楊少博 王炳文 高 級(jí) 張海江
1)中國(guó)科學(xué)技術(shù)大學(xué)地球和空間科學(xué)學(xué)院, 合肥 230026
2)安徽蒙城地球物理國(guó)家野外科學(xué)觀(guān)測(cè)研究站, 合肥 230026
地震事件檢測(cè)與定位是很多地震學(xué)研究的基礎(chǔ)。對(duì)于活動(dòng)斷層區(qū)域,可利用完備、可靠的地震事件檢測(cè)與定位結(jié)果更好地了解區(qū)域地震活動(dòng)性、刻畫(huà)斷層幾何形態(tài)(Ross 等,2019a,2020)。近年來(lái),密集臺(tái)陣的大規(guī)模布設(shè)有利于更多的微地震活動(dòng)監(jiān)測(cè)(Meng 等,2018;Li 等,2018),使需處理的地震數(shù)量迅速增加。人工智能在地震數(shù)據(jù)處理方面的成功應(yīng)用提供了一系列快速、可靠的自動(dòng)化地震數(shù)據(jù)處理方法,包括地震事件檢測(cè)(Perol 等,2018;Ross 等,2018;Yang 等,2021)、到時(shí)拾取(Zhu 等,2019;Mousavi 等,2020;Xiao 等,2021)、震相關(guān)聯(lián)(McBrearty 等,2019;Ross 等,2019b)等,這些自動(dòng)化方法能夠達(dá)到甚至超越人工處理的精度,大幅度提高了數(shù)據(jù)處理效率。
Wang 等(2020)在Raton Basin(位于美國(guó)新墨西哥州和科羅拉多州的邊界)布設(shè)了密集臺(tái)陣,研究該區(qū)域誘發(fā)地震活動(dòng)性。該研究將連續(xù)數(shù)據(jù)劃分為多個(gè)12 s 的數(shù)據(jù)段,使用PhaseNet(Zhu 等,2019)拾取每個(gè)數(shù)據(jù)段中的P、S 波到時(shí),使用REAL 算法(Zhang 等,2019)進(jìn)行震相關(guān)聯(lián)并初定位,使用VELEST 算法(Kissling 等,1994)優(yōu)化定位結(jié)果,使用相對(duì)定位算法hypoDD(Waldhauser 等,2000)進(jìn)行重定位。相比該地區(qū)之前的地震目錄,該流程定位了更多的地震,更好地刻畫(huà)了斷層的幾何形態(tài)。Liu 等(2020)基于PhaseNet 到時(shí)構(gòu)建了2019 年加州Ridgecrest 地震序列目錄。趙明等(2021b)對(duì)PhaseNet 做遷移學(xué)習(xí),進(jìn)而用于構(gòu)建長(zhǎng)寧地震的前震目錄。Ross 等(2018)使用基于深度神經(jīng)網(wǎng)絡(luò)的Generalized Phase Detection 算法進(jìn)行地震事件檢測(cè)及拾取,使用PhaseLink(Ross 等,2019b)進(jìn)行震相關(guān)聯(lián),使用傳統(tǒng)定位方法獲得該區(qū)域的地震目錄。上述研究結(jié)果均表明將人工智能地震數(shù)據(jù)處理方法與傳統(tǒng)定位方法相結(jié)合,能夠快速、可靠地獲得某地區(qū)的地震目錄。
將上述地震事件檢測(cè)與定位流程應(yīng)用于東祁連山斷裂帶的密集臺(tái)陣數(shù)據(jù)處理。由于密集臺(tái)陣數(shù)據(jù)量大,在缺少GPU 加速的情況下,使用PhaseNet 拾取連續(xù)數(shù)據(jù)需耗費(fèi)大量時(shí)間。因此,首先使用一個(gè)輕量的神經(jīng)網(wǎng)絡(luò)CNNDetector(Yang 等,2021)進(jìn)行地震事件檢測(cè),然后使用PhaseNet 對(duì)檢測(cè)到的事件進(jìn)行到時(shí)拾取,最后使用傳統(tǒng)方法進(jìn)行地震定位和震級(jí)計(jì)算。相比中國(guó)地震臺(tái)網(wǎng)正式地震目錄,獲得了更多的地震數(shù)據(jù)。
