长宁—兴文地区应力降等震源参数与区域内显著地震的时空关系

何鑫俊, 张晓东, 孟令媛, 王月

何鑫俊,张晓东,孟令媛,王月. 2023. 长宁—兴文地区应力降等震源参数与区域内显著地震的时空关系. 地震学报,45(2):271−284. DOI: 10.11939/jass.20210196
引用本文: 何鑫俊,张晓东,孟令媛,王月. 2023. 长宁—兴文地区应力降等震源参数与区域内显著地震的时空关系. 地震学报,45(2):271−284. DOI: 10.11939/jass.20210196
He X J,Zhang X D,Meng L Y,Wang Y. 2023. Spatio-temporal relationship between source parameters such as stress drop and significant earthquakes in Changning-Xingwen area. Acta Seismologica Sinica45(2):271−284. DOI: 10.11939/jass.20210196
Citation: He X J,Zhang X D,Meng L Y,Wang Y. 2023. Spatio-temporal relationship between source parameters such as stress drop and significant earthquakes in Changning-Xingwen area. Acta Seismologica Sinica45(2):271−284. DOI: 10.11939/jass.20210196

长宁—兴文地区应力降等震源参数与区域内显著地震的时空关系

基金项目: 国家自然科学基金(41974068)和中国地震科学实验场的地震可预测性国际合作研究(2018YFE0109700)共同资助
详细信息
    作者简介:

    何鑫俊,在读硕士研究生,主要从事数字地震学研究,e-mail:hxj_828@126.com

    通讯作者:

    张晓东,研究员,主要从事地震活动性和地震预测研究,e-mail:zxd@ief.ac.cn

  • 中图分类号: P315.72

Spatio-temporal relationship between source parameters such as stress drop and significant earthquakes in Changning-Xingwen area

  • 摘要: 基于中国地震台网提供的震相观测报告,利用双差方法对长宁—兴文地区2019—2020年1 948个ML≥2.0地震事件进行了重定位,重定位后的1823个ML≥2.0地震事件分布显示长宁—兴文地区北区地震序列沿NW—SE方向背斜展布,而南区地震分布较分散。之后计算了四川长宁—兴文地区2019年6月17日至2020年12月31日208个ML≥3.0地震事件的地震矩和应力降等震源参数,分析了2019年6月17日长宁MS6.0地震后研究区内地震应力降的演化特征,结果显示长宁—兴文地区中强地震发生前ML3.0—3.9地震的应力降显著升高,且ML≥4.0地震多发生在ML3.0—3.9地震的应力降高值区。
    Abstract: A MS6.0 earthquake with a focal depth of 16 km occurred with the epicenter of (28.34°N, 104.90°E) in Changning county, Yibin city, Sichuan Province on June 17, 2019. There were three strong aftershocks above MS5.0 within five days after the Changning earthquake and another MS5.6 earthquake occurred in Gongxian County on July 4. This paper relocated 1948 ML≥2.0 earthquakes in Changning-Xingwen area during 2019 to 2020 by the double difference method based on the seismic phase observation report provided by China Earthquake Networks Center. The distribution of 1 823 earthquakes above ML2.0 after relocation shows that the aftershock sequence in the northern area of Changning spreads along the NW−SE direction anticline. Moreover, the earthquakes in southern area is more scattered. We calculated source parameters such as seismic moment and stress drop based on 208 earthquakes above ML3.0 in Changning-Xingwen area, Sichuan from 17 June 2019 to 31 December 2020, and analyzed the evolution characteristics of seismic stress drop in the region before and after the Changning MS6.0 earthquake on June 17, 2019. The results show that the stress drop of ML3.0−3.9 earthquakes significantly increased in Changning-Xingwen area before the moderate strong aftershocks, and most of the earthquakes above ML4.0 occurred in the high stress drop area of ML3.0−3.9 earthquakes in the study area.
  • 矿震是由开采而产生的一种诱发性地震,随着矿井的开采,井下聚集大量能量并在超过临界点时释放,严重时会造成顶板事故、冲击地压、煤与瓦斯突出等煤矿突发事故(Ursano et al,2006李长洪等,2009Grayson et al,2009陈光波等,2021)。矿山微震信号拾取对于矿震监测和矿山的安全生产具有重要意义。如何快速准确地识别微震事件和如何进行高质量震相拾取成了矿震检测最急迫的问题(Dubey,Barnard,1997)。矿山微震与天然地震有很大的区别,主要表现在:矿山微震频发且震源位置相对较浅,发震位置与台阵仅相隔几千米,台阵接收到的波形数据中P波与S波的到时接近,难以区分;矿震的震动能量相比天然地震小,持续时间较短,但震源深度较浅,发生的大能量微震事件会诱发灾害,造成的危害大;微震数据尽管也有标记实例,但数据集少,不适合大规模数据集的深度学习。

