基于Earthworm的地震预警系统研究进展——以伊比利亚西南部为例

本研究的主要目的是基于该区域现有的实时宽频带台站,研究地震预警系统(earthquake early warning system,EEWS)对潜在破坏性地震发出警告的可行性。研究区位于伊比利亚半岛(Iberian Peninsula)西南部的圣维森特角(Cape San Vicente,SV)和加的斯湾(Gulf of Cádiz,GC)。该区域历史地震有1755年里斯本(Lisbon)M_w8.5地震和1969年圣维森特角Mw7.8地震。本研究阐明了基于美国地质调查局(U.S. Geological Survey,USGS)的Earthworm工具,及由西班牙加泰罗尼亚地质制图研究所(Institut Cartogràfici Geològicde Catalunya,ICGC)进一步研究出的地震预警系统的设计、配置和产出结果。系统的主要功能是实时数据采集、处理(利用预先估算的峰值位移Pd和P波信号的卓越周期τc进行P波拾取、地震事件监测、地震震源定位和震级估算)、数据归档和地震预警发布。系统在完成一些模拟实验并获得最佳配置后进行运行。在运行的第一年内,该区域发生了一次有感地震。与国家地理研究所(Instituto Geográfico Nacional,IGN)地震目录相比较,定位和震级结果都相当好。对于大部分区域的预警时间都能达到几十秒,对于葡萄牙和西班牙南部沿海大部分区域来说,足以减轻由GC和SV地震所带来的损害。此系统的初步结果表明,该系统能可靠地、有效地用于伊比利亚西南部地区的可能性。     

基于支持向量机的2021年2月13日日本福岛近海Mj7.3级地震震级估算

2021年2月13日日本福岛县近海发生M_j7.3级地震,触发了日本气象厅地震预警系统,系统在首台触发后5.6s发出震级为M_j6.3级的预警第1报,首台触发后10s对公众发布警报、预警震级为M_j6.4级。基于多类型特征参数输入的机器学习支持向量机震级估算模型（SVM-M）,利用2021年2月13日日本福岛县近海M_j7.3级地震获取的日本K-net强震动观测数据,分析SVM-M模型在该次地震中首台触发初期（首台触发后1~10s）的震级估算效能。结果表明:SVM-M震级估算模型,在首台触发后1s即可给出M_j6.3级的震级估算结果,与日本气象厅在首台触发后5.6s发布的预警第1报震级相同;随着时间窗的增加,首台触发后5s和10s,SVM-M模型的震级估算结果分别是M_j6.7级和M_j6.6级,均大于日本气象厅首台触发后10s对公众发布警报的预警震级。该次地震的离线模拟结果表明:SVM-M模型可在地震发生初期有效提高地震预警震级确定的准确性和时效性。     

基于2014年云南地区地震的地震预警参数与快速震级估算研究

根据2014年云南地区M6.1盈江地震、M6.5鲁甸地震和M6.6景谷地震的主震、余震P波初期部分的信息,研究了地震震级快速估算中3个预警参数（最大卓越周期τ_p^max、特征周期τ_c和最大位移幅值P_d）与震级的相关性,提出了云南地区的震级估计模型,并对其进行分析,再和其它地区的震级估计模型进行对比和评价。结果表明:3种方法均能在短时间内（2~4 s）有效地进行震级估算,P_d方法估算效果最优,τ_c方法次优,τ_p^max方法较弱。在震级较大的主震震级估计中,3种方法均没有出现明显的震级低估（震级饱和）现象。对于τ_p^max方法,云南地区的估计模型与南加州地区较为接近,但与四川地区区别较大,可能与该方法的计算稳定性有关;而τ_c方法的估计模型则与四川及世界其它地区均较为接近,更具有普适性和稳定性。在地震预警系统的实际应用中,由于云南地区尚未建立密集的地震监测台网系统,因此在短时间内难以得到较为准确的震中距。与震源距相独立的τpmax和τc两种算法则显得较为实用,其中:τ_c方法略优于τ_p^max方法,同时能较好地满足地震预警系统的精度要求,因此推荐使用τc方法应用于云南地区地震预警系统中的快速震级估算。     

