 km内的单台垂直向波形，训练模型并优化参数后进一步测试该模型，尝试搭建人工爆破自动识别器，获得如下认识：
1） 对训练好的模型进行测试，共 540份样本中，正确识别526份，准确率达97.41%，其中天然地震事件和人工爆破事件的精确率、召回率以及F1分数分别均大于0.98和0.90。从实际应用而言，因为广东地区的爆破震级不大，所以保证地震目录完备性和准确性更具重要意义，因此要求天然地震事件的精确率和召回率高于爆破，实验结果说明AlexNet卷积神经网络模型对地震与爆破的识别率高，且拥有基本不漏地震事件的能力，具有较好的实际应用价值；
2） 训练AlexNet卷积神经网络模型所需要的样本不仅前期处理简单且所需训练的数据量少，当样本数多于600时，准确率可高于95%，虽然此处的样本数量600不一定存在普适性，但可以看出训练样本数达到百级后，该卷积神经网络便可得到较高的准确率，颇具高效性；
3） 随着天然地震样本数增加，天然地震识别率上升，人工爆破下降（图5b），这是因为模型接收了更多天然地震的信息和特征，对地震的适应性更高，随着时间推移，爆破素材不断累积，便可持续不断往模型中输入新的训练数据，这将不断提高爆破事件识别的适应性和准确性，进一步提高其识别率。
本文模型训练所用人工爆破事件数量不够充足，该实验结果并不能代表卷积神经网络模型未来的实际应用效果。但实验结果显示：基于AlexNet卷积神经网络模型对广东天然地震与人工爆破的事件波形类型识别准确率达97%以上，天然地震事件的精确率、召回率以及F1分数均大于0.98，能够满足及时准确地从天然地震目录中剔除人工爆破事件保证目录完备性和准确性的要求，有利于区域强震预测及地震危险性评估；另外，随着后续更多爆破事件素材的输入，将进一步提高模型对人工爆破的识别率，基于该模型搭建的爆破识别器将能为广东省地震台网工作节省大量时间和人力成本，并为震后应急工作提供类型结果支撑。未来研究方向将围绕识别器实用化展开，立足于广东省地震台网记录资料，通过不断检验，进一步提高识别器的准确性和稳健性，并将其应用于实际地震预警与日常地震监测中。
-
![]()
图 4 2021年固原震群多阶段定位结果
（a） 震源深度平面分布；（b） 震源深度沿剖面AA′的分布；（c） 震源深度沿剖面BB′的分布
Figure 4. Multi-stage relocating result of Guyuan earthquake swarm
（a） Horizontal distribution of focal depths；（b） Distribution of focal depths along the profile AA′； （c） Distribution of focal depths along the profile BB′
![]()
图 1 2021年固原震群原始目录的震中及周边台站分布（a），震群M-t图（b）和地震频次N-t图（c）
图（c）中直方图里每个柱状条上方为单日可定位的地震次数
Figure 1. Distribution of epicenters and stations （a），M-t （b） and earthquake frequency N-t （c） diagrams of the 2021 Guyuan earthquake swarm from the original catalog
In Fig. （c），the number on every bar in the histogram denotes daily number of locatable earthquakes
![]()
图 2 固原震群三次ML≥3.0地震震源区及其附近初至P震相走时残差三维切片（左）及其残差随震源深度的变化曲线（右）
（a） 2021年6月22日ML3.6；（b） 2021年6月25日ML3.3；（c） 2021年6月26日ML3.2
Figure 2. 3D slices of the travel time residuals of first arrival P phase in the earthquake source regions and their vicinities （left） and variation of the travel time residuals of first arrival P phase with focal depth （right）
（a） The ML3.6 Guyuan earthquake on June 22，2021；（b） The ML3.3 Guyuan earthquake on June 25，2021；（c） The ML3.2 Guyuan earthquake on June 26，2021
![]()
图 3 固原地区ML≥1.0地震的震相和达曲线
红色虚线为拟合直线的2.5倍均方差范围
Figure 3. Wadadi diagram and the phase data of ML≥1.0 earthquakes
Red dashed lines are the range of 2.5 times mean variance of the fit line
![]()
图 5 基于匹配定位方法的2021年6月22日ML3.6地震自检（a）和2021年6月26日一次ML0.9地震检测（b）
波形左侧字母为台站名及波形三分量，右侧数字为模板波形与检测波形的平均相关系数；红线和灰线分别代表模板波形和待检测连续波形
Figure 5. Self-detection of ML3.6 earthquake on June 22，2021 （Beijing Time）（a） and detection of the ML0.9 earthquake on June 26，2021 （Beijing Time）（b） based on Match & Locate method
