Rapid Earthquake Detection and Location for Dense Array Data in the Fault Zone of the Northern Margin of the East Qilian Mountains Based on Deep Learning
-
摘要: 为监测东祁连山北缘断裂带附近的地震活动性，布设包含240台短周期地震仪的面状密集台阵，进行约30 d的连续观测。首先使用基于深度学习的多台站地震事件检测算法（CNNDetector）进行地震事件检测，然后使用震相拾取网络（PhaseNet）对地震事件进行P波和S波到时拾取，其次使用震相关联算法（REAL）进行震相关联及初定位，最后使用双差定位（hypoDD）进行地震重定位，最终的精定位地震目录中共有517个地震。在密集台阵观测期间，中国地震台网正式地震目录中共有39个位于台阵内的地震事件，相比而言，密集台阵检测到大量小于0级的地震。因此通过布设密集台阵，可提高活动断裂微地震活动性的监测能力。与历史地震空间分布相比，密集台阵地震精定位分布具有较好的一致性，表现出更明显的线性分布特征。基于地震分布，发现研究区域存在与地表断层迹线走向不同的隐伏活跃断裂。Abstract: For monitoring the earthquake activity of the northern margin of east Qilianshan fault belt, we have deployed a dense seismic array consisting of 240 short-period seismic instruments for about one month observation. We first used the deep learning based multi-station event detector (CNNDetector) algorithm to detect seismic events. Then we used PhaseNet to pick first P and S arrivals for these events. To remove unreliable picks, we adopted the REAL algorithm for phase association and coarse event location. For the final step, we relocated 517 events by the double-difference seismic location method (hypoDD). For the same monitoring period, the China Earthquake Administration (CEA) catalog monitored 39 seismic events within the array. In comparison, our dense seismic array detected more weak events with magnitudes lower than zero, thus having higher monitoring ability for earthquake activity. Compared to historical earthquakes, seismic events detected by our dense array have consistent spatial distributions but more linear features. Based on the earthquake locations, we find there are active blind faults that have different strikes with surface fault traces.
-
Key words:
- Dense array /
- Deep learning /
- Earthquake location /
- Active fracture
-
引言
地质学家已经确定全球范围的全新世火山约有1500多座（许建东，2011）。火山类型主要为成层火山、复合式火山、熔岩锥、破火山口、盾状火山等（刘若新等，1999）。此外，还有众多火山位于深海海底，它们的喷发很少能到达水面，因此少有观察和记录。大部分火山的形成是板块运动的结果，是地球动力学过程的重要现象（Press等，1982）。全球现今活动构造划分为环太平洋、大洋中脊和大陆三大构造系统（马宗晋等，2003）。全球火山活动分西太平洋火山活动区、东太平洋火山活动区以及大西洋火山活动区（洪汉净等, 2003, 2009）。位于太平洋板块西南缘的印度尼西亚、菲律宾和日本等国家，拥有的火山数量为全球正在活动火山数量的1/3（Siebert等，2010），2017年该区域活动强度最大的火山为印度尼西亚巴厘岛的阿贡火山（王佳龙等，2018a）。
本文数据主要来自全球火山计划网站2，该网站由华盛顿国家自然历史博物馆矿物科学部门（Department of Mineral Sciences，National Museum of Natural History，Washington D.C）的史密森全球火山项目（Smithsonian Institution Global Volcanism Program）支撑，汇集了世界各地活动火山监测机构的监测信息及相应的火山监测网站链接，并于每周四发布监测周报。文中的活动火山指2016年12月30日—2017年12月31日发生活动并被该网站记录下来的火山。
2 http://volcano.si.edu/reports_weekly.cfm
通过整理该网站2017年发布的约858条全球火山监测活动信息，总结2017年度全球火山活动的时空关系，并针对阿贡火山的喷发过程进行了追踪，为监测火山喷发、研究火山活动机理、预测火山灾害等提供参考。
1. 2017年全球活动火山空间分布特征
