基于卷积神经网络的地震震级快速估算方法

位栋梁, 王延伟, 王自法, 廖吉安, 赵登科

位栋梁,王延伟,王自法,廖吉安,赵登科. 2022. 基于卷积神经网络的地震震级快速估算方法. 地震学报,44(2):316−326. DOI: 10.11939/jass.20210198
引用本文: 位栋梁,王延伟,王自法,廖吉安,赵登科. 2022. 基于卷积神经网络的地震震级快速估算方法. 地震学报,44(2):316−326. DOI: 10.11939/jass.20210198
Wei D L,Wang Y W,Wang Z F,Liao J A,Zhao D K. 2022. A fast estimation method of earthquake magnitude based on convolutional neural networks. Acta Seismologica Sinica44(2):316−326. DOI: 10.11939/jass.20210198
Citation: Wei D L,Wang Y W,Wang Z F,Liao J A,Zhao D K. 2022. A fast estimation method of earthquake magnitude based on convolutional neural networks. Acta Seismologica Sinica44(2):316−326. DOI: 10.11939/jass.20210198

基于卷积神经网络的地震震级快速估算方法

基金项目: 国家自然科学基金(51978634,51968016)资助
详细信息
    作者简介:

    位栋梁,硕士,主要从事地震监测预警相关研究,e-mail:wei_dl1921@163.com

    通讯作者:

    王自法,博士,研究员,主要从事巨灾风险相关研究,e-mail: zifa@iem.ac.cn

  • 中图分类号: P135.69

A fast estimation method of earthquake magnitude based on convolutional neural networks

  • 摘要: 地震发生后震级的快速准确估算是确保地震预警减灾效果的最重要部分,而基于经验参数的传统方法在准确性和时效性方面各自存在局限性。通过建立多全连接层卷积神经网络模型,选用日本KiK-net和K-NET台网1997年至2019年记录到的3 065次地震的16万4 547条初至波在3—9 s不同时段的频域数据、对应地震事件的震源信息(震中距和震源深度)以及场地信息(vS30)作为全数据集,对提出的模型进行训练并对估算效果予以评估。结果显示:当初至波截取时段为3 s时,模型震级预测的整体准确率为89.92%,并且随着初至波长度的增大,估算震级的准确率持续提高;当截取时段为9 s时,整体准确率达到96.08%。与传统Pd方法的预估结果相比,结果表明:基于本文提出的多全连接层卷积神经网络模型估算的震级精度有所改善,具有绝对误差标准差和均值更小、时效强等特性,实现了基于单台站记录的端到端震级持续快速估算,能更好地增强地震预警的减灾效果。
    Abstract: Earthquake early warning (EEW) is an effective approach to reduce human casualty and economic loss resulted from destructive earthquakes. Quick and accurate magnitude estimation after an earthquake is an important part of EEW, and the traditional approaches of magnitude estimation based on empirical parameters have their limits in accuracy and timeliness. This paper proposed a multi-fully connected convolutional neural network to quickly estimate the magnitude based on the information from a single station. The frequency-domain information from 3 065 earthquakes recorded by Japan’s KiK-net and K-NET networks between 1997 and 2019 (arriving waves corresponding to the selected data ranging from 3 s to 9 s), together with the corresponding information on hypocentral distance, focal depth, and site conditions (vS30) are used to train and validate the proposed model. The validation results demonstrate that the magnitude estimate accuracy is 89.92% even using as little as 3 s of arriving waves and the accuracy improves as longer duration of arriving waves is used. When 9 s of arriving waves are used, the accuracy increases to 96.08%. Comparison with the traditional Pd method suggests that the proposed approach in this study has smaller mean and standard deviation of the absolute estimation error, thus the proposed method has better accuracy and timeliness and would greatly enhance the disaster mitigation effects of the EEW systems.
  • 据中国地震台网中心测定,北京时间2017年8月9日7时27分新疆维吾尔自治区博尔塔拉州精河县发生MS6.6地震,震中位于(44.27°N,82.85°E),震源深度为11 km。本次地震虽然未造成人员伤亡,但该地震的深度较浅,震感较强,最大烈度达到Ⅷ度,等烈度线长轴近EW方向(常想德等,2017)。姜祥华等(2017)基于地震序列的衰减特征以及G-R关系图的分析结果显示本次地震为主余型地震。

    精河地震震源区附近的主要断裂为库松木楔克山前断裂(图1)。陈建波等(2007)认为,库松木楔克山前断裂是发育在天山推覆体前缘的褶皱-逆断裂带上的一条全新世活动断层,其东段由4条走向为280°—290°且向南倾斜的逆断层组成。沈军等(2011)的研究结果显示,该断层为伊犁盆地北部山脉的北缘断裂,呈向北突出的弧形,沿该断裂发育有新生代背斜,切割了晚更新世山前洪积扇和河流阶地,显示出强烈的晚更新世和全新世活动,沿断裂可见古地震遗迹。

    图  1  精河地震震源区及邻区构造背景
    Figure  1.  Tectonic settings of the source region of Jinghe earthquake and its neighbouring areas