The letters on the left side of the waveform represent the station name and the three components of the waveform，and the numbers on the right side represent the correlation coefficients between the template waveform and detected waveform. The red and gray lines represent the template waveforms and the continuous waveforms to be detected respectively
![]()
图 6 2021年固原震群基于微震匹配定位方法的检测结果
（a） 震源深度平面分布；（b） 震中随时间的分布；（c） 震源深度沿剖面AA′的分布；（d） 震源深度沿剖面BB′的分布；（e） 震源深度直方图
Figure 6. Distribution of detected events of Guyuan earthquake swarm in 2021 by Match&Locate method
（a） Horizontal distribution of focal depths；（b） Epicentral distribution with time；（c） Distribution of focal depths along the profile AA′；（d） Distribution of focal depths along the profile BB′；（e） Focal depths histogram
![]()
图 7 固原ML3.6地震震源机制反演残差随深度变化（左）及最佳拟合深度处的波形拟合图（右）
波形左侧的大写字母为台站名，字母的右侧数字为方位角（单位：°），字母下方分别为震中距（单位：km）和相对偏移时间（单位：s），波形下方的两行数字分别为理论波形（红色）相对于实际波形（黑色）的移动时间（单位：s）和二者的相关系数
Figure 7. Variation of fitting residual with focal depth during focal mechanism inversion for the ML3.6 Guyuan earthquake （left） and waveforms fitting at the best fitting depth （right）
The capital letters on the left side of the waveforms denote seismic stations. The numbers on the right side of letters denote the azimuths （in degrees）. Below the letters are the epicenters （in kilometers） and the relative offset times （in seconds） respectively. The two rows of numbers below the waveforms denote the time movement （in seconds） of the theoretical waveform （in red） relative to the actual waveform （in black） and their correlation coefficients，respectively
![]()
图 8 2021年固原震群中ML≥2.8地震通过各方法所得的震源机制解（a）及其中心解参数玫瑰图（b）
Figure 8. Focal mechanism results of ML≥2.8 earthquakes of Guyuan earthquake swarm by various methods （a） and the rose diagrams of parameters from the central focal mechanism solution （b）
![]()
图 9 固原震群两个重定位结果的断层面参数
（a） 基于多阶段定位结果的断层面拟合（81个ML1.0以上地震事件）；（b） 基于微震匹配定位结果的断层面拟合（901个ML0.0以上地震事件）
Figure 9. Fault plane parameters from two relocation results of Guyuan earthquake swarm in 2021
（a） Fault plane fitting of multi-stage location result （81 seismic events with ML≥1.0）；（b） Fault plane fitting of microseismic matching location result （901 seismic events with ML≥0.0）
![]()
图 10 2021年固原震群的发震构造
（a） 重定位地震、区域主压应力方向及震源机制平面分布；（b） 跨发震断层的震源深度及震源机制的垂直剖面BB'
Figure 10. Seismogenic structure of Guyuan earthquake swarm in 2021