    将微震检测系统用于微震的检测和数据的传递,能够采集矿井中的微震信息。然而由于机器震动、人员车辆走动等环境的影响,检测系统采集到的微震信号中会包含大量的噪声,增加事件的识别难度(陈泽等,2020)。长期以来,微震检测和初至到时拾取都是通过人工或低精度自动算法来完成。人工拾取方法可以通过预处理的方式达到极高的精度,但是耗时长,面对大量微震数据时效率低。传统的自动检测方法,如长短时窗能量比法(short time average over long time average,缩写为STA/LTA),该方法应用于不同矿区和不同信噪比的波形数据时具有较大的误差,且准确率不够稳定,严重时甚至会出现检测后仍需人工重新标注的情况,大大增加了人工成本(Akaike,1974Allen,1982Vaezi,van der Baan,2015Zhang et al,2018王议迎等,2021)。

    早在二十世纪九十年代,深度学习就已应用于地震检测,实现了对波形的广义检测(Dai,Macbeth,1995)。深度学习通过大量有标签的样本实例进行训练,可以挖掘出样本中的深层次特征。基于该特点,深度学习在地震领域的应用取得了不错的成绩。Wang等(2021)提出了基于深度卷积神经网络的Dpick神经网络算法,利用深度卷积的特征提取功能实现了较高精度的P波拾取;Zhou等(2019)提出DetNet+PpkNet的事件检测和相位选取算法,利用长短期记忆网络的时序处理功能,能够较好地拾取P波和S波;Zhu和Beroza (2018)基于U-net网络设计的PhaseNet震相拾取算法,可以同时识别P波和S波。然而,相比较天然地震的检测,矿震存在事件检测和震相拾取的精准度需求高、矿震台站采样频率高、提取数据量大及数据集少等问题,为进行深度学习模型的训练和特征提取增加了困难,使得地震学上的深度学习模型无法完美地应用于实际矿震中(周飞燕等,2017赵洪宝等,2021)。

    鉴于此,本文提出了一种针对小样本的矿山微震事件检测和震相拾取的神经网络方法,并结合数据增强方法(Zhou et al,2019李安等,2020)在数据集较少的情况下达到训练拾取精度;引入自注意力(self-attention)机制,结合卷积神经网络(convolutional neural networks,缩写为CNN)和门控循环单元(gated recurrent unit,缩写为GRU)构建到时拾取模型,提高模型的精度,以期通过上述研究能够快速有效地识别矿山微震事件,并进行高质量P波到时拾取。

    本文主要解决微震事件检测和到时拾取的问题,直接通过输入三分量数据来训练完成。如图1所示,首先对数据进行预处理和数据增强,以便检测和识别;之后检测是否存在微震事件,可以通过卷积神经网络模型来完成,与图像识别类似,将数据输入到事件检测模型(主要由CNN构成,简称CNNDet)中,输出分为“噪声”、“事件开始”和“事件中”三类,该部分会对检测到的事件进行P波到时的预拾取;最后,将具有震相振动波形作为时间序列,采用以GRU为主体、自注意力机制为核心的到时拾取模型(由CNN,GRU和自注意力机制构成,简称CGANet)对其进行精确的震相拾取。

    图  1  矿山微震P波到时拾取总体架构(CNNDet用于事件检测,CGANet进行P波到时拾取)
    Figure  1.  Overall architecture for P-arrival picking method of mine microseisms (CNNDet is used for event detection,and CGANet is used for P-arrival picking)

    现如今,大部分地震的微震检测都采用噪声和事件组成的二分类卷积神经网络来完成(Tang et al,2021),但这类卷积神经网络由于采样频率低,其提取的事件波形数据量相对较小,而矿震一般采样率高,提取的事件波形数据量大,会为之后的震相拾取增加负担,增加处理数据的时间成本。因此本文采用三分类卷积网络,在噪声和事件中间增加“事件开始”标签,提取该标签所对应的矿震波形,缩小提取事件的波形,加快处理时间,并进行一定程度的到时预拾取。如图2所示,CNNDet主要由CUnit,FD和softmax构成,其中${\rm{Conv}} ( k{\text{×}}s ) $中k代表卷积核,s表示移动步长,${\rm{MaxPool}} ( k{\text{×}}s ) $中k代表池化核。首先利用多个CUnit对波形数据进行特征提取和压缩。为防止过拟合,每个卷积层都用批量归一化(batch-normalization,缩写为BN)实现正则化,并且在每个卷积层之间都使用池化层来实现下采样,以此来压缩数据和参数,每层CNN的通道数分别设为8,32,64,64;之后是FD模块,该模块由全连接层和Dropout构成,作用是将提取的特征进行总结判断输出。由于波形数据是一维时间序列,采用一维卷积进行特征提取。输入的是三分量波形,有三个通道(一个通道代表一个分量)。最后使用softmax激活函数输出标签的概率,并将检测到的事件进行提取输入到CGANet中。