2021年5月21日云南漾濞地震及5月22日青海玛多地震的支持向量机震级估算

2021年5月21日及5月22日,云南漾濞县与青海玛多县分别发生破坏性地震,主震震级分别为M_s6.4级与M_s7.4级。本文基于机器学习中的支持向量机方法,以多类型特征参数为输入建立地震预警震级估算模型SVM-M,离线模拟云南漾濞M_s5.6级前震、M_s6.4级主震以及青海玛多M_s7.4级主震的连续震级估算。结果表明:对于云南漾濞M_s5.6级前震,支持向量机方法在首台触发后1s可估算震级为5.6级,且随着首台触发时间的增加,估算震级一直在实际震级附近波动;对于云南漾濞M_s6.4级主震和青海玛多M_s7.4级主震,随着首台触发时间的增加,支持向量机方法对于大震低估问题得到了有效的改善,且震级估算结果逐渐接近实际震级。同时,这3次地震的震级估算离线模拟表明:引入震源距的支持向量机方法（SVM-M1模型）对于震级估算有更好的稳定性,且在地震预警系统的震级估算中有着潜在的应用前景。     

2008年新疆乌恰Mw6.7地震震源机制与形变特征的InSAR研究

2008年10月5日新疆乌恰M_w6.7级地震发生在南天山、帕米尔高原及塔里木盆地交汇地带,基于地震波反演的震源机制解确定的震源深度存在较大差异.本文利用日本ALOS卫星的PALSAR图像,获得了本次地震的同震形变场,基于卫星视线向（LOS）和方位向（Azimuth）的形变,采用均匀弹性半无限位错模型和有界最小二乘（BVLS）算法,以网格矩形位错元法对发震断层的几何产状、滑移及分布进行了估算,结果表明本次地震以逆断破裂为主,断层面上最大位错量接近3.4 m,形变中心位于73.8040°E,39.5335°N,深度约5 km,震级估算为M_w6.6;地震发生在走向46°,倾角48°的断层上,发震断层长30 km,宽14 km,闭锁深度9 km,符合该地区浅源地震多发的构造特点,发震断层为乌合沙鲁断裂带.InSAR反演的滑移形变主要集中于地下2~7 km,表明乌恰地震为浅源地震,可能与该断层附近历史地震未完全释放的残余应力积累有关.同时,InSAR反演的断层位错分布呈现双破裂特征,震级分别为M_w6.5和M_w6.1,可能与本次地震的主震和余震相对应,也可能是由主震激发而产生的两组破裂.     

利用P波参数阈值实时估算地震预警潜在破坏区范围

由于传统的潜在破坏区范围估算方法只能在已获取到震中位置和地震事件结束后才能产出,且往往需要数分钟的耗时,其实时性已无法满足地震预警要求。因此,为了快速产出潜在破坏区范围估算结果并将其用于预警,本文采用了一种结合现地预警技术和区域预警技术、基于预警参数（位移幅值P_d和特征周期τ_c）阈值的实时潜在破坏区范围估算方法。首先利用国内地震事件（4.0≤M_S≤8.0）的记录数据和日本强震动观测事件（6.5≤M_J≤8.0）的数据拟合出特定的适应于我国的参数关系式,包括τ_c与震级M的相关性、P_d与峰值速度PGV的相关性以及P_d与τ_c和震源距R的相关性;其次,根据最小震级（M_S6.0）和仪器烈度（Ⅶ度）定义相应的参数阈值（P_d＝0.1 cm和τ_c＝1.1 s）;最后,利用已有的3次破坏性地震事件数据开展线下模拟,对该方法的适应性和时效性进行了验证。结果表明,对于2013年M_S7.0四川芦山和2014年M_S6.5云南鲁甸两次中强地震,震后约10 s即可获取到比较稳定的潜在破坏区范围估计结果;而对于2008年M_S8.0汶川特大地震,在其记录台站分布密度不高的情况下,震后40 s左右的估算结果始呈稳定状态。      