（a） Horizontal distribution of relocated earthquakes，regional principal compressive stress direction，and focal mechanisms；（b） Vertical section BB' across the seismogenic fault of focal depths and focal mechanisms
表 1 本研究获取的固原地区一维速度模型
Table 1 1-D velocity structure for the Guyuan region obtained in this study
层号 顶层深度
/kmvP
/（ km·s−1）层号 顶层深度
/kmvP
/（ km·s−1）1 0 4.78 11 14.0 5.87 2 1.0 4.82 12 16.0 5.97 3 1.5 4.90 13 18.0 6.05 4 2.0 5.00 14 20.0 6.06 5 2.5 5.11 15 24.0 6.17 6 3.0 5.22 16 28.0 6.35 7 3.5 5.28 17 34.0 6.42 8 4.0 5.69 18 42.0 6.55 9 6.0 5.74 19 52.0 7.63 10 12.0 5.77 
下载: 导出CSV
表 2 各种阈值的微震检测结果与原始地震目录结果对比
Table 2 Comparison of microseismic detection results with different threshold with the result from the original earthquake catalog
检测阈值 检测
地震数有效
地震数漏检
地震数误检
地震数与原始目录
匹配的地震数互相关系数 绝对离差中位数 原始目录 348 348 − − 348 0.29 10倍 956 901 0 55 348 0.30 10倍 901 901 0 0 348 0.31 12倍 845 845 56 0 321
下载: 导出CSV
表 3 2021年固原震群ML≥2.8地震事件基于不同反演方法所得的震源机制解参数
Table 3 Focal mechanism solution parameters by different inversion methods for ML≥2.8 earthquakes of Guyuan earthquake swarm
° 序号 地震
事件反演
方法节面Ⅰ 节面Ⅱ P轴 T轴 B轴 走向 倾角 滑动角 走向 倾角 滑动角 方位 倾伏角 方位 倾伏角 方位 倾伏角 1 2 021-06-13
ML2.8Snoke 147 62 34 39 60 147 273 1 4 43 182 47 HASH 135 88 17 44 73 178 268 11 1 13 141 73 中心解 140 75 24 42 67 163 269 5 2 28 171 61 2 2 021-06-15
ML2.8Snoke 134 74 29 35 62 162 263 8 357 32 160 57 HASH 123 66 −9 217 82 −156 83 23 348 11 234 65 中心解 130 69 11 35 81 159 84 8 351 22 193 67 3 2 021-06-21
ML2.8Snoke 148 60 35 39 60 145 93 0 3 45 184 45 HASH 128 82 −10 219 80 −172 83 13 173 1 270 77 中心解 135 69 11 41 81 159 90 8 357 22 199 67 4 2 021-06-22
ML3.6Snoke 145 62 29 40 65 149 93 2 2 39 185 51 HASH 127 69 0 217 90 −159 84 15 350 15 217 69 gCAP 150 64 19 51 73 153 102 6 9 31 202 58 中心解 140 64 16 43 77 153 94 8 359 28 199 60 5 2 021-06-25
ML3.3Snoke 194 49 −166 95 79 −42 46 36 151 20 263 47 HASH 196 63 −157 95 70 −29 54 35 147 4 243 55 中心解 195 56 −161 94 75 −37 49 36 148 13 254 51 6 2 021-06-26
ML3.2Snoke 305 76 −11 38 79 −166 262 18 171 2 74 72 HASH 312 68 −6 44 84 −158 270 20 176 11 59 67 中心解 307 71 −10 41 82 −162 265 20 172 7 64 69
下载: 导出CSV
表 4 2021年固原震群的断层面参数
Table 4 Fault plane parameters of 2021 Guyuan earthquake swam
断层面拟合方法的
输入数据震级下限 走向/° 倾角/° 滑动角/° 倾向 错动性质 多阶段定位结果数据 ML1.0 298 86 −46 NE 左旋走滑 微震匹配定位结果数据 ML0.0 302 78 −24 NE 左旋走滑
下载: 导出CSV
-
邓世广,蒋海昆. 2022. 2020年伽师MS6.4地震前震活动研究[J]. 地球物理学报,65(9):3322–3334. doi: 10.6038/cjg2022P0488 Deng S G,Jiang H K. 2022. Investigation of the foreshock activity of the 2020 MS6.4 Jiashi earthquake[J]. Chinese Journal of Geophysics,65(9):3322–3334 (in Chinese).
