Science:寻找隐藏的微地震——应用模板匹配技术建立更完整的地震目录

科技工作者之家 2019-05-27

来源:中科院地质地球所

【前沿报道】Science:寻找隐藏的微地震——应用模板匹配技术建立更完整的地震目录

20190527080451_3a0ea6.jpg

通过模板匹配技术获得的地震数量通常能达到模板地震数量十倍以上,其丰富的时空分布特征,可以直接反映断层的深部结构及物理性质、触发地震的不同机制及地震的破裂过程等地震发育的重要问题。

要研究某一地区的地震发生规律,需要该地区的完整地震目录,尤其是小于一级以下的微地震目录。因为微地震时空分布特征能直接反映发震断层深部几何形态、前震和震群发生过程、地震触发机制和成核过程等地震发育关键问题。经过多年观测,地震学家发现地震活动存在一个重要统计特征:地震的震级降低一级,它的发生频度会增加约十倍,这个震级-发生频度的幂次经验规律称为古登堡-里克特定律(Gutenburg-Richter Law)(图1)。 


震级大的地震,产生的地震波能量强,在地震台站记录的信号清晰,研究人员容易识别和定位。而震级小的微震和超微震(以下简称微地震),产生的地震波能量弱,在地震波记录上经常被噪声掩盖,较难被辨认识别。完备震级(Mc)可以用来表示一个地震目录的完整程度,它是指在某一地区,该震级以上的所有地震都被地震台完整记录并列入地震目录;完备震级越低,缺失的微地震越少,地震目录越完整。常规处理获得的地震目录,完备震级一般比较大,会缺失大量微地震。比如,北京周边首都圈台网的密集台网,常规监测能力Mc约为1.0,即1.0级以上地震基本不存在漏报。要获得更完整可靠的地震目录,只能通过两种途径:(1)增加台站密度以提高地震台网对微地震的监测能力;(2)提高微地震弱信号的检测水平。 

20190527080451_3db6c2.jpg

图1  地震震级、地震发生频度及能量释放关系图(修改自IRIS)


在某一地区台站分布确定情况下,将已知地震波形做为模板,同连续数据进行互相关是一种检测微地震的有效方法,这种方法被称为模板匹配(template matching)、匹配滤波(matched filter)、或者匹配信号探测(matched signal detector)技术(Gibbons and Ringdal, 2006)。

模板匹配技术因为其对弱信号的优秀检测能力,最近被广泛应用于慢地震识别(如Shelly et al., 2007)、动态触发地震识别(如Han et al., 2017)及余震和前震识别(如Peng and Zhao, 2009;Wu et al., 2017)等诸多地震学研究。将双差定位同模板匹配结合起来,可以同时获得所检测地震的震源位置参数(Zhang et al., 2015)。但是,模板匹配技术存在一些缺陷:

(1)仅能同震源距离几百米内地震建立较好的互相关,因为不同地震的震源位置距离增大后,波形相似度会降低;

(2)要求检测到的地震间保持一定的时间间隔(如2秒),以降低不同模板事件被重复检测的可能性。

针对低信噪比的地震波形,同时考察整个台网多个台站不同分量连续波形同模板地震波的平均相关系数,可以显著提高地震信号探测能力,检测到的地震数量通常能达到模板地震数量十倍以上(Peng and Zhao, 2009)。但是互相关运算量与所使用的模板数量、模板波形长度、待检索的连续地震波形数量为平方关系,增加模板数量、模板长度、台站数量、连续记录时长,都会显著增加计算量。随着高性能图形处理芯片(GPU)的成熟应用,计算能力相比使用中央处理器(CPU)提高了几十到几百倍,针对数百个台站的大规模台阵几十年连续波形进行海量模板地震匹配运算成为可能。 


在最近出版的Science杂志上,刊载了在美国加州南部开展模板匹配识别微地震的最新成果(Ross et al., 2019)。这项研究应用2000-2017年发生的284,000个地震(其中2008-2017年共约180,000个地震)做为模板,使用200块英伟达P100 GPU对南加州地震台网400多个宽频带地震台2008-2017年十年的连续波形进行了模板匹配运算,共检测出约1,810,000个地震,平均每天约495个地震,将常规目录的完备震级Mc从 1.7级降低到了模板匹配目录的Mc 0.3级(图2)。

通过分析重定位后的地震模板匹配目录,有多项观测被确认:微地震空间分布将断层区内部结构勾勒得更清晰;发现了某些地震的前震序列,显示震群起始时间相比从南加州台网常规目录分析的时间早,发展过程也更连续平缓;此外在2010年墨西哥北部一个7.2级地震激发的地震波也引起南加州广泛的动态地震触发现象(图3)。 

20190527080452_445dd3.jpg图2  南加州地震模板匹配目录的基本情况(Ross et al., 2019)。(A)南加州地震台网常规目录、地震模板匹配目录(QTM)、及重定位后模板匹配目录这三者的震级-频度图;(B)相应的频度-震级累计曲线;(C)模板匹配目录的地震分布密度图(2 km × 2 km)