    新疆地区是挤压环境下再生造山断块和盆地再生断块发育区,以活动逆断裂-褶皱带为主(邓起东等,2000)。在印度板块与欧亚板块碰撞的强烈挤压作用下,天山南、北麓发育大型逆冲推覆构造,同时造成大量的逆冲断裂。由于挤压运动产生的不均匀水平剪切力,山体内部还发育大量逆冲走滑断裂(沈军等,2003)。历史上在震源区附近发生的地震也多为逆冲兼走滑型。

    近年来,该地区发生的最大地震为2011年10月16日MS5.0地震,而在2017年8月9日又发生了MS6.6地震。为了进一步确定该区域的断层活动情况,本文拟通过对精河MS6.6地震余震序列的精定位以及主震和小震震源机制解反演来确定该地震的发震构造和该地区的应力状态,探索本次地震的发震机理及构造意义。

    本文采用双差定位方法对精河地震的余震序列进行精定位。该方法主要是使用同一台站记录到的发震位置相近的事件的走时残差,获得相对的事件位置,以此来重新确定震源的位置,其基本方程为(Waldhauser,Ellsworth,2000

    $ \Delta {t_{jk}} {\text{-}} \Delta {t_{ik}} {\text{=}} {\text{-}} {{ S}_{jk}}\Delta {{ X}_j}{ {\text{+}} }{{ S}_{ik}}\Delta {{ X}_i} {\text{+}} {\varepsilon _{jk}} {\text{-}} {\varepsilon _{ik}}{\text{,}} $

    (1)

    式中:Δtjk和Δtik分别为地震ij到台站k的到时残差,XiXj分别为两个震源的位置矢量,SikSjk为两次地震震中到台站k的地震射线的慢度矢量,εikεjk分别为两台站拾取到时的误差。该方法能够尽可能地消除速度模型的不确定性所造成的误差,以及震相到时拾取所造成的误差(陈晨,胥颐,2013)。

    本文选用中国地震台网中心发布的2017年8月9日至9月30日新疆精河地区的震相数据。在这一时段内共发生400多次余震。除了使用固定台站记录到的数据外,还使用了震后震源区临时架设的流动台站的数据,台站分布如图2所示。这样,总共记录到4万9 654条P波到时和4万2 638条S波到时。考虑到震源区位于北天山西段,所以定位时使用天山造山带的速度结构模型(邵学钟等,1996),具体见表1;P波与S波的速度比设为1.73。由于P波到时的拾取精度相对于S波较为精确,故将P波和S波的权重分别设为1.0和0.5。重新定位时,设置地震事件到台站的最大距离不超过200 km,事件对的最大距离为10 km,以减小由于速度模型不准确而导致的误差。之后建立事件对,用共轭梯度法计算余震位置。

    图  2  精河MS6.6地震震中及台站分布
    Figure  2.  Epicenter location of Jinghe MS6.6 earthquake and stations distribution
    表  1  速度结构(邵学钟等,1996
    Table  1.  Velocity structure (after Shao et al,1996
    地层深度/kmvP/(km·s−1vS/(km·s−1
    0—44.002.31
    4—165.813.36
    16—256.103.53
    25—346.653.84
    34—456.833.95
    >458.094.68
    下载: 导出CSV 
    | 显示表格

    首先采用NonLinLoc程序(Lomax et al,2001)进行绝对定位,然后进行双差定位,最终得到310个地震事件的精定位结果。图3展示了各事件相对定位前后的误差,可以看出:相对定位之前的均方根误差为0.15 s,重定位后的均方根误差降至0.05 s;经过重定位之后,单个地震事件的均方根误差介于0—0.16之间,峰值位于0.08 s附近,均方根误差小于0.15 s的地震事件占地震总数目的95%,表明重定位所获地震的精度得到了显著的提高。重定位后,主震震中位于(44.27°N,82.85°E),震源深度为17 km。

    图  3  重定位前(a)、后(b)的走时均方根误差
    Figure  3.  RMS error of travel time before (a) and after (b) relocation

    图4图5a分别给出了精定位前、后的地震事件平面分布,可以清楚地看到:定位之前地震事件弥散在整个断层周围,而精定位之后余震分布相对集中在断层附近;主震位于库松木楔克山前断裂的北侧东部断点以东30 km处,精定位后的主震与余震序列的连线方向与余震序列走向相一致,均近EW方向,这与库松木楔克山前断裂的走向一致;余震序列分布在主震的西侧,由图5b可以看出本次地震使得该断裂向东延伸了25 km。

    图  4  精河MS6.6地震序列重定位前的震中分布
    Figure  4.  Epicentral distribution of Jinghe MS6.6 earthquake sequence before relocation
    图  5  精定位后事件分布的剖面图
    (a) 精定位后地震震中分布图;(b) 沿着断层走向的剖面图;(c) 沿垂直于断层走向的剖面图
    Figure  5.  Cross sections of the relocated earthquakes
    (a) Distribution of epicenters after precise locating;(b) The section along the strike of the fault;(c) The profile along the direction perpendicular to the fault