国家地震局地学断面编委会. 1992. 青海门源至福建宁德地学断面(1 ∶ 1 000 000)[M]. 北京:地震出版社:1−43. Editorial Board of Geoscience Transect,State Seismological Bureau. 1992. The Geoscience Transection From Menyuan,Qinghai to Ningde,Fujian (1 ∶ 1 000 000)[M]. Beijing:Seismological Press:1−43 (in Chinese).
雷兴林,王志伟,马胜利,何昌荣. 2021. 关于2021年5月滇西漾濞MS6.4地震序列特征及成因的初步研究[J]. 地震学报,43(3):261–286. doi: 10.11939/jass.20210100 Lei X L,Wang Z W,Ma S L,He C R. 2021. A preliminary study on the characteristics and mechanism of the May 2021 MS6.4 Yangbi earthquake sequence,Yunnan,China[J]. Acta Seismologica Sinica,43(3):261–286 (in Chinese).
李姣,姜金钟,杨晶琼. 2020. 2017年漾濞MS4.8和MS5.1地震序列的微震检测及重定位[J]. 地震学报,42(5):527–542. doi: 10.11939/jass.20190161 Li J,Jiang J Z,Yang J Q. 2020. Microseismic detection and relocation of the 2017 MS4.8 and MS5.1 Yangbi earthquake sequence,Yunnan[J]. Acta Seismologica Sinica,42(5):527–542 (in Chinese).
李静,李营,陆丽娜,孙凤霞,谢超,崔月菊. 2017. 六盘山地区泉水地球化学特征[J]. 地震,37(1):61–72. doi: 10.3969/j.issn.1000-3274.2017.01.007 Li J,Li Y,Lu L N,Sun F X,Xie C,Cui Y J. 2017. Geochemistry of spring water in the Liupan mountain area[J]. Earthquake,37(1):61–72 (in Chinese).
李强,江在森,武艳强,赵静,魏文薪,刘晓霞. 2013. 海原—六盘山断裂带现今构造变形特征[J]. 大地测量与地球动力学,33(2):18–22. Li Q,Jiang Z S,Wu Y Q,Zhao J,Wei W X,Liu X X. 2013. Present-day tectonic deformation characteristics of Haiyuan-Liupanshan fault zone[J]. Journal of Geodesy and Geodynamics,33(2):18–22 (in Chinese).
刘兴旺,袁道阳,史志刚,苏琦. 2015. 六盘山断裂带构造活动特征及流域盆地地貌响应[J]. 地震工程学报,37(1):168–174. doi: 10.3969/j.issn.1000-0844.2015.01.0168 Liu X W,Yuan D Y,Shi Z G,Su Q. 2015. Tectonic activity characteristics of the Liupanshan fault zone and geomorphologic response of drainage basin[J]. China Earthquake Engineering Journal,37(1):168–174 (in Chinese).
龙锋,祁玉萍,易桂喜,吴微微,王光明,赵小艳,彭关灵. 2021. 2021年5月21日云南漾濞MS6.4地震序列重新定位与发震构造分析[J]. 地球物理学报,64(8):2631–2646. doi: 10.6038/cjg2021O0526 Long F,Qi Y P,Yi G X,Wu W W,Wang G M,Zhao X Y,Peng G L. 2021. Relocation of the MS6.4 Yangbi earthquake sequence on May 21,2021 in Yunnan Province and its seismogenic structure analysis[J]. Chinese Journal of Geophysics,64(8):2631–2646 (in Chinese).
石富强,熊熊,王朋涛,苏利娜,单斌,朱琳,邵志刚. 2023. 2016年以来门源2次6级地震的应力触发及其对祁连—海原断裂带地震危险性的指示[J]. 地球物理学报,66(8):3230–3241. Shi F Q,Xiong X,Wang P T,Su L N,Shan B,Zhu L,Shao Z G. 2023. Stress interaction between the two M>6 earthquake since 2016 and its implication on the seismic hazard along the Qilian-Haiyuan fault zone[J]. Chinese Journal of Geophysics,66(8):3230–3241 (in Chinese).
