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
地震事件检测与定位是很多地震学研究的基础。对于活动断层区域，可利用完备、可靠的地震事件检测与定位结果更好地了解区域地震活动性、刻画断层几何形态（Ross等，2019a，2020）。近年来，密集台阵的大规模布设有利于更多的微地震活动监测（Meng等，2018；Li等，2018），使需处理的地震数量迅速增加。人工智能在地震数据处理方面的成功应用提供了一系列快速、可靠的自动化地震数据处理方法，包括地震事件检测（Perol等，2018；Ross等，2018；Yang等，2021）、到时拾取（Zhu等，2019；Mousavi等，2020；Xiao等，2021）、震相关联（McBrearty等，2019；Ross等，2019b）等，这些自动化方法能够达到甚至超越人工处理的精度，大幅度提高了数据处理效率。
Wang等（2020）在Raton Basin（位于美国新墨西哥州和科罗拉多州的边界）布设了密集台阵，研究该区域诱发地震活动性。该研究将连续数据划分为多个12 s的数据段，使用PhaseNet（Zhu等，2019）拾取每个数据段中的P、S波到时，使用REAL算法（Zhang等，2019）进行震相关联并初定位，使用VELEST算法（Kissling等，1994）优化定位结果，使用相对定位算法hypoDD（Waldhauser等，2000）进行重定位。相比该地区之前的地震目录，该流程定位了更多的地震，更好地刻画了断层的几何形态。Liu等（2020）基于PhaseNet到时构建了2019年加州Ridgecrest地震序列目录。赵明等（2021b）对PhaseNet做迁移学习，进而用于构建长宁地震的前震目录。Ross等（2018）使用基于深度神经网络的Generalized Phase Detection算法进行地震事件检测及拾取，使用PhaseLink（Ross等，2019b）进行震相关联，使用传统定位方法获得该区域的地震目录。上述研究结果均表明将人工智能地震数据处理方法与传统定位方法相结合，能够快速、可靠地获得某地区的地震目录。
将上述地震事件检测与定位流程应用于东祁连山断裂带的密集台阵数据处理。由于密集台阵数据量大，在缺少GPU加速的情况下，使用PhaseNet拾取连续数据需耗费大量时间。因此，首先使用一个轻量的神经网络CNNDetector（Yang等，2021）进行地震事件检测，然后使用PhaseNet对检测到的事件进行到时拾取，最后使用传统方法进行地震定位和震级计算。相比中国地震台网正式地震目录，获得了更多的地震数据。
1. 研究区域
祁连山位于青藏高原块体、塔里木块体和阿拉善块体的衔接带上，其构造形变受青藏高原挤压作用及周缘活动断裂的控制。始新世末—渐新世早期，伴随着印度板块和欧亚板块的碰撞，祁连山地区发生构造变形与隆升；渐新世晚期—中新世早期，祁连山地区构造稳定，地形起伏变小，形成大面积夷平面；中新世中晚期（10～17 Ma）约为断裂带起始活动时间，断裂带以 NNE-NE 向的挤压逆冲和地壳缩短增厚为变形特征，造成断裂带沿线山脉的快速隆升；中更新世以来，断裂带转变为左旋走滑为主兼具逆冲运动，调整着青藏高原东北缘地壳物质向东运动，最终被断裂带尾端的六盘山逆冲褶皱带吸收（张培震等，2004；戚帮申，2014；郭鹏，2019）。
晚第四纪以来，在印度板块向欧亚板块NNE向持续的构造推挤过程中，青藏高原东北缘受北侧阿拉善地块和东侧鄂尔多斯块体的阻挡，在NE向或NEE向挤压作用下，构造变形十分强烈。祁连山吸收了青藏高原NE向的挤压变形，张培震等（2004）计算得到青藏高原北部边界的阿尔金山、祁连山共吸收了青藏15%～17% 的地壳缩短；祁连-海原断裂带作为青藏高原东北缘主要的边界左旋走滑断层，在调节高原东北缘地壳物质相对于阿拉善地块的向东运动中起重要作用。
本研究区位于北祁连山东部，主要包含皇城-双塔断裂、冷龙岭断裂。冷龙岭断裂与海原断裂、老虎山断裂、毛毛山断裂、金强河断裂和托莱山断裂构成长约 1 000 km的祁连-海原断裂带。冷龙岭断裂早期活动以挤压逆冲为主，自中更新世以来，断裂活动性质以左旋走滑为主，兼有正断层分量，晚第四纪时期主要表现为左旋走滑运动，现今滑动速率约为4～6 mm/yr （郭鹏等，2017；郭鹏，2019）。
