Analysis of the Earthquake Early Warning of the Luding M6.8 Earthquake on September 5, 2022
-
摘要: 2022年9月5日,四川省泸定县发生M6.8地震。针对四川地震预警台网部署的EEW和JEEW地震预警处理软件产出的地震预警信息进行分析,从观测数据质量、预警参数测定、减灾效能等方面对地震预警处理过程进行系统性分析,检验预警软件处理结果的可靠性。结果表明,EEW和JEEW分别在震后 4.4、8.2 s产出了首报预警信息,震级偏差分别为−1.6、−0.8,震中位置偏差分别为11.2、0.8 km,随着时间的延长和触发台站的增多,预警处理结果最终与正式目录结果趋于一致;本次地震预警盲区半径为14.7 km,预警盲区以外,烈度Ⅵ度以上区域的预警时间为0~21 s,预警有效获益区内减灾效能显著。Abstract: On September 5, 2022, a M6.8 earthquake struck Luding county, Sichuan province. This paper examines earthquake early warning information generated by two sets of earthquake early warning processing software, EEW and JEEW, deployed within the Sichuan earthquake early warning network. EEW and JEEW issued their initial warning alerts 4.4 seconds and 8.2 seconds after the earthquake, respectively. The magnitude deviations were −1.6 and −0.8, while the epicenter location deviations were 11.2 km and 0.8 km, respectively. Over time and with increased data from additional monitoring stations, the early warning processing results eventually aligned with the findings of the official earthquake catalog. The earthquake early warning information had a blind area radius of 14.7 km. Outside this blind area, regions experiencing intensity level VI or higher were provided with warning times ranging from 0 to 21 seconds. The effectiveness of disaster mitigation was evident within the operational scope of the early warning system.
-
引言
地震是人类面临的主要自然灾害之一。面对突发的破坏性地震,应急救援的首要工作就是第一时间提供地震灾害的最初评估(陈文凯等,2008),初步判定地震灾害的规模及人员伤亡情况,并给出地震影响范围及相应的烈度分布,以便各级政府及时启动相应级别的应急响应,部署救援力量。准确的数据是震后预评估的基础,居民地数据可以准确精细地反映人口和房屋的实际分布。居民地是“天地图”特有的图层,是按照1:1万比例采集的矢量数据,能够较直观准确地反映专题数据在区域内的空间分布特征。精确的居民地数据在很大程度上提高了数据使用时的准确性和可靠性,可充分体现辖区专题数据的内部差异,对地震灾害风险评估、统计分析等应用领域都具有重要意义。本文利用遥感影像提取居民地矢量数据,结合实际调查,构建研究区域的房屋建筑基础信息,形成研究区居民地数据,所得结果可为人员伤亡评估方法的改进奠定必要的基础(王永明,2015;聂高众等,2002)。
1. 房屋数据构建
本文选取张家口怀安县作为研究区。为保证房屋数据的完整性、可靠性,本研究结合不同地域和乡镇经济发展水平,对研究区每个乡镇选取不少于3个调研点,共计34个(图 1),并对这34个调研点开展了现场数据调研,包括调研点人口、户数和房屋总面积,并剔除其中个别离散性大的数据,形成了32个样本数据(见表 1)。