石富强,王芃,杨晨艺,王光明,刘洁,邵志刚,王庆林,贾若. 2024. 全球火山活动时空分布特征及其对强震活动趋势的指示[J]. 地震学报,46(2):273–291. Shi F Q,Wang P,Yang C Y,Wang G M,Liu J,Shao Z G,Wang Q L,Jia R. 2024. Spatio-temporal distribution characteristics of the worldwide volcano activity and their implication to the strong earthquake trends[J]. Acta Seismologica Sinica,46(2):273–291 (in Chinese).
施炜,张岳桥,马寅生,刘刚,武丽. 2006. 六盘山盆地形成和改造历史及构造应力场演化[J]. 中国地质,33(5):1066–1074. doi: 10.3969/j.issn.1000-3657.2006.05.016 Shi W,Zhang Y Q,Ma Y S,Liu G,Wu L. 2006. Formation and modification history of the Liupanshan basin on the southwestern margin of the Ordos block and tectonic stress field evolution[J]. Geology in China,33(5):1066–1074 (in Chinese).
司学芸,李英,姚琳. 2011. 固原硝口温泉CO2气体异常与映震效应[J]. 地震地磁观测与研究,32(3):88–94. doi: 10.3969/j.issn.1003-3246.2011.03.015 Si X Y,Li Y,Yao L. 2011. Reflecting earthquake effectivity of the CO2 anomalies at Xiaokou hot spring in Guyuan county[J]. Seismological and Geomagnetic Observation and Research,32(3):88–94 (in Chinese).
万永革,沈正康,刁桂苓,王福昌,胡新亮,盛书中. 2008. 利用小震分布和区域应力场确定大震断层面参数方法及其在唐山地震序列中的应用[J]. 地球物理学报,51(3):793–804. doi: 10.3321/j.issn:0001-5733.2008.03.020 Wan Y G,Shen Z K,Diao G L,Wang F C,Hu X L,Sheng S Z. 2008. An algorithm of fault parameter determination using distribution of small earthquakes and parameters of regional stress field and its application to Tangshan earthquake sequence[J]. Chinese Journal of Geophysics,51(3):793–804 (in Chinese).
万永革. 2019. 同一地震多个震源机制中心解的确定[J]. 地球物理学报,62(12):4718–4728. doi: 10.6038/cjg2019M0553 Wan Y G. 2019. Determination of center of several focal mechanisms of the same earthquake[J]. Chinese Journal of Geophysics,62(12):4718–4728 (in Chinese).
王椿镛,林中洋,陈学波. 1995. 青海门源—福建宁德地学断面综合地球物理研究[J]. 地球物理学报,38(5):590–598. doi: 10.3321/j.issn:0001-5733.1995.05.005 Wang C Y,Lin Z Y,Chen X B. 1995. Comprehensive study of geophysics on geoscience transect from Menyuan,Qinghai Province,to Ningde,Fujian Province,China[J]. Acta Geophysica Sinica,38(5):590–598 (in Chinese).
谢富仁,舒塞兵,窦素芹,张世民,崔效锋. 2000. 海原、六盘山断裂带至银川断陷第四纪构造应力场分析[J]. 地震地质,22(2):139–146. doi: 10.3969/j.issn.0253-4967.2000.02.006 Xie F R,Shu S B,Dou S Q,Zhang S M,Cui X F. 2000. Quaternary tectonic stress field in the region of Haiyuan-Liupanshan fault zone to Yinchuan fault depression[J]. Seismology and Geology,22(2):139–146 (in Chinese).