    图  2  CNNDet和CGANet神经网络模型
    Figure  2.  CNNDet and CGANet neural network model

    每层卷积的激活函数为LeakyReLU,形式为:

    $$ {\rm{LeakyReLU}} = \max ( 0.25 x , x ) {\text{.}} $$ (1)

    CGANet的总体框架如图2所示,其主要包括CUnit、GRU单元、注意力机制等几部分。将检测出来的微震事件用CNN来提取特征,CNN通过不断的卷积和池化,从较多的采样点中提取出特征,并将特征维度降低。相比较人眼的识别特征,CNN不仅能够提取一些相对明显的特征,还可以从含噪声的微震事件中提取出一些不易识别的抽象特征,每层CNN的通道数分别设为8,32,64。CNN仅能考虑微震波形的空间信息,而会忽略其中的时间序列,于是在CNN后加入了双向GRU层,每层设置64个神经元,则该网络结构便具有很好的记忆功能,因其拥有无限长的感受野,可提取时序特征。此外,为了能够捕捉时间序列中的依赖关系,充分考虑波形之间不同阶段的状态信息,引入自注意力机制(Vaswani et al,2017Mousavi et al,2020李宇等,2023),通过权重参数的调整,使得模型对震相的识别更加精确。最后连接两个全连接层对所有的信息特征进行总结并通过softmax输出。为了防止过拟合,每层都采用Dropout正则化对网络进行优化。

    CGANet中的自注意力机制公式表示为:

    $$ {\rm{Attention}} ( {\boldsymbol{Q}}, {\boldsymbol{K}}, {\boldsymbol{V}} ) = {\rm{softmax}}\left(\frac{{\boldsymbol{Q}{{\boldsymbol{K}}^{\rm{T}}}}}{{\sqrt {{d_K}} }}\right) {\boldsymbol{V}}\text{,} $$ (2)
    $$ {\rm{softmax}}{ ( X ) _{ij}} = \frac{{{{\rm{e}}^{{X_{ij}}}}}}{{\displaystyle\sum {{{\rm{e}}^{{X_i}}}} }} \text{,} $$ (3)

    式中,Q为当前的特征信息,KQ下一步可能对应的所有的特征信息,V为权重,${d_K}$为QK的维度,当QKV时则为自注意力机制。计算每个特征信息与所有对应信息的关系得分,然后做softmax归一化。自注意力机制中的每个特征值都会和该波形内所有提取的特征信息进行注意力权值计算,学习内部的特征依赖信息以捕捉波形的内部结构。

    本文所用的数据集为2019—2020年山西和辽宁某矿区地面微震监测系统的数据。振动数据波形通过布置在煤矿中的台网设备获取,台站设备由九个宽频带三分量微震台站组成,其空间范围约为6 km×4 km×1 km,原始采样频率为5 kHz。由于矿震发生的位置与台站位置相对较近,震相主要为直达P波。采用的数据为通过人工方式选出的2 278个微震事件。从人工挑选的数据中选取了404条数据作为验证集,其余的1874条数据用于训练集和测试集。

    对波形数据集进行预处理。如图3所示,首先采用200 Hz的低通滤波器对其进行滤波,避免高频信号噪声对模型训练的干扰,其次,对数据集进行最大值归一化。采用数据增强方法,根据标签类型,随机选择P波到时在时间窗的位置,并增加不同程度的高斯白噪声,以此来添加更多的数据集和提升模型的泛化能力。本文对训练集和测试集进行了数据增强,产生了8 820条数据用于两个模型的训练和测试。

    图  3  数据预处理及数据增强
    Figure  3.  Data preprocessing and data enhancement

    本文采用界限标签法来设置数据集的标签。在时间窗里设置一定的界限区域,以该区域为限,分为三种状态,分别为“噪声” 、“事件开始”和“事件中” ,其中: “噪声”用来检测噪声,界限区域内仅有噪声;“事件开始”用来提取事件波形或到时拾取,界限区域内有噪声也有波形; “事件中”是为了检测事件结束并区分到时与事件进行两种类型,界限区域内仅有震动波形。矿震的波形数据采样频率高,本文将时间窗调小,提高检测事件的精度,以免遗漏一些小的矿震波形。CNNDet提取出来的切片时间窗口应该包含明显的噪声和波形震相部分,时间窗大小设为2 s (1万个点),滑动步长为0.4 s (2 000个点),CNNDet训练模型标签选取如图4所示,在滑动窗口中设置一个大小为0.4 s的界限区域,位于滑动窗口0.4 s的位置,该位置可以保证提取标签“事件开始”所对应的时间窗口,该窗口内覆盖了难以识别的震相部分和前后明显的噪声波形部分。