祁連山位于青藏高原塊體、塔里木塊體和阿拉善塊體的銜接帶上,其構(gòu)造形變受青藏高原擠壓作用及周緣活動(dòng)斷裂的控制。始新世末-漸新世早期,伴隨著印度板塊和歐亞板塊的碰撞,祁連山地區(qū)發(fā)生構(gòu)造變形與隆升;漸新世晚期-中新世早期,祁連山地區(qū)構(gòu)造穩(wěn)定,地形起伏變小,形成大面積夷平面;中新世中晚期(10~17 Ma)約為斷裂帶起始活動(dòng)時(shí)間,斷裂帶以 NNE-NE 向的擠壓逆沖和地殼縮短增厚為變形特征,造成斷裂帶沿線(xiàn)山脈的快速隆升;中更新世以來(lái),斷裂帶轉(zhuǎn)變?yōu)樽笮呋瑸橹骷婢吣鏇_運(yùn)動(dòng),調(diào)整著青藏高原東北緣地殼物質(zhì)向東運(yùn)動(dòng),最終被斷裂帶尾端的六盤(pán)山逆沖褶皺帶吸收(張培震等,2004;戚幫申,2014;郭鵬,2019)。
晚第四紀(jì)以來(lái),在印度板塊向歐亞板塊NNE 向持續(xù)的構(gòu)造推擠過(guò)程中,青藏高原東北緣受北側(cè)阿拉善地塊和東側(cè)鄂爾多斯塊體的阻擋,在NE 向或NEE 向擠壓作用下,構(gòu)造變形十分強(qiáng)烈。祁連山吸收了青藏高原NE 向的擠壓變形,張培震等(2004)計(jì)算得到青藏高原北部邊界的阿爾金山、祁連山共吸收了青藏15%~17% 的地殼縮短;祁連-海原斷裂帶作為青藏高原東北緣主要的邊界左旋走滑斷層,在調(diào)節(jié)高原東北緣地殼物質(zhì)相對(duì)于阿拉善地塊的向東運(yùn)動(dòng)中起重要作用。
本研究區(qū)位于北祁連山東部,主要包含皇城-雙塔斷裂、冷龍嶺斷裂。冷龍嶺斷裂與海原斷裂、老虎山斷裂、毛毛山斷裂、金強(qiáng)河斷裂和托萊山斷裂構(gòu)成長(zhǎng)約 1 000 km 的祁連-海原斷裂帶。冷龍嶺斷裂早期活動(dòng)以擠壓逆沖為主,自中更新世以來(lái),斷裂活動(dòng)性質(zhì)以左旋走滑為主,兼有正斷層分量,晚第四紀(jì)時(shí)期主要表現(xiàn)為左旋走滑運(yùn)動(dòng),現(xiàn)今滑動(dòng)速率約為4~6 mm/yr (郭鵬等,2017;郭鵬,2019)。
從幾何分段上可將皇城-雙塔斷裂帶劃分為西、中、東段,其中西段為皇城盆地?cái)嗔讯?,在晚更新世以?lái)活動(dòng)性弱,中、東段分別為上寺斷裂段和冬青頂斷裂段,活動(dòng)性均較強(qiáng)。上寺斷裂段以疊瓦狀逆沖斷構(gòu)造為特征,冬青頂斷裂段分為南、北枝,南枝為正斷層,北枝為逆斷層(侯康明,1998),1927 年古浪地震發(fā)生于東段。
為確定研究區(qū)域精細(xì)的斷裂結(jié)構(gòu),并監(jiān)測(cè)祁連山斷裂帶附近的微地震活動(dòng)性,于2019-07-20-2019-08-21 在祁連山斷裂帶布設(shè)了面狀密集臺(tái)陣。該臺(tái)陣包含6 條測(cè)線(xiàn),每條測(cè)線(xiàn)由40 個(gè)短周期儀器EPS-2-M6Q組成(圖1),儀器頻帶范圍0.2~150 Hz,采樣率200 Hz。測(cè)線(xiàn)之間的距離約10 km,測(cè)線(xiàn)內(nèi)臺(tái)間距從測(cè)線(xiàn)兩端至中間逐漸由數(shù)公里縮小至數(shù)百米,整個(gè)臺(tái)陣覆蓋范圍約為3 000 km2(50 km×60 km)。對(duì)采集數(shù)據(jù)進(jìn)行預(yù)處理,包括去均值、去線(xiàn)性化及重采樣至100 Hz。圖1 中藍(lán)色三角表示臺(tái)站,四個(gè)白色三角形為編號(hào)1 001、1 002、1 030、2016 的臺(tái)站,黑色圓點(diǎn)表示歷史地震事件(莘海亮,2020),黑色虛線(xiàn)表示斷裂帶,HSF 表示皇城-雙塔斷裂,LLLF 表示冷龍嶺斷裂,兩個(gè)紅色五角星為編號(hào)317 和編號(hào)623 的地震事件。