表 1 农居房屋调查点基本参数Table 1. Basic parameters of rural residential investigation sites序号 调查点 房屋总面积/m2 户数 人口 1 张家屯村 18774 298 786 2 阳房村 11025 170 502 3 西洋河村 21546 298 589 4 西湾堡村 12852 198 456 5 西沙城 79002 1134 2387 6 王虎屯乡 48195 604 1703 7 太平庄乡 56448 756 1567 8 狮子沟村 17640 280 806 9 曲家房村 11718 146 432 10 乔子沟村 14868 200 589 11 南胡家屯村 10584 196 541 12 旧怀安村 28350 450 1180 13 二卜子村 4347 45 160 14 渡口堡村 40194 643 1749 15 第三堡乡 26208 400 1000 16 第六屯 70560 960 2345 17 朱家窑村 5481 87 158 18 郑王庄村 2772 75 155 19 闫龙庄 5103 78 98 20 小要子水村 7875 140 400 21 桃沟 1134 30 71 22 塔岩寺村 1449 23 41 23 水濠洼村 4977 100 210 24 石坡底 6174 98 188 25 僧官庄村 9135 50 170 26 马圈梁 945 15 21 27 李家沟村 2331 30 70 28 官庄村 3213 89 343 29 缠道村 3906 62 120 30 北李家庄 8568 200 356 31 北高崖村 9198 200 435 32 安家沟村 3465 55 115 本文对以上对32个调研点房屋总面积、人口、户数分别进行了拟合分析,如图 2所示。
通过对人口、户数、房屋面积的拟合分析可以看出其在研究区存在较好的线性关系,相关性比较显著,说明实际调研数据的可信度较高。
2. 居民地识别
居民地是指是人类居住和进行各种日常活动的中心场所。在高分辨遥感影像中,居民地通常由密集的建筑物群、内部绿地以及周边的道路交通网所构成。准确有效地获取居民地的实时信息,对建筑物矢量提取在GIS上的应用具有重要的现实及经济意义(姜立新等,2011)。本文充分利用高分辨率遥感影像(高分一号影像)上居民地特有的局部特征,尝试对研究区居民地进行提取和分类,以研究居民地面积与人口、户数及房屋面积之间的关系。
2.1 遥感影像选取
本文选取资源三号卫星(2米融合,全色2米,多光谱5.8米)、高分一号卫星(2米融合,全色2米,多光谱8米)的数据进行研究。其主要指标如下:
(1)全色和多光谱遥感影像数据须为同一探测器同步接收;
(2)影像RPC参数文件;
(3)影像层次丰富,纹理细节清晰,色调正常,无明显噪声、斑点、坏线、接痕和变形,且城区建筑无异常高亮。
2.2 居民地数据采集方法
研究区居民地数据采集采用综合调绘法,即基于数字正射影像数据源提取,依据影像特征,参照已有的土地利用数据库等数据或资料进行内业解译(陈云浩等,2006;李莉,2012;梁艳,2012)。具体流程见图 3。
数据采集时以村为单位,利用eCognition进行人工识别,内容主要包括多层及以上房屋建筑、低矮房屋建筑、废弃房屋建筑区、多层及以上独立房屋建筑、低矮房屋独立房屋建筑等城镇和农村宅基地及其附属区域,含城镇和农村内部道路(谷国梁等,2012)。
房屋建筑一般指上有屋顶,周围有墙,能防风避雨,御寒保温,供人们在其中工作、学习、生活、生产、储藏物资,并有固定基础,层高一般在2.2米以上的永久性居住场所(图 4)。
房屋建筑区指城镇和乡村集中居住区域内被连片房屋建筑遮盖的地表区域,即被外部道路、耕地及河流、山川、大片树林、草地等自然分界线分割而成的区块内部,由高度相近、结构类似、排布规律、建筑密度相近的成片房屋建筑的外廓线围合而成的区域(王岩等,2009;李强等,2017)。
独立房屋建筑包括城镇地区规模较大的单体建筑和分布于分散的居民点、规模较小的散落房屋建筑(图 5)。
房屋建筑区的范围通过连接围合该区域的各个房屋建筑的轮廓转折点形成。勾画时,在包含相同房屋建筑数量的情况下,应可能保持范围最小(王晓青等,2004)。无论城市还是乡村,房屋建筑区应由完全连接在一起的房屋连续覆盖,且与周边其他类型有明显分界线,范围内全部或接近全部为房屋建筑。对于乡村地区集聚程度较低、自然散乱分布、被其他类型分隔的房屋建筑,将其归类为独立房屋建筑,不予勾画(刘龙飞等,2009;谢军飞等,2004)。
2.3 居民地数据采集结果
按照上述步骤对研究区进行了居民地数据采集,提取的居民地共计306个,共计约50km2。见图 6。
对32个样本点居民地面积进行了统计,见表 2。
表 2 研究区居民地面积提取结果Table 2. Results of extraction of residential area in the study area序号 样本点 居民地面积/m2 1 张家屯村 193628 2 阳房村 84835 3 西洋河村 253430 4 西湾堡村 146160 5 西沙城 675836 6 王虎屯乡 422435 7 太平庄乡 612750 8 狮子沟村 177521 9 曲家房村 116837 10 乔子沟村 186839 11 南胡家屯村 118283 12 旧怀安村 263726 13 二卜子村 51526 14 渡口堡村 436848 15 第三堡乡 299805 16 第六屯 512254 17 朱家窑村 107076 18 郑王庄村 44944 19 闫龙庄 83990 20 小要子水村 132038 21 桃沟 19192 22 塔岩寺村 43561 23 水濠洼村 90817 24 石坡底 103291 25 僧官庄村 155202 26 马圈梁 14543 27 李家沟村 40862 28 官庄村 49526 29 缠道村 58711 30 北李家庄 145037 31 北高崖村 160207 32 安家沟村 68811 结合32个样本点人口、户数、房屋面积的数据对居民地进行了拟合分析,结果如图 7所示。