许英才,王琼,曾宪伟,马禾青,许文俊,金涛. 2018. 鄂尔多斯地块西缘莫霍面起伏及泊松比分布[J]. 地震学报,40(5):563–581. Xu Y C,Wang Q,Zeng X W,Ma H Q,Xu W J,Jin T. 2018. Moho depth and Poisson’s ratio distribution in the western edge of Ordos block[J]. Acta Seismologica Sinica,40(5):563–581 (in Chinese).
许英才,高原,石玉涛,王琼,陈安国. 2019. 鄂尔多斯块体西缘地壳介质各向异性:从银川地堑到海原断裂带[J]. 地球物理学报,62(11):4239–4258. doi: 10.6038/cjg2019M0309 Xu Y C,Gao Y,Shi Y T,Wang Q,Chen A G. 2019. Crustal seismic anisotropy in the west margin of the Ordos block:From the Yinchuan graben to the Haiyuan fault zone[J]. Chinese Journal of Geophysics,62(11):4239–4258 (in Chinese).
许英才,郭祥云,冯丽丽. 2022a. 2022年1月8日青海门源MS6.9地震序列重定位和震源机制解研究[J]. 地震学报,44(2):195–210. Xu Y C,Guo X Y,Feng L L. 2022a. Relocation and focal mechanism solutions of the MS6.9 Menyuan earthquake sequence on January 8,2022 in Qinghai Province[J]. Acta Seismologica Sinica,44(2):195–210 (in Chinese).
许英才,郭祥云,曾宪伟. 2022b. 三种方法分析2017年宁夏固原MS4.6地震的震源机制解[J]. 地震工程学报,44(5):1136–1150. Xu Y C,Guo X Y,Zeng X W. 2022b. Focal mechanism solution of Guyuan,Ningxia MS4.6 earthquake in 2017 determined by three methods[J]. China Earthquake Engineering Journal,44(5):1136–1150 (in Chinese).
许英才,曾宪伟. 2022. 2021年11月18日宁夏灵武MS4.0地震震源参数研究[J]. 地球与行星物理论评,53(2):214–227. Xu Y C,Zeng X W. 2022. Source parameters of the MS4.0 Lingwu earthquake on November 18th,2021[J]. Reviews of Geophysics and Planetary Physics,53(2):214–227 (in Chinese).
杨明芝,马禾青,廖玉华. 2007. 宁夏地震活动与研究[M]. 北京:地震出版社:41−47. Yang M Z,Ma H Q,Liao Y H. 2007. Ningxia Earthquake Activity and Research[M]. Beijing:Seismological Press:41−47 (in Chinese).
易桂喜,龙锋,梁明剑,赵敏,王思维,宫悦,乔慧珍,苏金蓉. 2019. 2019年6月17日四川长宁MS6.0地震序列震源机制解与发震构造分析[J]. 地球物理学报,62(9):3432–3447. doi: 10.6038/cjg2019N0297 Yi G X,Long F,Liang M J,Zhao M,Wang S W,Gong Y,Qiao H Z,Su J R. 2019. Focal mechanism solutions and seismogenic structure of the 17 June 2019 MS6.0 Sichuan Changning earthquake sequence[J]. Chinese Journal of Geophysics,62(9):3432–3447 (in Chinese).
曾宪伟,莘海亮,马翀之,许晓庆. 2017a. 利用初至P震相测定石嘴山ML4.4地震序列的震源深度[J]. 地震学报,39(1):13–22. Zeng X W,Xin H L,Ma C Z,Xu X Q. 2017a. Calculation of focal depths of Shizuishan ML4.4 earthquake sequence by using the first arrival P phases[J]. Acta Seismologica Sinica,39(1):13–22 (in Chinese).
曾宪伟,姚华建,莘海亮. 2017b. 宁夏石嘴山震群的微震匹配定位及其发震构造[J]. 地震地质,39(4):735–753. Zeng X W,Yao H J,Xin H L. 2017b. Match and locate for small event detection of Ningxia Shizuishan earthquake swarm and investigation of its seismogenic fault[J]. Seismology and Geology,39(4):735–753 (in Chinese).