圖1 研究區(qū)域臺(tái)站及歷史地震事件分布Fig. 1 Distribution of stations and historical earthquakes in the study area
參考Wang 等(2020)的數(shù)據(jù)處理流程,若直接使用PhaseNet 進(jìn)行事件檢測(cè)與到時(shí)拾取,需將24 h 連續(xù)數(shù)據(jù)切割成5 760 個(gè)15 s 的數(shù)據(jù)片段,在沒(méi)有GPU 的服務(wù)器上處理240 個(gè)臺(tái)站24 h 的數(shù)據(jù)需耗費(fèi)約36 h。相比PhaseNet,CNNDetector 僅用于檢測(cè)地震事件,其網(wǎng)絡(luò)結(jié)構(gòu)較簡(jiǎn)單,檢測(cè)效率更高。在同臺(tái)服務(wù)器中,處理240 個(gè)臺(tái)站24 h 的數(shù)據(jù)僅需耗費(fèi)約4 h,因此首先使用CNNDetector 檢測(cè)地震事件,然后使用PhaseNet 拾取到時(shí),再使用REAL 初定位,最后使用hypoDD 進(jìn)行重定位。
Yang 等(2021)提出基于卷積神經(jīng)網(wǎng)絡(luò)的地震事件檢測(cè)算法(CNNDetector),此算法綜合多個(gè)臺(tái)站的三分量地震記錄判斷1 個(gè)時(shí)窗內(nèi)是否存在地震事件,其檢測(cè)精度高、誤檢率小,并在多個(gè)區(qū)域測(cè)試中表現(xiàn)出較好的泛化能力。進(jìn)行祁連山密集臺(tái)陣數(shù)據(jù)處理時(shí),為檢測(cè)到更多的微小地震,將240 個(gè)臺(tái)站按區(qū)域分為12 組,對(duì)數(shù)據(jù)進(jìn)行3~30 Hz 的帶通濾波后,使用CNNDetector 對(duì)每組臺(tái)站分別進(jìn)行檢測(cè)。設(shè)置閾值時(shí),首先需滿(mǎn)足能夠檢測(cè)到大多數(shù)已知地震事件的要求,然后嘗試降低閾值,直至出現(xiàn)虛假檢測(cè)結(jié)果,由此將閾值設(shè)置為0.5。在同一時(shí)窗內(nèi),若有2 組以上的CNNDetector 檢測(cè)值超過(guò)閾值,則認(rèn)為其為地震事件。在此標(biāo)準(zhǔn)下,共檢測(cè)到1 036 個(gè)地震事件,其中2 個(gè)低閾值的地震事件如圖2 所示,其地震位置由圖1 紅色五角星表示。
圖2 CNNDetector 檢測(cè)出的2 個(gè)地震事件波形Fig. 2 Waveforms of two seismic events detected by CNNDetector
由于臺(tái)站數(shù)量多,手動(dòng)拾取檢測(cè)到的1 036 個(gè)地震事件需耗費(fèi)大量時(shí)間,因此使用自動(dòng)到時(shí)拾取算法進(jìn)行拾取。PhaseNet 是目前應(yīng)用較多的基于深度學(xué)習(xí)的到時(shí)自動(dòng)拾取算法(Zhu 等,2019),其訓(xùn)練數(shù)據(jù)是北加州地震數(shù)據(jù)中心超過(guò)30 年記錄到的約700 000 個(gè)地震波形,其對(duì)低信噪比的數(shù)據(jù)也具有一定拾取精度,且在不同地區(qū)具有較好的泛化能力(趙明等,2021a)。將P 波和S 波拾取閾值均設(shè)為0.3,共拾取到74 585個(gè)P 波到時(shí)和75 191 個(gè)S 波到時(shí)。地震事件317 的部分到時(shí)拾取結(jié)果如圖3 所示(圖1 中白色三角形為對(duì)應(yīng)的接收臺(tái)站位置),由圖3 可知,部分信噪比較低的信號(hào)也能被準(zhǔn)確拾取。