通过对人口、户数、房屋面积与居民地的拟合分析,样本数据值越大,离散越明显,居民地面积在0.5km2以下的数据拟合程度非常好,说明面积较小的乡镇村庄样本点,人口、户数、房屋面积与居民地面积存在较好的关联性,乡镇村庄面积较大的样本点则关联性相对较差。对307个居民地进行了整理(见表 3),发现0.5km2以上居民地共计12个,所占比例不到4%,对拟合优度的影响可以忽略不计。
表 3 研究区居民地面积统计Table 3. Statistics of residential land area in the study region居民地面积/万平方千米 0—0.1 0.1—0.2 0.2—0.3 0.3—0.4 0.4—0.5 0.5以上 总计 居民地个数 170 79 29 10 7 12 307 所占比例 0.553746 0.257329 0.094463 0.032573 0.022801 0.039088 1 由此可通过居民地数据构建农居房屋及人口数据,并合理地承载于居民地中,以形成具有较高精度的房屋空间分布数据,以便更好地满足地震灾害评估对高质量数据的要求。
3. 房屋结构分布情况
研究区辖4个镇、7个乡,分别是柴沟堡镇、左卫镇、头百户镇、怀安城镇、第三堡乡、渡口堡乡、第六屯乡、西湾堡乡、西沙城乡、太平庄乡、王虎屯乡。针对34个调研点开展了房屋建筑物抗震能力调查,内容包括不同层数的建筑物结构类型、年代、设防情况、人口、抗震薄弱环节等。
针对房屋的调研,将张家口房屋进行了分类,大体分为土结构房屋(土窑洞)、木结构(土木结构房屋、砖木结构房屋)、砌体结构房屋、框架结构房屋、石器房屋这5类结构。
在实际的调研中,对调研点不同结构房屋进行了数量统计及分类,得到了不同结构房屋所占比例。
从房屋结构分布图来看,研究区北西向房屋主要为砖木结构和土木结构;中部沿西沙城东西方向土窑洞比例明显增多,达50%以上,其它主要为砖木和土木结构;研究区房屋砌体结构增多,几乎没有土窑洞;研究区东北主要以砖木、土木、窑洞为主。经过调研,房屋结构分布不均的原因主要是受经济收入、交通情况、地形地貌的影响。经济收入高的地区,如怀安镇,年均收入可达到2—3万元,当地土窑洞基本已改造,新建房屋主要是砌体房屋。途经高速、国道的调研点房屋结构明显偏好,交通越是发达便捷的地方,土窑洞的数量越少。处于山区的乡村,信息闭塞,房屋就地取材,多为土窑洞和土木房屋。交通好、地势较为平坦的地区、经济收入偏高,房屋结构抗震能力相对较好,而交通偏远、地势相对偏高的山区,经济收入偏低,房屋结构抗震能力相对较差。所以我们认为房屋分布情况可以根据交通情况和地形地貌特点进行区域划分。
按照调研总结的思路,交通、地形地貌是影响房屋分类的主要原因,我们将研究区房屋结构分布情况叠加在地形图上,G207、S343、S247公路沿线、处于山脚下房屋结构主要以砖木结构为主,占80%左右,其余多为土木结构,怀安城镇由于县政府的原因,存在一定数量的砌体结构。而没有途经高速、国道,交通较为不便,地处山区的调研点,房屋结构以土窑洞、土木结构为主,还有少量砖木结构,砌体结构、框架结构数量可以忽略不计。
根据调研点在地形地貌交通图分布的特点,我们对研究区房屋结构进行了区域分类,按照以下分类进行了划分:
(1)途经高速、国道、县连接乡道周边按照调研点比例划分。
(2)交通欠发达、地处山区按照调研点中房屋结构的比例划分。
(3)经济发达地区按照房屋类型划分。
(4)对于结构比例近似地区取平均值(保留个位小数,取整)。
按照上述原则,对研究区房屋类型进行了整理和划分,将其划分为5种不同类型,见图 8。
4. 认识与建议
通过遥感影像获取的居民地图层具有较为清晰的轮廓界线,其真实地反映了房屋和人口在空间上的实际分布,具有较为精细的数据颗粒,可满足高精度空间分析的要求,为基于模型的房屋空间数据构建提供了有利条件。通过比对分析可知:农居房屋面积与人口和居民地面积之间具有明显的线性相关性,特别是在相同经济、地理和民俗条件下,其相关性更为显著。借助这种特性可通过人口和居民地数据构建农居房屋数据,以形成具有较高精度的房屋空间分布数据,更好地满足地震灾害评估的高精度空间分析。由于城镇房屋的趋同性不强,所以,城镇房屋数据与人口、居民地的相关性也就不显著。对于城镇这类大面积连片的区域,更适合采用格网化的数据构建方法。
-
表 1 台站主要安装仪器参数特征
Table 1. The specific parameter characteristics of the main instruments installed in the stations
台站类型 仪器名称 仪器型号 安装方式 量程 噪声 频带范围 基准站 宽频带地震计 GL-CS60 摆坑 0.01 m/s −170 dB@10 Hz
−180 dB@0.01 Hz0.016 7~80 Hz GL-CS120 摆坑 0.01 m/s −170 dB@10 Hz