    图  4  CNNDet模型的界限标签选取
    Figure  4.  Boundary label selection of CNNDet

    CGANet的训练和测试数据同样使用界限标签法,模型的时间窗口设置为1 s,滑动步长为30个采样点,在滑动窗口中设置一个大小为30个点的界限区域,位于滑动窗口0.3 s的位置,选择15个点的位置作为P波到达时间,确保了理论上最大的拾取精度小于15点(<0.006 s)。

    本文以神经网络库Keras为基本库函数,基于tensorflow2.0深度学习框架搭建并训练模型。模型训练采用自适应运动估计算法,采用阶梯型学习率来优化计算过程。数据采用小批量32个,小批量数据训练可以使得模型更好地拟合,不容易并行化。两个模型的迭代次数设置为200,损失函数采用交叉熵。本文测量了事件和到时模型在训练和验证过程中的分类精度和损失精度。

    为了分析模型的性能,本文在训练过程中计算了测试结果的曲线下面积 (area under curve,缩写为AUC)、精确率(precision)和召回率(recall)。AUC为接受者操作特性(receiver operating characteristic,缩写为ROC)曲线与坐标轴围成的面积。通常,AUC的值介于0.5到1.0之间,较大的AUC代表了较好的模型表现。精确率表示自动拾取算法预测结果的准确度,召回率用于检测自动算法拾取的完整度,二者公式如下:

    $$ {\rm{Precision}}{{ = }}\frac{{N_{\rm{TP}}}}{{N_{\rm{TP}} + N_{\rm{FP}}}}\text{,} $$ (4)
    $$ {\rm{Recall}} = \frac{{N_{\rm{TP}}}}{{N_{\rm{TP}} + N_{\rm{FN}}}}\text{,} $$ (5)

    式中,NTP为检测正确波形的次数,NFP为将错误波形检测为正确的次数,NFN为正确波形漏选的次数。如图5所示,通过对不同迭代次数的验证集计算精确率和召回率,评估两个模型的训练进度和性能,结果显示:CNNDet模型迭代到80次后进入平缓期,训练精度收敛到99%以上,测试集精度达到97.33%,该模型最后精确率和召回率都稳定在98%以上;对于CGANet模型,模型的训练精度收敛到95%,测试集精确率低于训练精度,达到94%以上,未出现过拟合情况。

    图  5  CNNDet (上)和CGANet (下)的训练迭代过程
    Figure  5.  Training iterative process of CNNDet (top) and CGANet (bottom)

    此外,针对模型测试的到时误差,本文增加平均绝对误差(mean absolute error,缩写为MAE)和标准差试验评价指标,MAE能够直观地表现出自动算法的拾取精度,标准差可以展现出波形到时误差的离散程度。为了客观地评估CNNDet+CGANet的实用性和优越性,选取了三种震相拾取算法进行对比:STA/LTA算法、DPick算法和DetNet+PpkNet算法。由于直接使用STA/LTA算法同时进行识别检测和到时估计会出现大量的波形检测遗漏(付继华等,2019),本文先使用CNNDet模型检测矿震事件并提取波形,再使用阈值较小的STA/LTA算法进行到时估计。

    以验证集对四个模型进行测试,并将测试的结果进行分析,如表1所示。可见:在高采样的优势下,相比于地震领域的震相识别,各个方法的精度都有不同程度的提升,但传统算法提升较少,所采用的传统STA/LTA算法精确率较低,相对而言,深度学习方法在各方面表现更好。

    表  1  本文方法与STA/LTA,DPick和PpkNet的性能比较
    Table  1.  The performance of the proposed method in this study compared with STA/LTA,DPick and PpkNet
    方法精确率召回率平均绝对误差/s标准差/s误差>0.2 s占比
    CNNDet+STA/LTA0.724 00.724 00.028 1150.086 9682.28%
    DPick0.854 60.847 00.027 9570.060 3222.74%
    DetNet+PpkNet0.878 00.871 00.019 1240.051 4181.36%
    CNNDet+CGANet0.948 00.948 00.014 1580.051 0521.14%
    下载: 导出CSV 
    | 显示表格

    DPick采用的是深度CNN算法,虽然深度CNN模型具有较为复杂的参数结构,但是其忽略了波形数据中的时间因素,具有较小的感受野,导致其相比较于其它深度学习算法来说精度较低。PpkNet采用的是双向GRU模型,其虽然有良好的感受野,但缺少对波形数据的特征提取,很容易受到噪声的影响。试验结果显示,CGANet的误差均值仅有0.014 s,可见本文算法相比其它三种算法具有更好的震相拾取结果。为了直观地展示本文方法的精确率,将每种方法预测的P波到时误差绘制成直方图,如图6所示,可以看出本文算法相较其它三种算法具有较好的误差分布。

    图  6  各种震相拾取算法在验证集上的误差直方图
    Figure  6.  Error histogram of various seismic phase picking algorithms on the verification set