    为了研究发震断层的产状和余震深度的分布情况,本文给出了余震序列的震中分布及其在特定剖面上的投影,如图5所示,图中所示的投影事件在10 km深度以内。从沿着断层走向和余震序列优势方向的BB′剖面(图5b)中能够看到,精定位之后的事件呈条带状分布,深度分布于4—18 km之间,其中5 km深度以内的余震分布较少,余震大部分处于10 km深度附近,表明破裂并未延伸至地表;主震在余震序列东侧,在发震后的4天内余震均发生在主震的西侧,由此说明本次地震的破裂是向西延伸的单侧破裂。从图5c中还可以看出:震源深度由南到北变浅,有明显的南倾趋势,倾角大致为45°,与库松木楔克山前断裂的倾角一致;主震位于余震序列的深部,余震多发生在断层上盘,表现出明显的挤压作用下的逆冲性质。综上,初步判断库松木楔克山前断裂为本次地震的发震构造。

    由于精河震中附近的台站分布较为稀疏,且该地区的速度结构等相关信息较少,因此采用CAP (cut and paste)方法(Zhu,Helmberger,1996)来反演精河地震的主震震源机制解。CAP方法主要是将宽频带记录的波形分为体波和面波,分别计算理论地震图和实际地震图的误差函数,再进行网格空间搜索得到震源机制解、震源深度及矩震级(谢祖军等,2013)。此外,该方法所需台站较少,对速度结构的依赖性不高(郑勇等,2009),因此本文选用该方法来反演精河主震的震源机制解。

    考虑到近台会出现限幅,本文选取距离主震80—300 km范围以内的固定台站(图2中红色三角形所示)所记录到的资料。首先对选取资料进行预处理,然后挑选其中波形完整且能准确识别震相却不出现限幅现象的波形资料进行反演。反演中,体波的滤波频率介于0.05—0.15 Hz之间,面波频率介于0.05—0.1 Hz之间,截取相应的波形窗长为30 s和70 s。断层走向、倾角、滑动角的搜索步长均为5°,深度的搜索步长为1 km。

    图6展示了使用CAP方法反演得到的精河主震的震源机制解结果,可以看到各台站波形的拟合度均超过80%,拟合效果较好。图7给出了各深度下的拟合差,可见:CAP反演得到本次地震的矩心深度为17.2 km;最佳双力偶对应的节面Ⅰ的走向、倾角和滑动角分别为260°,51°和84°,节面Ⅱ的走向、倾角和滑动角分别为89.5°,39.4°和97.4°;断层走向近EW向,震源机制解表明本次地震为逆断类型。表2列出了多个研究机构给出的精河主震的震源机制解,可见除了GCMT (2017)之外,中国地震局地球物理研究所(2017)中国地震台网中心(2017)USGS (2017)的结果显示该地震的走向处于265°±5°之间,倾角处于40°±10°之间,而滑动角大部分近于80°。不同机构给出的结果不同,可能是由于反演所用的台站分布不同,亦或是所采用的速度结构模型和搜索步长不同所导致(吕坚等,2013)。各机构给出的震源深度结果也有差异,USGS和GCMT由于缺乏近台约束,其给出的矩心深度结果存在一定的误差(易桂喜等,2017)。USGS使用较远台站的长周期体波资料反演震源机制解,而GCMT采用地幔波反演矩心深度,USGS较GCMT相比所使用的波长更短,所以USGS的矩心深度分辨率大于GCMT (高原等,1997)。综合所有机构给出的结果确定本次地震的矩心深度约为20 km,主震的发震断层走向为近EW向,倾角为40°—50°,震源类型为逆断类型。

    图  6  2017年8月9号精河主震的CAP反演震源机制解结果
    红线表示理论地震波形,黑线表示观测地震波形,波形下方第一行数字表示理论波形相对实际观测波形的时移(单位:s),第二行数字表示两波形的相关系数;波形左侧为台站名及震中距(单位:km)
    Figure  6.  Focal mechanism solution results of Jinghe earthquake on August 9,2017 by the CAP method
    The red curves represent the theoretical waveforms,and the black ones represent the observed waveforms. The numbers of the first line below the waveforms are the time shift (in s) of theoretical waveforms relative to observed ones,and the positive values indi-cate the theoretical waveform being ahead of the observed one. The numbers of the second line indicate the correlative coefficients between them. The name of stations and corresponding epicentral distances (in km) are given at the left side of waveforms
    图  7  精河地震的拟合差和震源机制解(下半球投影)随矩心深度的变化
    震源球上方数字表示各个深度的拟合矩震级
    Figure  7.  Misfit plots as a function of centroid depth for Jinghe earthquake (lower-hemisphere projection)
    The numbers above the beach balls represent the fitting moment magnitude for each depth
    表  2  2017年8月9日精河MS6.6主震震源机制解结果对比
    Table  2.  Comparison of focal mechanism solutions of Jinghe MS6.6 main shock on August 9,2017
    来源MW矩心深度/km走向/°倾角/°滑动角/°
    USGS (2017)6.3202693087
    GCMT (2017)6.327.82445266
    中国地震局地球物理研究所 (2017)6.25202624580
    中国地震台网中心 (2017)6.3232694799
    本文6.15172605184
    下载: 导出CSV 
    | 显示表格

    求解小震震源机制解主要使用P波初动信息进行反演,如HASH方法(Hardebeck,Shearer,2002)、振幅比方法(Godano et al,2014),但是由于这些方法需要理想的台站分布以及较长的求解时间,因此这些方法并不能可靠地求解大规模小震的震源机制解。