从几何分段上可将皇城-双塔断裂带划分为西、中、东段，其中西段为皇城盆地断裂段，在晚更新世以来活动性弱，中、东段分别为上寺断裂段和冬青顶断裂段，活动性均较强。上寺断裂段以叠瓦状逆冲断构造为特征，冬青顶断裂段分为南、北枝，南枝为正断层，北枝为逆断层（侯康明，1998），1927年古浪地震发生于东段。
2. 研究数据
为确定研究区域精细的断裂结构，并监测祁连山断裂带附近的微地震活动性，于2019-07-20—2019-08-21在祁连山断裂带布设了面状密集台阵。该台阵包含6条测线，每条测线由40个短周期仪器EPS-2-M6Q组成（图1），仪器频带范围0.2～150 Hz，采样率200 Hz。测线之间的距离约10 km，测线内台间距从测线两端至中间逐渐由数公里缩小至数百米，整个台阵覆盖范围约为3 000 km2（50 km×60 km）。对采集数据进行预处理，包括去均值、去线性化及重采样至100 Hz。图1中蓝色三角表示台站，四个白色三角形为编号1001、1002、1030、2016的台站，黑色圆点表示历史地震事件（莘海亮，2020），黑色虚线表示断裂带，HSF表示皇城-双塔断裂，LLLF表示冷龙岭断裂，两个红色五角星为编号317和编号623的地震事件。
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 area3. 数据处理流程和结果
参考Wang等（2020）的数据处理流程，若直接使用PhaseNet进行事件检测与到时拾取，需将24 h连续数据切割成5 760个15 s的数据片段，在没有GPU的服务器上处理240个台站24 h的数据需耗费约36 h。相比PhaseNet，CNNDetector仅用于检测地震事件，其网络结构较简单，检测效率更高。在同台服务器中，处理240个台站24 h的数据仅需耗费约4 h，因此首先使用CNNDetector检测地震事件，然后使用PhaseNet拾取到时，再使用REAL初定位，最后使用hypoDD进行重定位。
3.1 地震事件检测
Yang等（2021）提出基于卷积神经网络的地震事件检测算法（CNNDetector），此算法综合多个台站的三分量地震记录判断1个时窗内是否存在地震事件，其检测精度高、误检率小，并在多个区域测试中表现出较好的泛化能力。进行祁连山密集台阵数据处理时，为检测到更多的微小地震，将240个台站按区域分为12组，对数据进行3～30 Hz的带通滤波后，使用CNNDetector对每组台站分别进行检测。设置阈值时，首先需满足能够检测到大多数已知地震事件的要求，然后尝试降低阈值，直至出现虚假检测结果，由此将阈值设置为0.5。在同一时窗内，若有2组以上的CNNDetector检测值超过阈值，则认为其为地震事件。在此标准下，共检测到1 036个地震事件，其中2个低阈值的地震事件如图2所示，其地震位置由图1红色五角星表示。
图 2 CNNDetector检测出的2个地震事件波形Figure 2. Waveforms of two seismic events detected by CNNDetector3.2 到时拾取
由于台站数量多，手动拾取检测到的1 036个地震事件需耗费大量时间，因此使用自动到时拾取算法进行拾取。PhaseNet是目前应用较多的基于深度学习的到时自动拾取算法（Zhu等，2019），其训练数据是北加州地震数据中心超过30年记录到的约700 000个地震波形，其对低信噪比的数据也具有一定拾取精度，且在不同地区具有较好的泛化能力（赵明等，2021a）。将P波和S波拾取阈值均设为0.3，共拾取到74 585个P波到时和75 191个S波到时。地震事件317的部分到时拾取结果如图3所示（图1中白色三角形为对应的接收台站位置），由图3可知，部分信噪比较低的信号也能被准确拾取。
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 stations3.3 震相关联及初定位
手动拾取到时时会考虑台站间信号的关联性，从而判断待拾取的是地震信号还是干扰信号。但自动拾取不会考虑，因此在震相关联前的时距曲线中有很多偏离P、S波时距曲线的点。因此对于自动拾取的震相到时，做进一步的震相关联是十分必要的。这里我们使用基于网格搜索的REAL算法（Zhang等，2019）进行震相关联及初定位。