火山警戒等级是衡量火山活动危险程度的标识，USGS火山灾害项目1将火山预警等级划分为正常（Ⅰ级）、咨询（Ⅱ级）、注意（Ⅲ级）和警戒（Ⅳ级）4个等级，其代表的危险程度依次上升，火山活动越强烈，引发的火山灾害也越严重。具体划分标准为：Ⅰ级，火山警戒级别为正常，航空颜色代码为绿色，火山有活动迹象，但活动处于正常范围内，主要表现为火山喷气及火山灰柱飘散；Ⅱ级，火山警戒级别为低度警戒，航空颜色代码为黄色，火山活动信号上升，高于正常范围，主要表现为火山出现热异常，火山喷气柱升高，出现火山爆炸声，火山由正常活动向危险活动过渡，该类型火山一般不稳定；Ⅲ级，火山警戒级别为中度警戒，航空颜色代码为橙色，火山活动信号进一步上升，具有喷发的前兆，主要表现为火山地震频率和强度增大，可以监测到熔岩流溢出，热异常和火山灰柱活动都有所加强；Ⅳ级，火山警戒级别为高度警戒，航空颜色代码为红色，表现为火山即将喷发或正在喷发。一般情况下，火山的警戒等级随火山活动的强弱而改变，可能会在数月内出现连续变化（张传杰等，2016）。
1 https://volcanoes.usgs.gov/vhp/about_alerts.html
全球活动火山约有80%分布在环太平洋地区（Siebert等，2010）。2017年度的活动火山约有90%分布在环太平洋地区，其中，太平洋北部阿留申群岛、堪察加半岛和北方四岛等分布12座活动火山，其警戒等级为Ⅱ级和Ⅲ级，警戒等级Ⅲ级的活动火山相对比较活跃；位于太平洋板块西缘的日本岛弧和东部海岛分布11座活动火山，警戒等级为Ⅰ级的火山相对比较活跃；位于澳大利亚板块北缘的印度尼西亚等一系列岛链，由澳大利亚板块向北俯冲到缅甸板块、欧亚板块和太平洋板块之下形成，构造复杂，火山活动能量大，2017年此区域有21座活动火山，包括3座警戒等级Ⅲ级的活动火山，可见其活动频度和强度都极高。
全球火山分布图（图 1）的底图来源于USGS，对其做罗宾逊投影变换，中央子午线设为155.0°E。若某火山2017年每周均有持续活动，则将该火山的活动频率设为1；若火山全年无任何活动，则将火山的活动频率设为0。火山的活动频率一般介于0和1之间，它反映了火山的活跃程度。
2. 2017年全球活动火山时间分布特征
2017年全球范围内，平均每月约有30座火山喷发的记录，最多达34座，最少为26座（图 2）。年度内火山活动数量和活动强度有逐渐增多、增强的趋势，表明俯冲板块活动的加剧。可将活动的火山分为3种类型（图 3）：①“冒泡”型，一般活动强度较弱，持续时间较短，警戒等级一般为Ⅰ级或Ⅱ级，活动形式主要表现为火山喷气、火山震颤、火山地震等，通常不会造成地质灾害和影响周围居民的生活，典型代表有冰岛的卡特拉火山（Katla）、美国的希沙尔丁火山（Shishaldin）、印度尼西亚的赛梅鲁火山（Semeru）和俄罗斯的朱帕诺夫斯基火山（Zhupanovsky）等；②“持续”型，基本常年处于持续喷发状态，警戒等级一般为Ⅱ级或Ⅲ级，活动形式主要表现为火山喷气、火山地震、岩浆活动、火山碎屑流等，这类火山是全球火山监测的重点，对其进行的火山喷发监测和火山灾害预防都较为成熟，典型代表有美国夏威夷的基拉韦厄火山（Kilauea）（Fontijn等，2015；王佳龙，2018b）、印度尼西亚的锡纳朋火山（Sinabung）、秘鲁的萨班卡亚火山（Sabancaya）和俄罗斯勘察加半岛的希韦卢奇火山（Sheveluch），这几座火山几乎常年都在活动，火山区周围常引发地质灾害；③“剧烈”型，常年处于稳定状态，偶尔几周或几个月突然爆发，警戒等级一般为Ⅲ级或Ⅳ级，喷发的形式主要表现为喷发柱的突然上升，有时高达几千米至十几千米，随后火山碎屑物质喷出火口并造成坍塌，引发火山碎屑流，最后岩浆溢出形成熔岩流，典型代表有日本的新燃岳火山（Kirishimayama）、菲律宾的马荣火山（Mayon）以及印度尼西亚的阿贡火山（Agung）（王佳龙，2018a）。
图 2 2017年度全球火山喷发数量2017年度全球火山喷发数量Figure 2. The number of worldwide volcanic eruptions in 20173. 阿贡火山的喷发过程
全球的活火山主要分布在环太平洋地区，此区域也是著名的“火环”，而印度尼西亚岛链是西南太平洋最为活跃的1条“火链”（图 4，图中火山名称下方数字，如2003/46/2代表的含义为2003年第1次监测到该火山的活动，目前共计活动了46周，2017年度从2月开始变活跃），其居民数量为世界之最，阿贡火山则是该“火链”中最为活跃的火山之一（Self等1996）。阿贡火山的喷发周期约50年，最近1次喷发于1963年（Zen等1964；Marinelli等，1968），距今56年。据印尼国家灾害管理局1（Badan Nasional Penanggulangan Bencana）的监测数据，自2017年8月开始，阿贡火山的地震明显增多，有复苏和再次喷发的前兆，9月份火山警戒等级升至Ⅲ级，10月份开始有喷发柱喷出，11月喷发柱急剧上升至4km并开始有岩浆活动，警戒等级也升至最高级Ⅳ级。印度尼西亚岛链位于澳大利亚板块与欧亚板块之间，由于澳大利亚板块向北的俯冲，在此区域形成了1套完整的沟-弧-盆体系。5—6级地震的震中主要位于岛链与巽他海沟之间，与岛链大致平行，距离岛链约100—150km，地震震源深度约100km；活火山主要位于岛链内部，岩浆来源大致在深度150—200km板块的交汇处。由此可见，由澳大利亚板块俯冲而下的矿物在岛链下方150—200km处发生脱水作用，脱水诱导下覆地震的部分熔融，产生低盐度、钙碱性岩浆；岩浆上升侵入上覆板块的岩石圈中。
4. 阿贡火山喷发过程中的形变
在火山喷发过程中，前期地下岩浆活动，地表热异常，火山开始膨胀；当压力达到一定程度后，火山气体首先冲出，火山通道内部的压力减小，岩浆成分挥发，火山灰喷出，随后岩浆补给，岩浆爆炸喷出或溢出火口，后期岩浆冷却收缩，火口坍塌。目前，阿贡火山处在火山灰的喷发过程，未出现岩浆溢出。自2017年6月开始，阿贡火山有所膨胀，至2017年12月膨胀近15cm，随后开始逐渐收缩（图 5）。膨胀的中心位于阿贡火山北侧附近，并未在火山的正下方，说明岩浆通道向北倾斜。