机器学习在地震紧急预警系统震级预估中的应用

地震预警是地震减灾工作的重要途径,而震级预估是整个地震紧急预警系统中重要且较为困难的一个环节.目前,世界上多个国家和地区都已建立了各自的地震预警系统,并且形成了特征频率（τ_p和τ_c等）相关和特征振幅（P_d等）相关的两类震级紧急预警的方法,但各有局限性.本文在已有的方法和理论基础上,运用机器学习算法,将日本KIK和KNET台网从2015年至2017年所记录到的843条地震目录,55426条记录作为全数据集,设计、训练出一套用于常见震级范围的机器学习震级预估模型.与已有方法的预估结果相比,机器学习方法不仅使预估的整体误差和方差下降,同时多台联合评估单一地震事件的截面方差也更低.本研究的结果显示了机器学习算法在震级紧急预估问题上具有较广阔的应用前景,同时也为较为复杂的深度学习类算法框架下端到端模型提供了实践基础和研究可能.

     

基于人工神经元网络和多特征参数的预警震级估算

预警震级测定是地震预警的关键技术环节之一。在满足地震预警系统时效要求的前提下,以国内现有的人工神经元网络构架为基础,考虑采用更多的特征参数,对实时持续计算确定预警地震震级的方法进行研究。通过对日本部分实际强震数据进行持续估算预警震级与实际震级间的偏差情况,对预警震级和实际震级进行线性拟合,提出对预警震级结果的修正公式,进一步完善本方法快速估算预警震级的准确程度。     

基于深度卷积神经网络的2021年5月21-22日云南漾濞地震和青海玛多地震震级估算

以探索深度卷积神经网络震级估算模型对2021年5月21日云南漾濞和5月22日青海玛多地震预警震级估算的可行性为目标,本文使用P波到达后不同时间窗下的特征参数作为深度卷积神经网络输入进行训练和验证,构建了1~40 s内不同时间窗下的深度卷积神经网络单台震级估算模型,并采用多台加权平均方法对玛多地震主震以及漾濞地震主震、前震和余震共11次地震事件进行实时震级估算.结果表明：在P波到达后1~40 s的不同时间窗下,随着时间窗的增加,深度卷积神经网络单台震级估算模型对训练集和验证集的震级估算误差和标准差逐渐减小,且逐渐趋于稳定;对于云南漾濞M_S6.4主震与青海玛多M_S7.4主震,大部分单台震级估算误差主要分布在±0.5震级单位内;通过多台加权平均方法计算预测震级,漾濞主震与玛多主震在首台触发后2 s时,震级估算结果分别是M6.0和M7.0;同时,随着首台触发后时间的增加,漾濞与玛多主震的震级估算逐渐接近实际震级,且在首台触发后9 s时,漾濞主震和玛多主震的震级估算分别是M6.2和M7.3;在首台触发后1 s时,对于玛多与漾濞地震的前震和余震,多台加权平均震级估算结果也主要分布在±0.5震级单位误差范围内.该方法为中国地震预警系统的震级估算方案提供了潜在可能.

     

利用高频GPS资料研究2016年新西兰凯库拉地震的地表形变及预警震级

2016年11月13日,新西兰凯库拉地区发生了M_W7.8级地震.本文利用1 Hz高频GPS观测数据,基于GAMIT track解算模块,采用主分量分析（PCA）空间滤波方法获取了地震地表形变.同时从trackRTr模拟实时解算的动态位移中,提取P波5秒峰值位移（P_d）和地面峰值位移（PGD）,并根据震级统计回归模型计算预警震级.结果表明：测站的动态形变时间长达2 min,距震源最近的HANM和KAIK站出现二次剧烈形变,震源北部测站的形变幅度大于南部,而高频GPS静态同震形变场表现出先逆冲后走滑的震源机制特征.不同GPS台站的P_d预警震级相差较大,最大震级差为M_W2.5.综合考虑预警震级发布的时效性和可靠性,采用顾及空间分布的四台站PGD联合预警方法,其预警震级在震后23 s达到初始稳定（M_W7.56）,在震后110 s达到最终稳定（M_W7.78）,该震级与USGS矩张量反演震级（M_W7.8）基本一致.