−180 dB@0.01 Hz0.008 3~80 Hz 力平衡式加速度计 JS-A2 地面 2 g −130 dB DC~100 Hz 三分向加速度计 GL-A4 地面 2 g −130 dB DC~250 Hz(−3 dB) DC~150 Hz
(加速度响应平坦)基本站 力平衡式加速度计 JS-A2 地面 2 g −130 dB DC~100 Hz 一般站 MEMS加速度计 MEMS 地表 2 g −60~−110 dB DC~200 Hz以上 表 2 震中距100 km内数据缺失台站
Table 2. The stations with data missing within 100 km from the epicenter
震中距范围/km 台站总数 数据缺失台站 台站数 基准站 基本站 一般站 0~50 29 8 2 1 5 0~100 129 10 3 1 6 表 3 震中距100 km内触发台站延时
Table 3. Statistical delay triggering times for stations within 100 km from the epicenter
类别 延时/s ≤1.0 1.0~2.0 1.51~2.00 2.01~2.5 ≥2.5 三类台站数量 124 0 2 0 3 基准站数量 23 0 2 0 0 基本站数量 18 0 0 0 2 一般站数量 83 0 0 0 1 表 4 泸定M6.8地震EEW和JEEW预警处理结果(1~30次)
Table 4. EEW and JEEW early warning processing results of Luding M6.8 earthquake (1~30 times)
EEW地震预警产出 JEEW地震预警产出 处理
序号用时/s 触发
台站数纬度/(°N) 经度/(°E) 预警
震级定位
偏差/km处理
序号用时/s 触发
台站数纬度/(°N) 经度/(°E) 预警
震级定位
偏差/km1 3.9 3 29.64 102.18 4.1 10.7 第1报 8.2 19 29.59 102.09 6.0 0.8 第1报 4.4 5 29.64 102.18 5.2 11.2 2 9.3 23 29.59 102.09 6.0 0.5 3 4.9 5 29.64 102.18 5.4 11.2 3 10.1 27 29.59 102.07 6.5 0.6 4 5.5 7 29.57 102.07 5.9 2.0 4 10.7 34 29.59 102.08 6.4 0.2 5 6.0 10 29.58 102.08 5.7 1.1 5 11.4 39 29.59 102.08 6.3 0.4 6 6.5 10 29.58 102.08 6.1 1.1 6 11.6 40 29.59 102.07 6.3 0.6 7 7.0 12 29.58 102.08 6.0 1.1 7 12.3 50 29.59 102.09 6.3 0.9 8 7.6 13 29.59 102.09 6.2 1.1 8 13.2 53 29.60 102.09 6.3 1.1 9 8.1 14 29.59 102.09 6.6 1.1 9 13.5 56 29.59 102.09 6.4 1.2 10 8.5 16 29.59 102.09 6.5 1.1 10 14.2 59 29.59 102.09 6.3 1.1 11 9.1 18 29.59 102.09 6.3 1.1 11 14.6 65 29.60 102.09 6.3 1.5 12 9.6 19 29.59 102.08 5.9 0.4 12 15.3 71 29.60 102.09 6.3 1.4 13 10.2 24 29.59 102.09 6.7 1.1 13 16.3 82 29.60 102.09 6.3 1.5 14 10.7 28 29.59 102.09 6.7 1.1 14 17.3 91 29.60 102.10 6.3 1.6 15 11.2 34 29.60 102.09 6.7 1.2 15 19.4 114 29.60 102.09 6.3 1.3 16 11.7 39 29.59 102.08 6.8 0.4 16 20.5 132 29.60 102.09 6.4 1.5 17 12.2 44 29.60 102.08 6.5 0.7 17 20.9 133 29.60 102.09 6.4 1.5 18 12.9 49 29.60 102.09 6.8 1.2 18 21.8 144 29.60 102.09 6.4 1.4 19 13.7 56 29.60 102.10 6.7 1.8 19 22.7 156 29.60 102.09 6.4 1.5 20 14.6 65 29.60 102.10 6.8 1.8 20 23.6 168 29.60 102.09 6.4 1.5 21 15.2 71 29.60 102.10 6.8 1.8 21 24.3 170 29.60 102.09 6.4 1.5 22 15.9 76 29.60 102.10 6.7 1.8 22 25.1 184 29.59 102.09 6.4 1.4 