圖3 PhaseNet 到時(shí)拾取結(jié)果和不同臺(tái)站接收到的事件317 的波形圖Fig. 3 Examples of PhaseNet arrival time picking results and waveforms of event 317 received at different stations
手動(dòng)拾取到時(shí)時(shí)會(huì)考慮臺(tái)站間信號(hào)的關(guān)聯(lián)性,從而判斷待拾取的是地震信號(hào)還是干擾信號(hào)。但自動(dòng)拾取不會(huì)考慮,因此在震相關(guān)聯(lián)前的時(shí)距曲線(xiàn)中有很多偏離P、S 波時(shí)距曲線(xiàn)的點(diǎn)。因此對(duì)于自動(dòng)拾取的震相到時(shí),做進(jìn)一步的震相關(guān)聯(lián)是十分必要的。這里我們使用基于網(wǎng)格搜索的REAL 算法(Zhang 等,2019)進(jìn)行震相關(guān)聯(lián)及初定位。
選取臺(tái)陣中心點(diǎn)處的USTClitho 2.0(Han 等,2022)速度模型作為震相關(guān)聯(lián)及初定位使用的速度模型(圖4)。REAL 的搜索范圍為0.6°×0.6°×35 km,搜索網(wǎng)格尺寸為0.05°×0.05°×2 km,最終保留了550 個(gè)滿(mǎn)足以下條件的地震事件(圖5(a)):超過(guò)10 個(gè)P 波到時(shí)、5 個(gè)S 波到時(shí)、20 個(gè)P 波加S 波到時(shí)且臺(tái)站間隙角<240°,其中震相走時(shí)殘差需<0.5 s。震相關(guān)聯(lián)后剩余43 152 個(gè)P 波到時(shí)及42 414 個(gè)S 波到時(shí)。震相關(guān)聯(lián)后的時(shí)距曲線(xiàn)如圖5(b)所示,異常點(diǎn)已剔除,其中灰色圓點(diǎn)為關(guān)聯(lián)前的震相散點(diǎn),紅點(diǎn)為關(guān)聯(lián)后剩余的震相散點(diǎn)。初定位后的殘差分布如圖5(c)所示。
圖4 地震定位使用的一維速度模型Fig. 4 1D velocity models used for earthquake location
圖5 REAL 震相關(guān)聯(lián)及初定位結(jié)果Fig. 5 Seismic phase association and earthquake location results by the REAL algorithm
為進(jìn)一步提高地震定位精度,使用相對(duì)定位算法hypoDD(Waldhauser 等,2000)進(jìn)行重定位。hypo-DD 算法使用地震對(duì)的相對(duì)到時(shí)數(shù)據(jù)進(jìn)行地震定位,由于震中距遠(yuǎn)大于地震對(duì)的距離,2 個(gè)地震近似擁有共同路徑,因此可減小速度模型不準(zhǔn)確帶來(lái)的相對(duì)定位誤差,且可更好地約束地震的相對(duì)位置。重定位時(shí)使用USTClitho2.0 速度模型,選取的地震對(duì)距離<10 km,相互關(guān)聯(lián)的地震數(shù)目超過(guò)8 個(gè)。重定位后剩余517 個(gè)地震事件,地震分布如圖6 中黑色圓點(diǎn)所示,其中灰色圓點(diǎn)為2013-2016 年重定位的歷史地震分布(莘海亮,2020),灰色虛線(xiàn)為斷裂帶。重定位的迭代過(guò)程及殘差分布如圖7 所示。
圖6 HypoDD 定位結(jié)果Fig. 6 HypoDD location results
圖7 HypoDD 迭代過(guò)程及走時(shí)殘差分布Fig. 7 HypoDD iterative process and residual distribution