    前文求解主震震源机制解所用的CAP方法适用震级范围的下限为M3.0左右,对M<3.0的地震,由于高频段格林函数的不确定性和小震释放的能量较微弱,求解结果的可靠性很低。因此,本文选用广义极性振幅技术(generalized polarization amplitude technology,简写为GPAT)进行反演(严川,2015)。这种方法不仅考虑到P波的初动极性信息,还利用了最大振幅的极性,而且这里的最大振幅不再局限于P波还是S波,只要为最大振幅就可使用其极性,并把观测位移场与合成位移场的一致性作为目标函数进行反演。

    为了验证广义极性振幅技术方法所得结果的可靠性,本文使用CAP和GPAT方法同时反演了2017年9月9日发生的一次ML4.3地震。震源机制解反演时,选择震中距小于400 km的台站,一些距离震中较近的台站,仅使用体波进行拟合,而未用面波。体波和面波的截取时间窗长度分别为35 s和70 s,相应的带通滤波带宽范围为0.05—0.1 Hz和0.05—0.15 Hz。验证所采用的震例是主震发生后的一次ML4.3地震,所使用速度模型均为表1所列,台站为图2所示固定台站。

    使用GPAT反演时,本文选用相同的台站数据进行初动标识,震源机制解结果列于表3第一行。与CAP反演结果(表3第二行)相比,走向、倾角、滑动角相差不到10°,但是在矩心深度上相差较大:CAP得到的最佳矩心深度为18 km,而GPAT得到的深度为14 km。CAP反演通过Pnl波中sPmP、sPn等深度震相进行拟合,并用面波进行约束,因此得到的矩心深度较为可靠(罗艳等,2015);而GPAT则更多依赖于初始的发震位置,所以本文仅采用GPAT反演得到的走向、倾角、滑动角,深度则使用精定位后所得到的余震序列深度。

    表  3  使用GPAT和CAP方法所得2017年9月9日ML4.3地震反演结果的对比
    Table  3.  Comparison of inversion results for the ML4.3 earthquake on September 9,2017 by using GPAT and CAP methods
    反演方法节面Ⅰ节面Ⅱ短心深度/km
    走向/°倾角/°滑动角/°走向/°倾角/°滑动角/°
    GPAT28141731235110414
    CAP2794483108.74696.718
    下载: 导出CSV 
    | 显示表格

    基于GPAT方法反演时,我们使用的数据不仅包括固定台站的数据,还加入了震后临时架设在震源区附近的短周期流动台站(图2中空心三角形所示)记录到的数据,反演所用的速度结构模型与精定位采用的模型(表1)相一致。最终共挑选了信噪比较高且P波初动较为清晰的60个ML1.5—4.3事件参与反演。图8为部分ML>3.0事件的震源机制解平面分布图,可见:余震基本为逆冲型地震,兼有少量走滑分量,大部分余震的震源机制解与主震相似,具体震源机制解如表4中黑体数字所示,表4列出了反演所得的所有事件的震源机制解。