曾宪伟,闻学泽,龙锋. 2019. 由初至P震相重新定位2017年九寨沟地震序列的主震与ML3.0余震并分析发震构造[J]. 地球物理学报,62(12):4604–4619. doi: 10.6038/cjg2019M0604 Zeng X W,Wen X Z,Long F. 2019. Relocating the mainshock and ML≥3.0 aftershocks of the 2017 Jiuzhaigou sequence using first arriving P-phase only and reanalyzing the seismogenic structure[J]. Chinese Journal of Geophysics,62(12):4604–4619 (in Chinese).
张培震. 1999. 中国大陆岩石圈最新构造变动与地震灾害[J]. 第四纪研究,19(5):404–413. doi: 10.3321/j.issn:1001-7410.1999.05.003 Zhang P Z. 1999. Late Quaternary tectonic deformation and earthquake hazard in continental China[J]. Quaternary Sciences,19(5):404–413 (in Chinese).
张晖,谭毅培,马婷,翟浩,张珂,李娟. 2021. 2020年和林格尔ML4.5地震微震匹配定位及发震构造探讨[J]. 中国地震,37(2):430–441. doi: 10.3969/j.issn.1001-4683.2021.02.015 Zhang H,Tan Y P,Ma T,Zhai H,Zhang K,Li J. 2021. Microseismic matching location of the 2020 Horiger ML4.5 earthquake sequence and the seismogenic structure analysis[J]. Earthquake Research in China,37(2):430–441 (in Chinese).
赵荣国. 1998. 三种震群活动[J]. 国际地震动态,(9):13–19. Zhao R G. 1998. Three types of swarm activities[J]. Recent Developments in World Seismology,(9):13–19 (in Chinese).
中国地震局. 1998. 地震现场工作大纲和技术指南[M]. 北京:地震出版社:15−40. China Earthquake Administration. 1998. Outlines and Technology Guide of On-the-Spot Work on Earthquake[M]. Beijing:Seismological Press:15−40 (in Chinese).
Chang L J,Ding Z F,Wang C Y,Flesch L M. 2017. Vertical coherence of deformation in lithosphere in the NE margin of the Tibetan Plateau using GPS and shear-wave splitting data[J]. Tectonophysics,699:93–101. doi: 10.1016/j.tecto.2017.01.025
Crotwell H P,Owens T J,Ritsema J. 1999. The TauP Toolkit:Flexible seismic travel-time and ray-path utilities[J]. Seismol Res Lett,70(2):154–160. doi: 10.1785/gssrl.70.2.154
Hardebeck J L,Shearer P M. 2002. A new method for determining first-motion focal mechanisms[J]. Bull Seismol Soc Am,92(6):2264–2276. doi: 10.1785/0120010200
Hardebeck J L,Shearer P M. 2003. Using S/P amplitude ratios to constrain the focal mechanisms of small earthquakes[J]. Bull Seismol Soc Am,93(6):2434–2444. doi: 10.1785/0120020236
Ji S C,Wang Q,Salisbury M H. 2009. Composition and tectonic evolution of the Chinese continental crust constrained by Poisson’s ratio[J]. Tectonophysics,463(1/2/3/4):15–30.
Kissling E. 1988. Geotomography with local earthquake data[J]. Rev Geophys,26(4):659–698. doi: 10.1029/RG026i004p00659
Kissling E,Ellsworth W L,Eberhart-Phillips D,Kradolfer U. 1994. Initial reference models in local earthquake tomography[J]. J Geophys Res:Solid Earth,99(B10):19635–19646. doi: 10.1029/93JB03138
Klein F W. 2002. User’s Guide to HYPOINVERSE-2000:A Fortran Program to Solve for Earthquake Locations and Magnitudes[R]. Menlo Park:U.S. Geological Survey:1−121.
Lei X L,Xie C D,Fu B H. 2011. Remotely triggered seismicity in Yunnan,southwestern China,following the 2004 MW9.3 Sumatra earthquake[J]. J Geophys Res:Solid Earth,116(B8):B08303.