23 16.9 84 29.60 102.10 6.8 1.8 23 25.6 190 29.60 102.09 6.4 1.4 24 17.4 86 29.60 102.10 6.8 1.8 24 26.6 211 29.59 102.09 6.4 1.4 25 18.1 91 29.60 102.10 6.8 1.8 25 27.1 218 29.59 102.09 6.4 1.4 26 19.2 100 29.60 102.10 6.8 1.8 26 28.2 229 29.59 102.09 6.4 1.3 27 20.7 112 29.60 102.10 6.8 1.8 27 28.8 240 29.59 102.09 6.3 1.3 28 23.4 130 29.60 102.10 6.8 1.8 28 29.7 251 29.59 102.09 6.3 1.2 29 31.9 165 29.60 102.10 6.8 1.8 29 30.5 262 29.59 102.09 6.3 1.2 30 31.6 273 29.60 102.10 6.8 1.8 30 31.2 283 29.59 102.09 6.3 1.1 表 5 地震预警系统理论处理时间参数含义
Table 5. The parameter explanation of theoretical processing time of earthquake early warning system
影响参数 下标含义 解释说明 影响因素 $ {\Delta }{{t}}_{{{\mathrm{a}}}} $ alert 地震预警理论处理时间 $ {\Delta }{{t}}_{{{\mathrm{s}}}}{、}{\Delta }{{t}}_{{{\mathrm{pa}}}}{、}{\Delta }{{t}}_{{{\mathrm{d}}}}{、}{\Delta }{{t}}_{{{\mathrm{h}}}}{、}{\Delta }{{t}}_{{{\mathrm{p}}}} $ $ {\Delta }{{t}}_{{{\mathrm{s}}}} $ station P波到达台站理论时间 台站密度 $ {}{\Delta }{{t}}_{{{\mathrm{pa}}}} $ pack 台站数据打包时间 地震监测仪器运行状态 $ {\Delta }{{t}}_{{{\mathrm{d}}}} $ delay 数据传输延迟时间 网络传输情况 $ {\Delta }{{t}}_{{{\mathrm{h}}}} $ handle 中心数据处理时间 预警软件及硬件平台性能 $ {\Delta }{{t}}_{{{\mathrm{p}}}} $ p-wave 所用数据的P波窗窗长 时钟准确度及波形记录质量 -
杜航,王俊,江昊琳等,2021. 中国地震预警延迟时间算法及其对预警盲区的影响研究. 中国地震,37(1):216−226.Du H., Wang J., Jiang H. L., et al., 2021. Research on the delay time algorithm of earthquake early warning and its influence on the early warning blind area in China. Earthquake Research in China, 37(1): 216−226. (in Chinese) 黄文辉,沈玉松,吕作勇等,2016. 地震超快速报系统试运行结果评估. 华南地震,36(4):1−7.Huang W. H., Shen Y. S., Lyu Z. Y., et al., 2016. Evaluating the results of the earthquake very fast report system. South China Journal of Seismology, 36(4): 1−7. (in Chinese) 金星,2021. 地震预警与烈度速报−−理论与实践. 北京:科学出版社.Jin X. ,2021. Earthquake early warning and rapid intensity reporting:theory and practice. Beijing:Science Press. (in Chinese) 李佳威,2017. 地震早期预警系统(EEWS)“盲区”控制的若干问题. 北京:中国地震局地球物理研究所. Li J. W. ,2017. ‘Blind zone control’ of earthquake early warning system (EEWS). Beijing:Institute of Geophysics,China Earthquake Administration. (in Chinese). 李萍萍,江鹏,李同林等,2022. 2021年9月16日四川泸县 M S6.0地震强地面运动特征分析. 