    图  8  精河地震序列中ML>3.0事件的震源机制解
    Figure  8.  Focal mechanism solutions for the ML>3.0 events of Jinghe earthquake sequence
    表  4  2017年8月9日精河地震余震的震源机制解
    Table  4.  Focal mechanism solutions for the aftershocks of Jinghe earthquake on August 9,2017
    事件震中位置深度
    /km
    ML节面ⅠPT
    东经/°北纬/°走向/°倾角/°滑动角/°方位角/°倾角/°方位角/°倾角/°
    182.6144.2913.04.1270.344.193.1178.10.9−68.387.6
    282.7444.318.03.5258.337.088.7169.28.0−5.182.0
    382.7844.217.03.1332.053.0157.3210.018.0310.040.0
    482.6544.268.03.1230.289.013.04.38.495.89.9
    582.7444.325.03.0240.081.090.2−30.236.0150.254.0
    682.8544.306.03.8234.080.0−18.0−170.419.8−78.55.3
    782.6544.2511.03.0321.032.090.0−129.013.051.077.0
    882.7644.2511.02.5223.058.39.4179.515.980.828.0
    982.7444.2511.03.8285.615.0−37.3−52.152.6152.334.9
    1082.6844.248.03.1251.456.171.7−5.69.4115.172.1
    1182.6444.2612.02.7221.043.0131.0103.08.8−150.261.8
    1282.7344.287.02.5286.79.1173.6121.843.3−76.145.3
    1382.7144.2412.02.2211.062.0−9.0171.725.475.113.6
    1482.7544.2912.02.5280.638.03.2−112.932.2130.435.6
    1582.7144.2915.03.9227.564.3109.8−57.017.0172.065.0
    1682.6744.287.01.8284.320.270.5−150.525.746.163.4
    1782.6944.276.01.7315.645.5−103.1143.380.7−125.20.3
    1882.8944.108.01.8210.539.3−76.3−122.979.2110.86.4
    1982.5744.266.02.1294.650.9144.2169.37.2−92.150.1
    2082.7544.2912.03.1270.240.564.8−162.17.085.072.4
    2182.8744.298.03.6270.957.1−138.2123.551.232.70.7
    2282.7144.2413.01.6305.626.8157.4166.330.6−61.148.9
    2382.7344.2811.01.5232.479.1−172.996.412.7−173.02.7
    2482.7544.2710.01.6218.186.164.3−29.636.0103.343.1
    2582.6944.3111.01.5257.559.163.26.410.3119.164.8
    2682.7044.298.02.1290.178.4145.2−16.814.7−116.432.5
    2782.7244.2813.02.9279.841.9118.3170.16.3−81.770.4
    2882.6044.2911.02.3233.073.438.9−2.612.998.038.9
    2982.4044.109.03.0259.649.647.6−161.93.5102.458.9
    3082.7744.297.03.2272.049.8−139.2116.354.0−145.45.9
    3182.7744.296.03.6282.840.395.9169.327.8−48.356.4
    3282.7744.2911.04.0183.068.093.0−89.322.998.466.9
    3382.7744.297.03.1286.853.9−120.7137.465.238.04.3
    3482.7844.198.02.6235.682.419.28.07.9100.718.9
    3582.7244.2918.03.7277.144.4122.9164.45.2−93.367.0
    3682.9644.3414.01.8268.340.040.0122.2155.99.0−91.0
    3782.7044.306.02.0279.849.2108.3−3.02.6−103.776.0
    3882.5944.256.03.0263.332.772.4−174.013.442.473.6
    3982.3444.2611.01.8244.461.343.35.54.9−101.449.9
    4082.7144.3211.02.0227.415.037.3−179.334.925.152.6
    4182.4144.149.02.1231.085.097.0−45.539.6148.649.5
    4282.6744.2517.04.3277.224.929.6−127.829.695.452.0
    4382.7144.2917.01.4246.426.765.0175.020.125.966.9
    4482.6644.2612.02.4261.055.065.18.56.9116.468.6
    4582.7044.325.01.6261.951.0−164.5114.236.3−142.617.3
    4682.6844.2311.02.0260.348.257.5−167.41.599.166.3
    4782.4743.586.01.8184.640.0176.939.131.1153.634.5
    4882.6544.278.01.9253.750.057.0−173.6096.365.3
    4982.9444.3311.02.0276.274.8120.8−17.123.6−139.150.5
    5083.3244.288.02.1286.437.2−163.3127.843.3−114.626.1
    5183.3544.2817.03.8290.032.779.0−152.012.754.775.9
    5283.1344.345.02.1237.480.350.0−2.724.2110.540.9
    5382.9944.316.01.7278.445.5103.1179.20.3−89.380.7
    5482.7344.2910.02.4281.952.769.226.55.6134.772.6
    5582.4944.2611.02.3309.545.2117.6−159.73.1−60.970.5
    5682.7544.2816.02.0334.439.6126.1−140.710.4−27.065.4
    5782.8343.499.03.7272.846.187.14.91.1121.887.7
      注:表中黑体数字为精河地震序列中部分 ML>3.0余震及其震源机制解。
    下载: 导出CSV 
    | 显示表格

    图9 统计了反演得到的所有余震震源机制解的走向、倾角和滑动角的玫瑰花图,可见:节面的走向集中在近EW向这一优势方向以及SW向这一次优势方向,倾角均值大约为50°,表明发震断层为东西走向、倾角为50°的逆断层,这与主震的震源机制解结果相一致。

    图  9  精河地震序列的节面走向(a)、倾角(b)、滑动角(c)玫瑰花图
    Figure  9.  Rose maps of the strike (a),dip (b) and rake (c) of nodal planes for the Jinghe earthquake sequence

    中小地震的震源参数通常具有很大的不确定性,但是大量离散分布的数据可以约束应力张量方向(Hardebeck,Michael,2006)。同样,Aki (1966)以及陈运泰和顾鼎浩(2007)认为对反演大量震源机制解得到的P轴和T轴方向进行统计平均可以获得该地区的构造应力场情况。图10展示了P轴和T轴的方位角和倾角,可知,P轴方向主要集中在NS向,倾角均值为28°左右。崔效锋等(2005)根据应力倾角大小划分发震类型,当P轴倾角介于20°—35°时,其发震类型以逆断为主兼有走滑。考虑到P轴优势方位与该区域的现代构造应力场相一致(许忠淮等,1989),结合震源区构造背景及应力情况,本文推测本次精河地震是由于印度板块向北运动,与欧亚板块发生碰撞挤压,导致震源区的应力累积到一定程度而使介质发生破裂的结果。

    图  10  精河地震序列P轴(左)和T轴(右)的方位角(a)和倾角(b)的玫瑰花图
    Figure  10.  Rose maps of the azimuth (a) and plunge (b) of P-axis (left panels) and T-axis (right panels) for the Jinghe earthquake sequence