选取台阵中心点处的USTClitho 2.0（Han等，2022）速度模型作为震相关联及初定位使用的速度模型（图4）。REAL的搜索范围为0.6°×0.6°×35 km，搜索网格尺寸为0.05°×0.05°×2 km，最终保留了550个满足以下条件的地震事件（图5（a））：超过10个P波到时、5个S波到时、20个P波加S波到时且台站间隙角＜240°，其中震相走时残差需＜0.5 s。震相关联后剩余43 152个P波到时及42 414个S波到时。震相关联后的时距曲线如图5（b）所示，异常点已剔除，其中灰色圆点为关联前的震相散点，红点为关联后剩余的震相散点。初定位后的残差分布如图5（c）所示。
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 algorithm3.4 重定位
为进一步提高地震定位精度，使用相对定位算法hypoDD（Waldhauser等，2000）进行重定位。hypoDD算法使用地震对的相对到时数据进行地震定位，由于震中距远大于地震对的距离，2个地震近似拥有共同路径，因此可减小速度模型不准确带来的相对定位误差，且可更好地约束地震的相对位置。重定位时使用USTClitho2.0速度模型，选取的地震对距离＜10 km，相互关联的地震数目超过8个。重定位后剩余517个地震事件，地震分布如图6中黑色圆点所示，其中灰色圆点为2013—2016年重定位的历史地震分布（莘海亮，2020），灰色虚线为断裂带。重定位的迭代过程及残差分布如图7所示。
3.5 震级计算
参考Wang等（2020）研究方法计算震级：
$$ {M}_{\mathrm{L}}=\mathrm{log}\left(A\right)+2.56\mathrm{log}\left(d\right)+2.5 $$ (1) 式中，
$ {M}_{\mathrm{L}} $ 为震级，$ A $ 为振幅$ \text{，}d $ 为震中距。对事件波形数据去仪器响应、滤波至1～50 Hz后，对于每个地震，在所有存在到时的台站上计算震级，取所有台站计算震级的中位数为最终的震级，如图8（a）所示，2个地震目录中共同地震事件的震级对比如图8（b）所示，由此可知，2种震级差异较小，说明式（1）计算的震级是可靠的。
4. 讨论与结论
在祁连山密集台阵观测期间，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，而密集台阵共监测到550个地震事件，约是地震台网地震数量的15倍，尤其监测到了更多小于0级的地震事件。通过对比发现，中国地震台网正式地震目录中的39个地震事件全部被密集台阵监测。因此通过密集台阵监测，可大大提高微地震监测能力，可监测到−2级的微震事件。
由于数据量大，为减少人工拾取工作量，提高数据处理效率，使用最新发展的基于人工智能的地震数据处理方法。在缺少GPU加速的情况下，首先使用CNNDetector进行地震事件检测，然后使用PhaseNet拾取P波和S波到时，大大节约了计算时间。在人工智能拾取到时的基础上，结合传统定位方法REAL及hypoDD，精确地定位出517个地震，这表明基于深度学习进行地震事件检测与到时拾取，并在此基础上进行地震定位是可靠、高效的。密集台阵重定位的地震位置与研究区域历史地震活动具有较好的一致性，均由西至东呈现出4个条带状分布。最西侧的地震簇和冷龙岭断裂相关，走向与断裂走向类似，呈近NW-SE向。与地表断层迹线相比，最西侧的地震簇位于断层东北侧，垂向剖面显示该断层向EN向倾斜。与最西侧的地震簇相比，东侧的3个地震条带走向和皇城—双塔断裂、冷龙岭断裂走向不一致，而是呈NNW-NNE向，与最东侧的断层走向一致。地震定位结果表明，研究区域除地表显现的NW-SE/NEE-SWW向的断层外，还存在活跃的NNW-NNE向隐伏活跃断层。这些隐伏活跃断层与地表显现的断层呈一定斜交关系，且更活跃。与中国地震台网地震目录给出的地震定位相比，基于密集台阵给出的地震定位表现出了更明显的线性结构，体现了地震定位的高精度，可刻画出断层面的三维几何形态。
致谢 感谢国家重点研发计划（2018YFC1504102）的资助。感谢中国地震台网中心国家地震科学数据中心（
http://data.earthquake.cn ）提供的数据支撑，感谢莘海亮博士提供的历史地震目录。感谢审稿人提供的宝贵建议。 -
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: 296
- HTML全文浏览量: 74
- PDF下载量: 52
- 被引次数: 4