图 5 阿贡火山喷发过程干涉条纹图及对应的地表形变Figure 5. Surface deformation before and after the Agung volcano eruption采用“二通”法对收集到的SAR复数影像进行干涉差分处理。在处理过程中，使用SRTM4 DEM数据消除地形相位影响，同时，为保证较高的配准精度，采用结合轨道和地形数据的图像配准技术，配准精度优于0.001个像元。由于巴厘岛大部分地区为山地，且气候温和多雨，岛上植被茂盛，易造成干涉像对的失相干，同时SAR影像在山区易出现叠掩、透视收缩、阴影等，也将加剧失相干的程度。失相干区或低相干区将导致相位解缠误差，为此，使用迭代自适应滤波算法进行降噪处理，并采用基于狄洛尼三角剖分的最小费用流算法（MCF）。首先，对高质量的相位区进行解缠获得可靠的参考相位模型，再利用参考相位实现对低相干区域的解缠，从而得到全局的最优结果，最后，经过地理编码获取了阿贡火山喷发过程的InSAR形变场。
5. 阿贡火山喷发柱高度变化
阿贡火山自2017年9月开始活动以来，活动特征明显，浅源小震持续增多、热异常明显。2017年10月后，阿贡火山开始出现不同规模的爆炸，爆炸产生的火山灰柱上升至高空并随风向飘逸，爆炸的规模直接决定了喷发柱的高度。阿贡火山的整个喷发过程以及爆炸与喷发柱变化的关系，如图 6所示。由图可见，阿贡火山在2017年10月份主要表现为火山地震和震颤，是地下岩浆通过管道向上运移的过程，此时山体表面也开始不断膨胀，该过程一直持续到11月27日，当日发生1次剧烈爆炸，造成火山剧烈喷发，喷发柱升至海拔4km，大量火山碎屑流顺火山翼冲下，当地居民被迫迁移，航班被迫取消；在随后的3个月内，不断有地下岩浆补给，经常性地发生爆炸并产生喷发柱；在2018年2月27日之后，岩浆补给减弱，火山警戒等级下降，爆炸规模减小，喷发柱高度降低，火山表面逐渐收缩；自2017年9月末至2018年3月末，阿贡火山历经了整个喷发过程，从开始的地震活动，到喷发时大规模爆炸，再到最后阶段的平静收缩，此过程对研究其它“剧烈”型火山具有借鉴意义。
图 6 阿贡火山喷发过程喷发柱高度变化Figure 6. Changes in eruption column height during the eruption of Agung volcano6. 结论
2017年全球火山喷发较往年强烈，年度内火山数量和强度均有增大的趋势（图 7）。其中“剧烈”型火山造成的火山灾害较为严重，应对其加强监测和防灾。活火山主要分布在环太平洋地区，位于太平洋西南的印度尼西亚是2017年受灾最为严重的地区，据印尼国家灾害管理局的统计，阿贡火山的喷发造成10万余人无家可归。阿贡火山历时半年多的活动过程从膨胀到收缩，从平静到爆炸再到平静，使我们对火山喷发的过程有了更全面的了解。
-
图 1 研究区域台站及历史地震事件分布
Figure 1. Distribution of stations and historical earthquakes in the study area
图 2 CNNDetector检测出的2个地震事件波形
Figure 2. Waveforms of two seismic events detected by CNNDetector
图 3 PhaseNet到时拾取结果和不同台站接收到的事件317的波形图
Figure 3. Examples of PhaseNet arrival time picking results and waveforms of event 317 received at different stations
图 5 REAL震相关联及初定位结果
Figure 5. Seismic phase association and earthquake location results by the REAL algorithm
-
[1] 郭鹏, 韩竹军, 安艳芬等, 2017. 冷龙岭断裂系活动性与2016年门源6.4级地震构造研究. 中国科学: 地球科学, 60（5）: 929—942.Guo P., Han Z. J., An Y. F., et al., 2017. Activity of the Lenglongling fault system and seismotectonics of the 2016 MS 6.4 Menyuan earthquake. Science China Earth Sciences, 60（5）: 929—942. (in Chinese) [2] 郭鹏, 2019. 北祁连山冷龙岭断裂大震复发行为与危险性研究. 北京: 中国地震局地质研究所.Guo P., 2019. Earthquake recurrence behavior and seismic hazards of the Lenglongling Fault, northern Qilian Shan. Beijing: Institute of Geology, China Earthquake Administrator. (in Chinese) [3] 侯康明, 1998. 皇城-双塔断裂带的几何分段及运动学特征. 华南地震, 18（3）: 28—34Hou K. M. , 1998. The geometric segmentation and kinematics characteristics of Huangcheng-Shuangta fault zone. South China Journal of Seismology, 18(3): 28—34. (in Chinese) [4] 戚帮申, 2014. 祁连山新生代构造地貌演化特征. 北京: 中国地质大学（北京）.Qi B. S., 2014. Tectonic and geomorphological evolution features in Qilian Mountains during the Cenozoic. Beijing: China University of Geosciences Beijing. (in Chinese) [5] 莘海亮, 2020. 中国大陆岩石圈地震体波三维走时速度成像与地震定位研究. 