    本文得到的精河地震余震的震源机制解与主震相类似,而这一现象并不是仅在本次地震才出现。对于2013年芦山地震,通过计算共得到114次ML>3.0余震的震源机制解,对其进行统计,结果显示所得平均结果与主震相类似,反映了余震活动主要受龙门山断裂带所在区域应力场的控制;此外,芦山地震余震的震源机制解出现了随时间紊乱的现象,这可能反映了震源区的应力调整过程(张致伟等,2015)。2017年九寨沟地震的13次ML≥4.0余震的震源机制解同样与主震的震源机制解相一致,而该地区受到的NE方向的主压应力方向也与该区域的构造应力场方向一致(易桂喜等,2017)。精河地震ML>3.0余震的震源机制解与主震相类似,震源机制解中的走向近EW向,倾角大约45°,主要以逆冲类型地震为主,这说明余震发生在与主震一致的主破裂面上(魏柏林,1980)。鉴于震源机制解得到的P轴方向与区域构造应力场方向相同,均为近NS向,再结合前面的研究工作可知,本次地震的余震活动主要是受到区域应力场的控制。除了与主震一致的震源机制解外,由余震震中分布图(图5a)和震源机制解的节面走向(图9)还可看到,除EW向的优势断裂方向之外,还存在近SW向的次级优势方向断裂。根据岩石破裂的最大剪切应力理论,结合地质条件,最大主应力轴与破裂面之间会有20°—25°的夹角(陈运泰,顾浩鼎,2007)。本次余震序列的水平分布和余震震源机制解走向均存在SW方向的次级断裂方向。考虑到精河地震震源区的最大主压应力近NS向,所以除了优势方向之外,还在NS方向附近的次优势方向SW方向上发生了破裂。再有,中小地震的发生存在随机性,由于主震的发生使得震源区应力进行了调整,并且余震的发生不仅由区域构造应力场控制,还与震源区的局部构造应力场有关。综合以上因素,余震的震源机制解呈现复杂性,即本次地震的余震除了逆冲类型,还存在其它类型的地震。

    本文基于中国地震台网中心的震相资料及震后布设的流动台站资料使用双差定位法对精河地震的余震序列进行了精定位,重定位之后主震的震中位于(44.27°N,82.85°E),震源深度为17 km,主震震中位于余震序列东侧,余震主要分布在3—18 km深度范围内。余震序列的优势方向与余震序列和主震连线方向一致,且均与库松木楔克山前断裂的走向一致。由垂直断层面投影的余震序列剖面图可以看出,存在断层面南倾、倾角大致为45°的断层面,结合等烈度线初步认为,本次地震的发震构造为库松木楔克山前断裂,而且本次地震使得该断裂向东扩展了30 km。

    使用CAP反演得到的主震震源机解制显示走向为260°,倾角为51°,滑动角为84°;使用GPAT反演得到的大量余震震源机制解的统计平均结果与反演得到的主震震源机制解相近。震源机制解的走向近EW向,与余震序列的优势方向一致,倾角与剖面图得到的结果相吻合。震源类型为逆冲型,与库松木楔克山前断裂的性质相一致,因此更加印证了该断裂为本次精河地震的发震构造,这与徐志国等(2019)对该地震发震构造的研究结果相一致。

    本文统计平均得到震源区的P轴方向为185.6°,近NS向,倾角为28°,P轴方向与现代构造应力场方向一致。结合主震震源机制解、余震序列精定位和余震的震源机制解可知,精河地震是由于印度板块向北挤压欧亚板块造成近EW向的库松木楔克山前断裂发生破裂而导致的逆冲型地震。由于区域构造应力场的作用,大部分余震的震源机制解与主震相一致。但是,局部应力场和震源区构造环境的复杂性,以及主震所在岩体对附近岩块所产生的转换应力而引起的剪切破裂(魏柏林,1980)等因素导致了余震震源机制解的复杂性。

    中国地震台网中心提供了震相数据,新疆地震局提供了震源区烈度图,中国地震局地球物理研究所严川博士提供了GPAT程序,防灾科技学院万永革教授提供了基于小震分布和区域应力场确定大震断层面参数方法的相关程序,美国圣路易斯大学朱露培教授提供了CAP程序,哥伦比亚大学Waldhauser教授提供了双差定位程序,部分图件采用GMT软件绘制,作者在此一并表示衷心的感谢。

  • 图  1   震级、场地剪切波速及记录数随震源距的变化

    Figure  1.   Distribution of magnitude,site shear wave velocity and event counts with hypocentral distance

    图  2   训练集与测试集分布情况对比图

    Figure  2.   Distribution of training and test datasets

    图  3   CNN模型架构图

    Figure  3.   Architecture of CNN model proposed in this study

    图  4   模型训练五折交叉验证示意图

    Figure  4.   Schematic diagram of five-fold cross-validation in model training

    图  5   3 s时窗下CNN估算震级(a)、Pd估算震级(b)与实际震级的比较分析

    Figure  5.   Comparison of the estimated magnitude by CNN (a) and by Pd (b) with actual magnitude for the time window of 3 s

    图  6   3 s时窗下震级估算的误差分布(a)和误差均值图(b)

    Figure  6.   Error distribution (a) and error mean (b) of CNN and P d magnitude estimation with 3 s time window

    图  7   不同时间窗长t下CNN (上)与Pd (下)估算震级与实际震级的比较分析

    Figure  7.   Comparison of the estimated magnitude by CNN (upper) and Pd (lower) with actual ones for different time windows

    表  1   场地条件分类(引自Zeynalov et al,2013

    Table  1   Site condition classification (after Zeynalov et al,2013

    场地分类场地分类vS30/(m·s−1
    A硬土 [ 600,+∞)
    B中土 [ 200,600)
    C软土(0,200)
    注:vS30代表地表下30 m土体的平均剪切波速。
    下载: 导出CSV

    表  2   神经网络(CNN)模型和Pd参数方法在不同时窗下的预测结果统计

    Table  2   Prediction result statistics of neural network model (CNN) and Pd with different time windows