參考Wang 等(2020)研究方法計(jì)算震級(jí):
式中,ML為 震級(jí),A為振幅,d為震中距。
對(duì)事件波形數(shù)據(jù)去儀器響應(yīng)、濾波至1~50 Hz 后,對(duì)于每個(gè)地震,在所有存在到時(shí)的臺(tái)站上計(jì)算震級(jí),取所有臺(tái)站計(jì)算震級(jí)的中位數(shù)為最終的震級(jí),如圖8(a)所示,2 個(gè)地震目錄中共同地震事件的震級(jí)對(duì)比如圖8(b)所示,由此可知,2 種震級(jí)差異較小,說(shuō)明式(1)計(jì)算的震級(jí)是可靠的。
圖8 震級(jí)分布與對(duì)比Fig. 8 Magnitude distribution and comparison
在祁連山密集臺(tái)陣觀(guān)測(cè)期間,中國(guó)地震臺(tái)網(wǎng)正式地震目錄中共有39 個(gè)位于臺(tái)陣內(nèi)的地震事件,而密集臺(tái)陣共監(jiān)測(cè)到550 個(gè)地震事件,約是地震臺(tái)網(wǎng)地震數(shù)量的15 倍,尤其監(jiān)測(cè)到了更多小于0 級(jí)的地震事件。通過(guò)對(duì)比發(fā)現(xiàn),中國(guó)地震臺(tái)網(wǎng)正式地震目錄中的39 個(gè)地震事件全部被密集臺(tái)陣監(jiān)測(cè)。因此通過(guò)密集臺(tái)陣監(jiān)測(cè),可大大提高微地震監(jiān)測(cè)能力,可監(jiān)測(cè)到-2 級(jí)的微震事件。
由于數(shù)據(jù)量大,為減少人工拾取工作量,提高數(shù)據(jù)處理效率,使用最新發(fā)展的基于人工智能的地震數(shù)據(jù)處理方法。在缺少GPU 加速的情況下,首先使用CNNDetector 進(jìn)行地震事件檢測(cè),然后使用PhaseNet 拾取P 波和S 波到時(shí),大大節(jié)約了計(jì)算時(shí)間。在人工智能拾取到時(shí)的基礎(chǔ)上,結(jié)合傳統(tǒng)定位方法REAL 及hypo-DD,精確地定位出517 個(gè)地震,這表明基于深度學(xué)習(xí)進(jìn)行地震事件檢測(cè)與到時(shí)拾取,并在此基礎(chǔ)上進(jìn)行地震定位是可靠、高效的。密集臺(tái)陣重定位的地震位置與研究區(qū)域歷史地震活動(dòng)具有較好的一致性,均由西至東呈現(xiàn)出4 個(gè)條帶狀分布。最西側(cè)的地震簇和冷龍嶺斷裂相關(guān),走向與斷裂走向類(lèi)似,呈近NW-SE 向。與地表斷層跡線(xiàn)相比,最西側(cè)的地震簇位于斷層?xùn)|北側(cè),垂向剖面顯示該斷層向EN 向傾斜。與最西側(cè)的地震簇相比,東側(cè)的3 個(gè)地震條帶走向和皇城-雙塔斷裂、冷龍嶺斷裂走向不一致,而是呈NNW-NNE 向,與最東側(cè)的斷層走向一致。地震定位結(jié)果表明,研究區(qū)域除地表顯現(xiàn)的NW-SE/NEE-SWW 向的斷層外,還存在活躍的NNW-NNE 向隱伏活躍斷層。這些隱伏活躍斷層與地表顯現(xiàn)的斷層呈一定斜交關(guān)系,且更活躍。與中國(guó)地震臺(tái)網(wǎng)地震目錄給出的地震定位相比,基于密集臺(tái)陣給出的地震定位表現(xiàn)出了更明顯的線(xiàn)性結(jié)構(gòu),體現(xiàn)了地震定位的高精度,可刻畫(huà)出斷層面的三維幾何形態(tài)。
致謝 感謝國(guó)家重點(diǎn)研發(fā)計(jì)劃(2018YFC1504102)的資助。感謝中國(guó)地震臺(tái)網(wǎng)中心國(guó)家地震科學(xué)數(shù)據(jù)中心(http://data.earthquake.cn)提供的數(shù)據(jù)支撐,感謝莘海亮博士提供的歷史地震目錄。感謝審稿人提供的寶貴建議。