    在实际应用中,当背景噪声水平高于微地震信号段时,P波拾取精度可能较低。本文采用Dai和Macbeth (1997)提出的信噪比定义,其计算方法为

    $$ {\rm{SNR}} = 10\;{\lg }\frac{{{P_{{\rm{sig}}}}}}{{{P_{{\rm{noi}}}}}}\text{,} $$ (6)

    式中${P_{{\rm{sig}}}}$为矿震波形信号,${P_{{\rm{noi}}}}$为噪声信号。传统的STA/LTA是由长短时窗的比值和设置阈值来检测P波到时,其阈值大小直接影响拾取的准确性。如图7所示,在信噪比为9.5 dB的低噪声下,STA/LTA的比值较高,较高的阈值也可以较为准确地识别出P波;但在信噪比为3.1 dB的高噪声下,如果事件的振幅相对较小,P波隐藏于噪声中,STA/LTA将会出现较低的比值,并且难以分辨P波和S波,具有极高的误检性,只有选出较为合适的阈值才能正确拾取P波。本文算法相较于传统方法具有更高的精确率,且不受阈值和S波的影响。

    图  7  CNNDet+CGANet和传统方法STA/LTA在不同信噪比下的表现对比
    Figure  7.  Performance comparison of CNNDet+CGANet and STA/LTA under different SNRs

    为了突出算法的泛化能力,将其在不同噪声下与两个深度学习算法进行抗噪性测试。矿震属于近震波形,大部分的波形起始都有较为明显的振幅变化,如图8所示,在噪声相对较小的情况下,三种模型都表现出了较为精确的到时估计结果,增加了噪声后,三种算法都表现出了不同程度的影响,本文算法受到的影响较小。DPick采用的深度卷积算法的精度受限于其感受野,使得到时拾取结果不稳定,但由于其具有提取特征的性质,可以使其具有一定的抗噪性。PpkNet中有较大的感受野,可以在噪声较小的情况下有较好的性能,但由于缺少提取特征的功能,噪声对其影响最大,当信噪比为2.2 dB时,容易出现拾取错误或漏选等问题。本文算法也受到了一定程度的影响,但相对于其它模型来说,效果较好。

    图  8  DPick,DetNet+PpkNet与CNNDet+CGANet在不同信噪比下的拾取对比
    Figure  8.  Comparison of DPick,DetNet+PpkNet and CNNDet+CGANet picking at different SNRs

    在矿震检测和识别中,往往需要对数据进行实时处理和分析,为此,本文使用该方法对连续数据进行了识别和处理,针对2020年7月山西某矿的五个台站的数据流进行事件检测和P波到时拾取。图9展示了7月11日8:58—9:17对某个台站数据的处理情况,其中CNNDet将检测到的两个矿震事件的起始和结束时间标记出来,之后CGANet进行精确的到时拾取。将卷积、门控循环单元和注意力机制的优势相结合,摒弃了深度卷积神经网络所带来的感受野和特征丢失问题,并在门控循环单元的基础上引入了注意力机制,提取矿震波形内部的特征关系,取得了较好的效果。

    图  9  2020年7月11日8:58—9:17事件检测和P波拾取处理情况
    Figure  9.  Event detection and P-wave pickup processing in 8:58−9:17 on July 11,2020

    数据集和深度学习网络模型是相辅相成的。不同的训练集会出现不同的效果,矿震数据相较于地震数据数量较少,导致一些在地震上应用较好的深度学习方法无法应用于矿震的震相拾取,如PhaseNet,U-Net (Ronneberger et al,2015赵明等,2019张逸伦等,2021)。由于矿震的数据集问题,本文选取的训练集设置针对性的标签,在拾取过程中使滑动步长等于界限区域大小,根据界限区域的大小,使用平移和加噪的方式进行数据增强。仅使用1 874个事件数据通过数据增强方式生成8 820条数据用于模型的训练,远远少于类似方法所需的数百万条记录(Perol et al,2018Saad,Chen,2021)。

    为了探究各种到时拾取算法对震源定位的影响,本文对同一事件使用STA/LTA,DPick,DetNet+PpkNet和本文算法来提取矿震P波到时,然后使用粒子群定位算法(Chen et al,2009)对震源进行精定位,得到的使用STA/LTA,DPick,DetNet+PpkNet算法的定位误差分别为95.75,91.50和55.26 m,而使用本文算法的定位误差可达41.67 m,明显优于其它算法。

    由于矿震所需的到时拾取精度较高,本文采用两个模型进行拾取:使用CNNDet模型进行到时预估计,给出到时范围,然后再用CGANet模型进行P波估计。总体方法步骤比较复杂,但拾取精度提高,能够有效地拾取P波震相;该方法采用少量数据集训练,增加数据量是否会提升方法的性能仍待研究证实;从实际的连续波形处理中可以看出,虽然该方法可以对事件进行准确检测,但对于事件结束点的提取仍存在一定的误差,如何精准地提取事件结束点以及简化模型等方面仍需进一步研究。