合肥: 中国科学技术大学.Xin H. L., 2020. Three-dimensional seismic travel time tomography of lithosphere of continental China and earthquake relocations. Hefei:University of Science and Technology of China. (in Chinese) [6] 张培震, 沈正康, 王敏等, 2004. 青藏高原及周边现今构造变形的运动学. 地震地质, 26（3）: 367—377 doi: 10.3969/j.issn.0253-4967.2004.03.002Zhang P. Z. , Shen Z. K. , Wang M. , et al. , 2004. Kinematics of present-day tectonic deformation of the Tibetan Plateau and its vicinities. Seismology and Geology, 26(3): 367—377. (in Chinese) doi: 10.3969/j.issn.0253-4967.2004.03.002 [7] 赵明, 陈石, 2021a. 基于深度学习的地震检测模型在区域台网的泛化性研究. 地震, 41（1）: 166—179Zhao M. , Chen S. , 2021a. The Generalization ability research of deep learning algorithm in seismic phase detection of regional seismic network. Earthquake, 41(1): 166—179. (in Chinese) [8] 赵明, 唐淋, 陈石等, 2021b. 基于深度学习到时拾取自动构建长宁地震前震目录. 地球物理学报, 64（1）: 54—66Zhao M. , Tang L. , Chen S. , et al. , 2021b. Machine learning based automatic foreshock catalog building for the 2019 MS 6.0 Changning, Sichuan earthquake. Chinese Journal of Geophysics, 64(1): 54—66. (in Chinese) [9] Han S. C. , Zhang H. J. , Xin H. L. , et al. , 2022. USTClitho2.0: updated unified seismic tomography models for continental china lithosphere from joint inversion of body‐wave arrival times and surface‐wave dispersion data. Seismological Research Letters, 93(1): 201—215. doi: 10.1785/0220210122 [10] Kissling E. , Ellsworth W. L. , Eberhart‐Phillips D. , et al. , 1994. Initial reference models in local earthquake tomography. Journal of Geophysical Research: Solid Earth, 99(B10): 19635—19646. doi: 10.1029/93JB03138 [11] Li Z. F. , Peng Z. G. , Hollis D. , et al. , 2018. High-resolution seismic event detection using local similarity for Large-N arrays. Scientific Reports, 8(1): 1646. doi: 10.1038/s41598-018-19728-w [12] Liu M. , Zhang M. , Zhu W. Q. , et al. , 2020. Rapid characterization of the July 2019 Ridgecrest, California, earthquake sequence from raw seismic data using machine‐learning phase picker. Geophysical Research Letters, 47(4): e2019GL086189. [13] McBrearty I. W. , Delorey A. A. , Johnson P. A. , 2019. Pairwise association of seismic arrivals with convolutional neural networks. Seismological Research Letters, 90(2A): 503—509. doi: 10.1785/0220180326 [14] Meng H. R. , Ben-Zion Y. , 2018. Detection of small earthquakes with dense array data: Example from the San Jacinto fault zone, southern California. Geophysical Journal International, 212(1): 442—457. doi: 10.1093/gji/ggx404 [15] Mousavi S. M. , Ellsworth W. L. , Zhu W. Q. , et al. , 2020. Earthquake transformer—an attentive deep-learning model for simultaneous earthquake detection and phase picking. Nature Communications, 11(1): 3952. doi: 