地震学报,44(2):260−270.Li P. P., Jiang P., Li T. L., et al., 2022. The strong ground motion characteristics of M S6.0 Luxian, Sichuan, earthquake on 16 September 2021. Acta Seismologica Sinica, 44(2): 260−270. (in Chinese) 李山有,金星,马强等,2004. 地震预警系统与智能应急控制系统研究. 世界地震工程,20(4):21−26.Li S. Y., Jin X., Ma Q., et al., 2004. Study on earthquake early warning system and intellegent emergency controling system. World Earthquake Engineering, 20(4): 21−26. (in Chinese) 李同林,彭朝勇,李萍萍等,2021. 四川地震预警网外玛多7.4级地震预警分析研究. 中国地震,37(3):551−563.Li T. L., Peng C. Y., Li P. P., et al., 2021. Early warning processing results for 22 May 2021 Maduo, Qinghai M 7.4 earthquake from outside the Sichuan earthquake early warning network. Earthquake Research in China, 37(3): 551−563. (in Chinese) 梁艳,吕芳,李丽,2017. 山西地震台网地震预警时间及盲区半径分析. 地震地磁观测与研究,38(4):65−69.Liang Y., Lv F., Li L., 2017. The warning times and blind-zone radius of Shanxi seismic network. Seismological and Geomagnetic Observation and Research, 38(4): 65−69. (in Chinese) 马强,2008. 地震预警技术研究及应用. 哈尔滨:中国地震局工程力学研究所. 宋晋东,余聪,李山有,2021. 地震预警现地PGV连续预测的最小二乘支持向量机模型. 地球物理学报,64(2):555−568.Song J. D., Yu C., Li S. Y., 2021. Continuous prediction of onsite PGV for earthquake early warning based on least squares support vector machine. Chinese Journal of Geophysics, 64(2): 555−568. (in Chinese) 王俊,刘红桂,周昱辰,2021. 地震预警技术的应用与展望. 防灾减灾工程学报,41(4):874−882.Wang J., Liu H. G., Zhou Y. C., 2021. Application and prospect of earthquake early warning technology. Journal of Disaster Prevention and Mitigation Engineering, 41(4): 874−882. (in Chinese) 王澜,戴贤春,习年生等,2019. 高速铁路地震预警及紧急处置时效性研究. 中国铁道科学,40(5):118−127.Wang L., Dai X. C., Xi N. S., et al., 2019. Study on time effectiveness of earthquake early warning and emergency disposal for high speed railway. China Railway Science, 40(5): 118−127. (in Chinese) 王勇胜,韦永祥,2018. 地震预警技术研究现状及展望. 科学技术创新,(14):22−24. 杨陈,郭凯,张素灵等,2015. 中国地震台网现状及其预警能力分析. 地震学报,37(3):508−515.Yang C., Guo K., Zhang S. L., et al., 2015. Status quo of China earthquake networks and analyses on its early warning capacity. Acta Seismologica Sinica, 37(3): 508−515. (in Chinese) 应急管理部,2022. 应急管理部发布四川泸定6.8级地震烈度图. (2022-09-11). https://www.mem.gov.cn/xw/yjglbgzdt/202209/t20220911_422190.shtml. 张晁军,陈会忠,沈萍等,2022. 地震预警实质的探讨. 