Li Y C,Qu C Y,Shan X J,Song X G,Zhang G H,Gan W J,Wen S Y,Wang Z J. 2015. Deformation of the Haiyuan-Liupanshan fault zone inferred from the denser GPS observations[J]. Earthq Sci,28(5/6):319–331.
Long F,Wen X Z,Ruan X,Zhao M,Yi G X. 2015. A more accurate relocation of the 2013 MS7.0 Lushan,Sichuan,China,earthquake sequence,and the seismogenic structure analysis[J]. J Seismol,19(3):653–665. doi: 10.1007/s10950-015-9485-0
Luo G F,Ding F H,Xu Y C,Luo H Z,Li W J. 2023. Strain fields of MS＞6.0 earthquakes in Menyuan,Qinghai,China[J]. Frontier in Earth Science,11:1152348. doi: 10.3389/feart.2023.1152348
Peng Z G,Zhao P. 2009. Migration of early aftershocks following the 2004 Parkfield earthquake[J]. Nat Geosci,2(12):877–881. doi: 10.1038/ngeo697
Shi Y T,Gao Y,Shen X Z,Liu K H. 2020. Multiscale spatial distribution of crustal seismic anisotropy beneath the northeastern margin of the Tibetan Plateau and tectonic implications of the Haiyuan fault[J]. Tectonophysics,774:228274. doi: 10.1016/j.tecto.2019.228274
Snoke J A,Munsey J W,Teague A C. 1984. A program for focal mechanism determination by combined use of polarity and SV-P amplitude ratio data[J]. Earthq Notes,55(3):15.
Snoke J A. 2003. FOCMEC:Focal mechanism determinations[J]. Int Geophys,81:1629–1630.
Waldhauser F,Ellsworth W L. 2000. A double-difference earthquake location algorithm:Method and application to the northern Hayward fault,California[J]. Bull Seismol Soc Am,90(6):1353–1368. doi: 10.1785/0120000006
Wan Y G. 2010. Contemporary tectonic stress field in China[J]. Earthq Sci,23(4):377–386. doi: 10.1007/s11589-010-0735-5
Wessel P,Luis J F,Uieda L,Scharroo R,Wobbe F,Smith W H F,Tian D D. 2019. The Generic Mapping Tools Version 6[J]. Geochem Geophys Geosyst,20(11):5556–5564.
Zhang M,Wen L X. 2015a. An effective method for small event detection:Match and locate (M&L)[J]. Geophys J Int,200(3):1523–1537. doi: 10.1093/gji/ggu466
Zhang M,Wen L X. 2015b. Seismological evidence for a low-yield nuclear test on 12 May 2010 in North Korea[J]. Seismol Res Lett,86(1):138–145. doi: 10.1785/02201401170
Zhang M,Wen L X. 2015c. Earthquake characteristics before eruptions of Japan’s Ontake volcano in 2007 and 2014[J]. Geophys Res Lett,42(17):6982–6988. doi: 10.1002/2015GL065165
Zhang X,Sanderson D J. 1996. Numerical modelling of the effects of fault slip on fluid flow around extensional faults[J]. J Struct Geol,18(1):109–119. doi: 10.1016/0191-8141(95)00086-S
Zhu L P,Helmberger D V. 1996. Advancement in source estimation techniques using broadband regional seismograms[J]. Bull Seismol Soc Am,86(5):1634–1641. doi: 10.1785/BSSA0860051634
Zhu L P,Rivera L A. 2002. A note on the dynamic and static displacements from a point source in multilayered media[J]. Geophys J Int,148(3):619–627. doi: 10.1046/j.1365-246X.2002.01610.x
Zhu L P,Ben-Zion Y. 2013. Parametrization of general seismic potency and moment tensors for source inversion of seismic waveform data[J]. Geophys J Int,194(2):839–843. doi: 10.1093/gji/ggt137
计量
- 文章访问数: 284
- HTML全文浏览量: 89
- PDF下载量: 140