10.1038/s41467-020-17591-w [16] Perol T. , Gharbi M. , Denolle M. , 2018. Convolutional neural network for earthquake detection and location. Science Advances, 4(2): e1700578. doi: 10.1126/sciadv.1700578 [17] Ross Z. E. , Meier M. A. , Hauksson E. , et al. , 2018. Generalized seismic phase detection with deep learning. Bulletin of the Seismological Society of America, 108(5A): 2894—2901. doi: 10.1785/0120180080 [18] Ross Z. E. , Trugman D. T. , Hauksson E. , et al. , 2019a. Searching for hidden earthquakes in southern California. Science, 364(6442): 767—771. doi: 10.1126/science.aaw6888 [19] Ross Z. E. , Yue Y. S. , Meier M. A. , et al. , 2019b. PhaseLink: a deep learning approach to seismic phase association. Journal of Geophysical Research: Solid Earth, 124(1): 856—869. doi: 10.1029/2018JB016674 [20] Ross Z. E. , Cochran E. S. , Trugman D. T. , et al. , 2020. 3D fault architecture controls the dynamism of earthquake swarms. Science, 368(6497): 1357—1361. doi: 10.1126/science.abb0779 [21] Waldhauser F. , Ellsworth W. L. , 2000. A double-difference earthquake location algorithm: method and application to the northern Hayward fault, California. Bulletin of the Seismological Society of America, 90(6): 1353—1368. doi: 10.1785/0120000006 [22] Wang R. J. , Schmandt B. , Zhang M. , et al. , 2020. Injection‐induced earthquakes on complex fault zones of the Raton Basin illuminated by machine‐learning phase picker and dense nodal array. Geophysical Research Letters, 47(14): e2020GL088168. [23] Xiao Z. W. , Wang J. , Liu C. , et al. , 2021. Siamese earthquake transformer: a pair‐input deep‐learning model for earthquake detection and phase picking on a seismic array. Journal of Geophysical Research: Solid Earth, 126(5): e2020JB021444. [24] Yang S. B. , Hu J. , Zhang H. J. , et al. , 2021. Simultaneous earthquake detection on multiple stations via a convolutional neural network. Seismological Research Letters, 92(1): 246—260. doi: 10.1785/0220200137 [25] Zhang M. , Ellsworth W. L. , Beroza G. C. , 2019. Rapid earthquake association and location. Seismological Research Letters, 90(6): 2276—2284. doi: 10.1785/0220190052 [26] Zhu W. Q. , Beroza G. C. , 2019. PhaseNet: a deep-neural-network-based seismic arrival-time picking method. Geophysical Journal International, 216(1): 261—273. 期刊类型引用(2)
1. 夏新宇，高原. 青藏高原东北缘构造特征与分层各向异性. 地震学报. 2025(01): 1-20 . 
百度学术2. 刘梁，鄢毛毛，刘攀飞，潘登，杨少博，查华胜，高级，张海江. 基于微动成像与微地震监测的盐矿溶腔及开采活动性研究Research on salt mine cavity and mining activity based on microtremor imaging and microseismic monitoring. 地球物理学进展. 2024(05): 1923-1934 . 百度学术其他类型引用(2)
-
下载:
下载:
点击查看大图
计量
- 文章访问数: 297
- HTML全文浏览量: 75
- PDF下载量: 52
- 被引次数: 4