    传统的矿山微震P波到时拾取算法存在P波缺失、P波拾取精度低等问题,本文引入了深度学习方法进行研究,提出了一种融合门控循环单元和自注意力机制的矿山微震P波到时拾取方法,为矿山微震监测和冲击地压等灾害的准确识别提供了一种新方法。针对矿震数据的优缺点,提出一种新的数据分类方式,仅利用数据增强的少量数据进行模型训练,即可实现较高精度的P波到时拾取。CNNDet在测试集上的事件检测精确率和召回率都达到98%以上,CGANet对于P波到时估计的误差均值和标准差分别为0.014 s和0.051 s。对比结果表明,本文算法在性能、精度和抗噪性等方面均优于STA/LTA,DPick和PpkNet等算法,且在实际震源定位中,应用本文算法的定位误差明显小于其它算法。随着矿山开采的工业化,微震监测系统将会采集更多的矿山微震数据,未来可考虑增加数据集,简化方法,不断优化神经网络模型。深度学习方法在实时微震监测、矿震预警等方面将会发挥越来越重要的作用。

  • 图  1   双差定位中使用的台站、主要活动断层及研究区地震分布

    Figure  1.   Distribution of the stations used in double difference location,active faults and earthquakes in the studied area

    图  2   相对定位前震源距-到时曲线及震相数据筛选

    Figure  2.   Focal distance versus travel time curves before relative location and seismic phase data screening

    图  3   重定位后的震中分布

    (a) 重定位震中分布;(b,c) 重定位后沿经度、纬度方向深度分布;(d) 重定位后深度分布统计

    Figure  3.   Distribution of relocated earthquake events

    (a) Distribution of relocated epicenter;(b,c) Depth distribution along longitude and latitude,respectively;(d) Statistics of depth distribution after relocation

    图  4   拐角频率拟合过程示例

    L1表示将Ω0fc代入式(4)得到的频谱曲线,L2为实际观测频谱曲线

    Figure  4.   The example of corner frequency fitting process

    L1 represents the spectrum curve obtained by substituting Ω0 and fc into Equation (4),and L2 is the observation spectrum curve

    图  5   研究区震源参数与震级ML的关系

    Δσ为应力降,fc为拐角频率,M0为地震矩,r为震源半径,ML为震级,R为相关系数,下同

    Figure  5.   The relationship between source parameters and magnitude ML in the studied area

    Δσ is stress drop,fc is corner frequency,M0 is seismic moment,r is source radius,ML is magnitude,R is correlation coefficient,the same below

    图  6   北区(a,b)、南区(c,d)震源参数地震矩M0、震源半径r与震级ML的关系

    Figure  6.   The relationship between seismic moment M0,source radius r and magnitude ML in the northern region (a,b) and southern region (c,d)

    图  7   应力降∆σ随时间(a)和震级ML(b)的变化

    Figure  7.   Variation of the stress drop ∆σ with time (a) and magnitude ML (b)

    图  8   (a) 北区和南区ML3.0—3.9应力降随时间变化及强余震;(b) 2019年10月至2020年12月高应力降地震及其强余震的空间分布

    Figure  8.   (a) Stress drop changes of ML3.0—3.9 earthquakes and strong aftershocks with time in the northern region and the southern region;(b) Spatial distribution of high stress drop earthquakes and strong aftershocks from October 2019 to December 2020

    图  9   ML3.0—3.9应力降网格均值分布(网格大小0.05°×0.05°)

    黑点表示本文用于计算应力降均值的地震,圆圈表示2019年6月17日至2020年12月31日期间长宁地区ML4.0以上地震

    Figure  9.   Mean grid distribution of stress drop of ML3.0—3.9 (grid size 0.05°×0.05°) Black dots denote the earthquakes used for calculating mean stress drop,white circles denote the earthquakes above ML4.0 in Changning area from 17 June 2019 to 31 December 2020

  • 程万正,陈学忠,乔慧珍. 2006. 四川地震辐射能量和视应力的研究[J]. 地球物理学进展,(3):692–699. doi: 10.3969/j.issn.1004-2903.2006.03.003

    Cheng W Z,Chen X Z,Qiao H Z. 2006. Research on the radiated energy and apparent strain of the earthquakes in Sichuan Province[J]. Progress in Geophysics,(3):692–699 (in Chinese).

    胡幸平,崔效锋,张广伟,王甘娇,Arno Zang,史丙新,姜大伟. 2021. 长宁地区复杂地震活动的力学成因分析[J]. 地球物理学报,64(1):1–17. doi: 10.6038/cjg2021O0232

    Hu X P,Cui X F,Zhang G W,Wang G J,Arno Z,Shi B X,Jiang D W. 2021. Analysis on the mechanical causes of the complex seismicity in Changning area,China[J]. Chinese Journal of Geophysics,64(1):1–17 (in Chinese).