    时窗长度/s误差标准差误差平均值准确率
    CNNPdCNNPdCNNPd
    4 0.234 0 0.329 1 0.224 4 0.419 8 92.46% 66.09%
    5 0.218 0 0.305 9 0.222 8 0.396 7 93.32% 68.83%
    6 0.197 8 0.282 9 0.199 3 0.376 6 94.91% 71.17%
    7 0.185 2 0.267 5 0.194 7 0.361 7 95.41% 73.02%
    8 0.173 9 0.259 1 0.189 7 0.351 5 95.78% 74.43%
    9 0.164 6 0.254 4 0.191 3 0.343 1 96.08% 75.52%
    下载: 导出CSV
  • 陈运泰. 2009. 地震预测:回顾与展望[J]. 中国科学:D辑,39(12):1633–1658.

    Chen Y T. 2009. Earthquake prediction:Retrospect and prospect[J]. Science in China:Series D,39(12):1633–1658 (in Chinese).

    李山有. 2018. 走近地震预警[J]. 防灾博览,(2):14–23.

    Li S Y. 2018. Approaching the earthquake early warning[J]. Overview of Disaster Prevention,(2):14–23 (in Chinese).

    马强. 2008. 地震预警技术研究及应用[D]. 哈尔滨: 中国地震局工程力学研究所: 96–102.

    Ma Q. 2008. Study and Application on Earthquake Early Warning[D]. Harbin: Institute of Engineering Mechanics, China Earthquake Administration: 96–102 (in Chinese).

    王延伟,李小军,曹振中,兰景岩,刘娟. 2020. 基于KiK-net井下基岩强震动记录的持续地震预警震级估算方法[J]. 地震工程与工程振动,40(4):42–52.

    Wang Y W,Li X J,Cao Z Z,Lan J Y,Liu J. 2020. Continuous estimation magnitude for earthquake early warning based on KiK-net borehole bedrock strong motions[J]. Earthquake Engineering and Engineering Dynamics,40(4):42–52 (in Chinese).

    于子叶,储日升,盛敏汉. 2018. 深度神经网络拾取地震P和S波到时[J]. 地球物理学报,61(12):4873–4886. doi: 10.6038/cjg2018L0725

    Yu Z Y,Chu R S,Sheng M H. 2018. Pick onset time of P and S phase by deep neural network[J]. Chinese Journal of Geophysics,61(12):4873–4886 (in Chinese).

    Allen R M,Kanamori H. 2003. The potential for earthquake early warning in southern California[J]. Science,300(5620):786–789. doi: 10.1126/science.1080912

    Allen R M,Gasparini P,Kamigaichi O,Böse M. 2009. The status of earthquake early warning around the world:An introductory overview[J]. Seismol Res Lett,80(5):682–693. doi: 10.1785/gssrl.80.5.682

    Asano K,Iwata T. 2012. Source model for strong ground motion generation in the frequency range 0.1−10 Hz during the 2011 Tohoku earthquake[J]. Earth Planets Space,64(12):1111–1123. doi: 10.5047/eps.2012.05.003

    Dokht R M H,Kao H,Visser R,Smith B. 2019. Seismic event and phase detection using time-frequency representation and convolutional neural networks[J]. Seismol Res Lett,90(2A):481–490. doi: 10.1785/0220180308

    Espinosa-Aranda J M,Cuellar A,Garcia A,Ibarrola G,Islas R,Maldonado S,Rodriguez F H. 2009. Evolution of the Mexican seismic alert system (SASMEX)[J]. Seismol Res Lett,80(5):694–706. doi: 10.1785/gssrl.80.5.694

    Geller R J. 1997. Earthquake prediction:A critical review[J]. Geophys J Int,131(3):425–450. doi: 10.1111/j.1365-246X.1997.tb06588.x

    Hinton G E,Salakhutdinov R R. 2006. Reducing the dimensionality of data with neural networks[J]. Science,313(5786):504–507. doi: 10.1126/science.1127647

    Hoshiba M,Kamigaichi O,Saito M,Tsukada S,Hamada N. 2008. Earthquake early warning starts nationwide in Japan[J]. Eos Trans Am Geophys Union,89(8):73–74.

    Lockman A B,Allen R M. 2005. Single-station earthquake characterization for early warning[J]. Bull Seismol Soc Am,95(6):2029–2039. doi: 10.1785/0120040241

    Lomax A,Michelini A,Jozinović D. 2019. An investigation of rapid earthquake characterization using single‐station waveforms and a convolutional neural network[J]. Seismol Res Lett,90(2A):517–529. doi: 10.1785/0220180311

    Melgar D,Crowell B W,Geng J H,Allen R M,Bock Y,Riquelme S,Hill E M,Protti M,Ganas A. 2015. Earthquake magnitude calculation without saturation from the scaling of peak ground displacement[J]. Geophys Res Lett,42(13):5197–5205. doi: 10.1002/2015GL064278

    Minson S E,Meier M A,Baltay A S,Hanks T C,Cochran E S. 2018. The limits of earthquake early warning:Timeliness of ground motion estimates[J]. Sci Adv,4(3):eaaq0504. doi: 10.1126/sciadv.aaq0504

    Mousavi S M,Beroza G C. 2020. A machine‐learning approach for earthquake magnitude estimation[J]. Geophys Res Lett,47(1):e2019GL085976.