20190527080452_496e0d.jpg

图3  2010年墨西哥Mw 7.2 El Mayor-Cucapah地震后南加州的地震触发情况分析图(Ross et al., 2019)。(A)南加州地震台网常规目录显示在175 km内发生了地震触发。(B)地震模板匹配目录显示在275 km内发生了地震触发,这很可能是由主震地震波传播时的动态应力引起的。(C和D)红线表示地震活动性随到主震震中距离的变化,黑色虚线表示在2008-2009年之间计算得到的第95百分位数的周地震发生率 


我所岩石圈演化国家重点实验室吴晶副研究员利用模板匹配技术检测2013年在四川发生的6.7级芦山地震的余震时空分布特征(Wu et al., 2017),发现在震后一小时内余震仍围绕主震破裂发生,之后就开始扩散到更大区域,因此猜想早期余震可能主要由震后余滑控制;也有多位国内同行将该技术应用到动态触发地震的研究中(如Wang et al., 2015;Han et al., 2017;Li et al., 2019),发现全球大地震后在我国多地存在动态应力触发现象。模板匹配获得的新目录中会增加大量微地震,其丰富的时空分布特征,直接反映了断层的深部结构及物理性质、触发地震的不同机制及地震的破裂过程等地震发育的重要问题。 


由于模板匹配技术识别出来的新事件必须和已有的模板事件有比较好的波形相关性,因此这种方法并不能直接应用到没有模板事件的地区,或者识别出和模板事件完全不同的地震。当前应用人工智能技术,对连续地震波形开展地震自动识别已成为新的研究热点 (Kong et al., 2019)。对震级较大地震进行人工智能识别,将识别出的地震做为模板进行模板匹配,充分利用人工智能对高信噪比信号的可靠辨识,搭建深度的神经网络,及模板匹配对弱信号的有效甄别,可以大大提高连续地震数据的处理速度,进一步降低地震目录的完备震级,为后续研究提供可靠的数据基础。

致谢:本文得到美国乔治亚理工学院彭志刚教授、岩石圈演化国家重点实验室吴晶副研究员的帮助。      

参考文献:

1.Gibbons S J, Ringdal F. The detection of low magnitude seismic events using array-based waveform correlation[J]. Geophysical Journal International, 2006, 165(1): 149-166. 

2.Han L, Peng Z, Johnson C W, et al. Shallow microearthquakes near Chongqing, China triggered by the Rayleigh waves of the 2015 M7. 8 Gorkha, Nepal earthquake[J]. Earth and Planetary Science Letters, 2017, 479: 231-240.  

3.Kong Q, Trugman D T, Ross Z E, et al. Machine learning in seismology: Turning data into insights[J]. Seismological Research Letters, 2018, 90(1): 3-14.  

4.Li L, Wang B, Peng Z, et al. Dynamic triggering of microseismicity in Southwest China following the 2004 Sumatra and 2012 Indian Ocean earthquakes[J]//Journal of Asian Earth Sciences, 2019, 176: 129-140.

5.Peng Z, Zhao P. Migration of early aftershocks following the 2004 Parkfield earthquake[J]. Nature Geoscience, 2009, 2: 877-881.

6.Ross Z E, Trugman D T, Hauksson E, et al. Searching for hidden earthquakes in Southern California[J]. Science, 2019, eaaw6888.

7.Shelly D R, Beroza G C, Ide S. Non-volcanic tremor and low-frequency earthquake swarms[J]. Nature, 2007, 446(7133): 305-307.

8.Wang W, Meng X, Peng Z, et al. Increasing background seismicity and dynamic triggering behaviors with nearby mining activities around Fangshan Pluton in Beijing, China[J]. Journal of Geophysical Research: Solid Earth, 2015, 120(8): 5624-5638.

9.Wu J, Yao D, Meng X, et al. Spatial‐temporal evolutions of early aftershocks following the 2013 Mw 6.6 Lushan earthquake in Sichuan, China[J]. Journal of Geophysical Research: Solid Earth, 2017, 122(4): 2873-2889.

10.Zhang M, Wen L. An effective method for small event detection: match and locate (M&L)[J]. Geophysical Journal International, 2015, 200(3): 1523-1537.

来源:dizhidiqiusuo 中科院地质地球所

原文链接:http://mp.weixin.qq.com/s?__biz=MzI4ODc0NjIzNQ==&mid=2247495140&idx=2&sn=446f830910df26cce303d9ecdc0b91cb&chksm=ec3b1270db4c9b6670314cd98f6259a007cd7e89faa65a8b331081690500754cd2ad1f8b7f7b&scene=27#wechat_redirect

版权声明:除非特别注明,本站所载内容来源于互联网、微信公众号等公开渠道,不代表本站观点,仅供参考、交流、公益传播之目的。转载的稿件版权归原作者或机构所有,如有侵权,请联系删除。

电话:(010)86409582

邮箱:kejie@scimall.org.cn

地震 地震波

推荐资讯