    何登发,鲁人齐,黄涵宇,王晓山,姜华,张伟康. 2019. 长宁页岩气开发区地震的构造地质背景[J]. 石油勘探与开发,46(5):993–1006.

    He D F,Lu R Q,Huang H Y,Wang X S,Jiang H,Zhang W K. 2019. Tectonic and geological background of the earthquake hazards in Changning shale gas development zone,Sichuan Basin,SW China[J]. Petroleum Exploration and Development,46(5):993–1006 (in Chinese).

    华卫,陈章立,郑斯华,晏纯清. 2010. 三峡水库地区震源参数特征研究[J]. 地震地质,32(4):533–542. doi: 10.3969/j.issn.0253-4967.2010.04.001

    Hua W,Chen Z L,Zheng S H,Yan C Q. 2010. A study on characteristics of source parameters in Three Gorges Reservoir area[J]. Seismology and Geology,32(4):533–542 (in Chinese).

    华卫,陈章立,郑斯华,晏纯清. 2012. 水库诱发地震与构造地震震源参数特征差异性研究:以龙滩水库为例[J]. 地球物理学进展,27(3):924–935.

    Hua W,Chen Z L,Zheng S H,Yan C Q. 2012. Differences existing in characteristics of source parameters between reservoir induced seismicity and tectonic earthquake:A case study of Longtan reservoir[J]. Progress in Geophysics,27(3):924–935 (in Chinese).

    李艳娥,陈学忠,付虹. 2012. 2007年云南泞洱MS6.4地震前滇西南地区震源动力学参数时空变化特征[J]. 地震,32(1):28–39. doi: 10.3969/j.issn.1000-3274.2012.01.003

    Li Yan’e,Chen X Z,Fu H. 2012. Temporal and spatial variation of focal dynamic parameters in Southwest Yunnan before the 2007 MS6.4 Ning’er earthquake[J]. Earthquake,32(1):28–39 (in Chinese).

    阮祥,程万正,张永久,李军,陈银. 2008. 四川长宁盐矿井注水诱发地震研究[J]. 中国地震,24(3):226–234.

    Ruan X,Cheng W Z,Zhang Y J,Li J,Chen Y. 2008. Research of the earthquakes induced by water injections in salt mines in Changning,Sichuan[J]. Earthquake Research in China,24(3):226–234 (in Chinese).

    解孟雨,孟令媛. 2021. 川东南长宁地区地震活动及b值演化特征[J]. 中国地震,37(2):494–507. doi: 10.3969/j.issn.1001-4683.2021.02.021

    Xie M Y,Meng L Y. 2021. Seismicity and evolution characteristics of b-values of Changning area in southeastern region of Sichuan basin[J]. Earthquake Research in China,37(2):494–507 (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.

    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).

    张致伟,乔慧珍,吴朋,宫悦,赵小艳. 2015. 注水诱发地震的谱振幅相关系数及视应力研究[J]. 地震研究,38(1):42–50.

    Zhang Z W,Qiao H Z,Wu P,Gong Y,Zhao X Y. 2015. Study on correlation coefficient of spectral amplitude and apparent stress of water injection induced earthquake[J]. Journal of Seismological Research,38(1):42–50 (in Chinese).

    赵翠萍,陈章立,华卫,王勤彩,李志雄,郑斯华. 2011. 中国大陆主要地震活动区中小地震震源参数研究[J]. 地球物理学报,54(6):1478–1489. doi: 10.3969/j.issn.0001-5733.2011.06.007

    Zhao C P,Chen Z L,Hua W,Wang Q C,Li Z X,Zheng S H. 2011. Study on source parameters of small to moderate earthquakes in the main seismic active regions,China Mainland[J]. Chinese Journal of Geophysics,54(6):1478–1489 (in Chinese).

    周少辉,蒋海昆,曲均浩,李健. 2018. 应力降研究进展综述[J]. 中国地震,34(4):591–605. doi: 10.3969/j.issn.1001-4683.2018.04.001

    Zhou S H,Jiang H K,Qu J H,Li J. 2018. A review on research of foreshocks[J]. Earthquake Research in China,34(4):591–605 (in Chinese).

    朱利锋,翁剑桥,吕文雅. 2016. 四川长宁地区页岩储层天然裂缝发育特征及研究意义[J]. 地质调查与研究,39(2):104–110.

    Zhu L F,Weng J Q,Lü W Y. 2016. The significance and characteristics of natural fractures of the shale in Changning area,Sichuan Province[J]. Geological Survey and Research,39(2):104–110 (in Chinese).

    左可桢,赵翠萍. 2021. 四川长宁地区地震震源参数的时空分布特征[J]. 中国地震,37(2):472–482. doi: 10.3969/j.issn.1001-4683.2021.02.019

    Zuo K Z,Zhao C P. 2021. The spatial and temporal distribution of source parameters of earthquakes in Changning area,Sichuan Province[J]. Earthquake Research in China,37(2):472–482 (in Chinese).