地震科学进展,52(4):154−160.Zhang C. J., Chen H. Z., Shen P., et al., 2022. Discussion on the essence of earthquake early warning. Progress in Earthquake Sciences, 52(4): 154−160. (in Chinese) Erdik M., Fahjan Y., Ozel O., et al., 2003. Istanbul earthquake rapid response and the early warning system. Bulletin of Earthquake Engineering, 1(1): 157−163. doi: 10.1023/A:1024813612271 Horiuchi S., Negishi H., Abe K., et al., 2005. An automatic processing system for broadcasting earthquake alarms. Bulletin of the Seismological Society of America, 95(2): 708−718. doi: 10.1785/0120030133 Hsiao N. C., Wu Y. M., Shin T. C., et al., 2009. Development of earthquake early warning system in Taiwan. Geophysical Research Letters, 36(5): L00B02. Kamigaichi O. , Saito M. , Doi K., et al., 2009. Earthquake early warning in Japan: warning the general public and future prospects. Seismological Research Letters, 80 (5): 717−726. Kuyuk H. S., Allen R. M., 2013. Optimal seismic network density for earthquake early warning: a case study from California. Seismological Research Letters, 84(6): 946−954. doi: 10.1785/0220130043 Peng C. Y., Jiang P., Ma Q., et al., 2022. Chinese nationwide earthquake early warning system and its performance in the 2022 Lushan M6.1 earthquake. Remote Sensing, 14(17): 4269. doi: 10.3390/rs14174269 Song J. D., Zhu J. B., Wang Y., et al., 2022. On-site alert-level earthquake early warning using machine-learning-based prediction equations. Geophysical Journal International, 231(2): 786−800. doi: 10.1093/gji/ggac220 Song J. D., Zhu J. B., Li S. Y., 2023. MEANet: magnitude estimation via physics-based features time series, an attention mechanism, and neural networks. Geophysics, 88(1): V33−V43. doi: 10.1190/geo2022-0196.1 Suárez G., Espinosa-Aranda J. M., Cuéllar A., et al., 2018. A dedicated seismic early warning network: the Mexican seismic alert system (SASMEX). Seismological Research Letters, 89(2A): 382−391. doi: 10.1785/0220170184 Vallée M., Ampuero J. P., Juhel K., et al., 2017. Observations and modeling of the elastogravity signals preceding direct seismic waves. Science, 358(6367): 1164−1168. doi: 10.1126/science.aao0746 Wu Y. M., Teng T. L., 2002. A virtual subnetwork approach to earthquake early warning. Bulletin of the Seismological Society of America, 92(5): 2008−2018. doi: 10.1785/0120010217 -