    National Research Institute for Earth Science and Disaster Resilience. 2020. Strong-motion seismograph networks (K-NET, KiK-net)[EB/OL]. [2020-10-21]. https://www.kyoshin.bosai.go.jp/kyoshin/data/index_en.html.

    Peng C Y,Yang J S,Zheng Y,Zhu X Y,Xu Z Q,Chen Y. 2017. New τc regression relationship derived from all P wave time windows for rapid magnitude estimation[J]. Geophys Res Lett,44(4):1724–1731.

    Saad O M,Hafez A G,Soliman M S. 2020. Deep learning approach for earthquake parameters classification in earthquake early warning system[J]. IEEE Geosci Remote Sens Lett,18(7):1293–1297.

    Wang Y W,Li X J,Wang Z F,et al. 2021. Deep learning for P-wave arrival picking in earthquake early warning[J]. Earthq Eng Eng Vib,20(2):391–402. doi: 10.1007/s11803-021-2027-6

    Wolfe C J. 2006. On the properties of predominant-period estimators for earthquake early warning[J]. Bull Seismol Soc Am,96(5):1961–1965. doi: 10.1785/0120060017

    Wu Y M,Teng T. 2002. A virtual subnetwork approach to earthquake early warning[J]. Bull Seismol Soc Am,92(5):2008–2018. doi: 10.1785/0120010217

    Wu Y M,Kanamori H. 2005. Rapid assessment of damage potential of earthquakes in Taiwan from the beginning of P waves[J]. Bull Seismol Soc Am,95(3):1181–1185. doi: 10.1785/0120040193

    Wu Y M,Zhao L. 2006. Magnitude estimation using the first three seconds P‐wave amplitude in earthquake early warning[J]. Geophys Res Lett,33(16):L16312. doi: 10.1029/2006GL026871

    Zeynalov L,Polukhov I,Gölalmış M. 2013. Comparison of Azerbaijan and other seismic codes[J]. Earthq Resist Eng Struct IX,132:205–217.

    Zhu W Q,Beroza G C. 2019. PhaseNet:A deep-neural-network-based seismic arrival-time picking method[J]. Geophys J Int,216(1):261–273.

    Zollo A,Lancieri M,Nielsen S. 2006. Earthquake magnitude estimation from peak amplitudes of very early seismic signals on strong motion records[J]. Geophys Res Lett,33(23):L23312. doi: 10.1029/2006GL027795

  • 期刊类型引用(10)

    1. 李思妍,李桂荣,王晓飞,阿卜杜塔伊尔·亚森. 利用GPS资料分析新疆两次6级地震震前位移微动态特征. 内陆地震. 2024(03): 231-241 . 百度学术
    2. 丁宇,李桂荣,朱治国,李瑞,苏力坦·玉散,李杰,刘代芹,杨磊,赵磊,孙小旭,塔依尔·喀哈尔. 新疆4次M_S≥6.0地震基线时间序列异常变化特征研究. 内陆地震. 2022(01): 33-41 . 百度学术
    3. 黄帅堂,常想德,马建,胡伟华,任静,刘建明,张文秀,赖爱京. 天山北麓库松木契克山山前断裂东段断层陡坎研究. 地震地质. 2022(01): 20-34 . 百度学术
    4. 郑雪刚,马学军,赵鹏毕. 新疆精河M_S6.6地震震源深度研究. 内陆地震. 2022(04): 312-319 . 百度学术
    5. 张占阳,孙启凯,何亚东,张俊青,刘坤. 定量与定性分析在2017年精河M_S6.6地震中的应用. 华北地震科学. 2021(01): 64-69 . 百度学术
    6. 王平川,张勇,冯万鹏. 2017年精河M_S6.6地震的断层参数和破裂过程. 地震学报. 2021(02): 137-151+135 . 本站查看
    7. 李惠玲,曹建玲,魏文薪. 新疆精河2017年6.6级地震对2018年5.4级地震的应力影响分析. 大地测量与地球动力学. 2021(12): 1253-1257+1320 . 百度学术
    8. 王月,胡少乾,何骁慧,郭凯,解孟雨,邓世广,马亚伟. 2021年5月21日云南漾濞6.4级地震序列重定位及震源机制研究. 地球物理学报. 2021(12): 4510-4525 . 百度学术
    9. 郭志,高星,路珍. 2019年6月17日四川长宁地震重定位及震源机制研究. 地震学报. 2020(03): 245-255+377 . 本站查看
    10. 唐明帅,王海涛,魏芸芸,李艳永,王琼,魏斌,苏金波. 利用接收函数探讨新疆几次中强地震的地壳孕育深度. 中国地震. 2020(03): 517-526 . 百度学术

    其他类型引用(2)

图(7)  /  表(2)
计量
  • 文章访问数:  824
  • HTML全文浏览量:  300
  • PDF下载量:  97
  • 被引次数: 12
出版历程
  • 收稿日期:  2021-11-04
  • 修回日期:  2022-01-03
  • 录用日期:  2022-03-08
  • 网络出版日期:  2022-04-21
  • 发布日期:  2022-04-23

目录

/

返回文章
返回