    Aki K, Richards P G. 1980. Quantitative Seismology: Theory and Methods Volume Ⅱ)[M]. San Francisco, California: W. H. Freeman: 105–107.

    Allmann B P,Shearer P M. 2009. Global variations of stress drop for moderate to large earthquakes[J]. J Geophys Res:Solid Earth,114(B1):B01310.

    Archuleta R J,Cranswick E,Mueller C,Spudich P. 1982. Source parameters of the 1980 Mammoth Lakes,California,earthquake sequence[J]. J Geophys Res:Solid Earth,87(B6):4595–4607. doi: 10.1029/JB087iB06p04595

    Clerc F,Harrington R M,Liu Y J,Gu Y J. 2016. Stress drop estimates and hypocenter relocations of induced seismicity near Crooked Lake,Alberta[J]. Geophys Res Lett,43(13):6942–6951. doi: 10.1002/2016GL069800

    Hough S E. 2015. Shaking intensity from injection-induced versus tectonic earthquakes in the Central-Eastern United States[J]. Leading Edge,34(6):690–697. doi: 10.1190/tle34060690.1

    Houston H. 2001. Influence of depth,focal mechanism,and tectonic setting on the shape and duration of earthquake source time functions[J]. J Geophys Res:Solid Earth,106(B6):11137–11150. doi: 10.1029/2000JB900468

    Huang Y H,Ellsworth W L,Beroza G C. 2017. Stress drops of induced and tectonic earthquakes in the Central United States are indistinguishable[J]. Sci Adv,3(8):e1700772. doi: 10.1126/sciadv.1700772

    Lei X L,Huang D J,Su J R,Jiang G M,Wang X L,Wang H,Guo X,Fu H. 2017. Fault reactivation and earthquakes with magnitudes of up to MW4.7 induced by shale-gas hydraulic fracturing in Sichuan Basin,China[J]. Sci Rep,7(1):7971. doi: 10.1038/s41598-017-08557-y

    Lei X L,Wang Z W,Su J R. 2019a. The December 2018 ML5.7 and January 2019 ML5.3 earthquakes in South Sichuan Basin induced by shale gas hydraulic fracturing[J]. Seismol Res Lett,90(3):1099–1110. doi: 10.1785/0220190029

    Lei X L,Wang Z W,Su J R. 2019b. Possible link between long-term and short-term water injections and earthquakes in salt mine and shale gas site in Changning,South Sichuan Basin,China[J]. Earth Planet Phys,3(6):510–525. doi: 10.26464/epp2019052

    Lei X L,Su J R,Wang Z W. 2020. Growing seismicity in the Sichuan Basin and its association with industrial activities[J]. Science China Earth Sciences,63(11):1633–1660.

    Meng L Y,McGarr A,Zhou L Q,Zang Y. 2019. An investigation of seismicity induced by hydraulic fracturing in the Sichuan Basin of China based on data from a temporary seismic network[J]. Bull Seismol Soc Am,109(1):348–357. doi: 10.1785/0120180310

    Tan Y Y,Hu J,Zhang H J,Chen Y K,Qian J W,Wang Q F,Zha H,Tang P,Nie Z. 2020. Hydraulic fracturing induced seismicity in the southern Sichuan Basin due to fluid diffusion inferred from seismic and injection data analysis[J]. Geophys Res Lett,47(4):e2019GL084885.

    Tomic J,Abercrombie R E,Do Nascimento A F. 2009. Source parameters and rupture velocity of small M≤2.1 reservoir induced earthquakes[J]. Geophys J Int,179(2):1013–1023. doi: 10.1111/j.1365-246X.2009.04233.x

    Uchide T,Shearer P M,Imanishi K. 2014. Stress drop variations among small earthquakes before the 2011 Tohoku-Oki,Japan,earthquake and implications for the main shock[J]. J Geophys Res:Solid Earth,119(9):7164–7174. doi: 10.1002/2014JB010943

    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

    Wu Y Q,Jiang Z S,Zhao J,Liu X X,Wei W X,Liu Q,Li Q,Zou Z Y,Zhang L. 2015. Crustal deformation before the 2008 Wenchuan MS8.0 earthquake studied using GPS data[J]. J Geodyn,85:11–23. doi: 10.1016/j.jog.2014.12.002

    Wyss M. 1970. Apparent stresses of earthquakes on ridges compared to apparent stresses of earthquakes in trenches[J]. Geophys J Int,19(5):479–484. doi: 10.1111/j.1365-246X.1970.tb00153.x

图(9)
计量
  • 文章访问数:  385
  • HTML全文浏览量:  163
  • PDF下载量:  133
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-12-28
  • 修回日期:  2022-05-25
  • 网络出版日期:  2023-03-08
  • 发布日期:  2023-03-14

目录

/

返回文章
返回