Nature Geoscience:通过机器学习用地震波形记录监测俯冲带断层活动

【前沿报道】Nature Geoscience:

通过机器学习用地震波形记录监测俯冲带断层活动

俯冲带按照断层的活动方式可划分为以常规地震为主要活动方式的孕震区和以慢滑移(slow slip)为主要活动方式的区域。研究人员发现在俯冲带浅层地壳地区发生破坏性大地震之前有时会发生慢滑移事件,因此对慢滑移事件的研究可能有助于预测俯冲带未来可能发生的大地震(Araki et al., 2017; Wallace et al., 2016)。

虽然研究人员能较清晰地刻画常规地震的破裂过程,但是对于慢滑移及其伴生震颤(tremor)的物理性质还知之甚少。Gao and Wang (2017)利用数值模拟探讨了板块边界带断层流变特征与慢滑移之间的联系,他们认为可能是地幔楔角(断层面与大陆莫霍面交界)附近高压流体的存在导致了板块交界处的震颤和慢滑移事件。

在卡斯凯迪亚(Cascadia)俯冲带,慢滑移位于孕震区下方(图1)。在该区域的慢滑移研究中存在着一个困扰研究人员的问题:根据地震学计算得到的慢滑移位移及累积震颤的能量比用GPS数据推算的能量相差几个数量级,这表明在慢滑移过程中可能存在着未发现并释放了大量能量的活动。

美国洛斯阿拉莫斯国家实验室Rouet-Leduc et al.(2019)近期在Nature Geoscience上发表了最新研究成果,他们利用机器学习方法发现在慢滑移事件周期中一直存在着类震颤(tremor-like)信号,这一信号可以解释之前计算中大部分的能量差异。

该团队此前发现实验室条件下的断层活动会产生连续的弱信号(Rouet-Leduc et al., 2017),并在之后的研究中利用该信号的统计特征完成了实验室条件下断层活动的预测(Rouet-Leduc et al., 2018)。他们认为实际记录中的类震颤信号与实验室观测到的弱信号产生机制可能相似,并利用随机森林算法从地震台站记录的类震颤信号中估算出了卡斯凯迪亚俯冲带区域的对应的GPS台站位移速率数据(图2),实现了利用地震数据对该区域大断层活动的间接实时监测。该研究表明类震颤信号数年来一直存在于该区域,可以精确指示慢滑移的位移速率,有助于研究慢滑移事件和实时监测断层的物理状态,为研究慢滑移与大地震之间的作用关系提供新的视角。

图1 研究区域示意图。图a为地震台站连续波形记录;图b为GPS台站观测记录,作者通过从地震信号中估算出GPS信号,建立了地震信号与断层位移速率的联系;图c为研究区域概况三维图示(Rouet-Leduc et al., 2019)

该研究使用随机森林(random forest)算法,以弱信号一段时间内的统计特征作为输入,进行对应GPS信号的估算。随机森林是一种经典的机器学习算法,它由多个回归树组成,可以避免决策树方法容易发生过拟合的问题。虽然与比深度学习等方法表现性能差,但其可解释性强,有助于分析不同统计特征的重要性及其它们代表的物理意义。作者使用的地震数据统计特征包括(以天统计):地震记录的动态范围(最大值减最小值)、均方根(root mean square)、第二、三、四阶非中心矩(n阶非中心矩的密度方程为)、第二、三、四阶中心矩(n阶中心矩的密度方程为,其中μ为平均值)、1%与99%,5%与95%,10%与90%,25%与75%,40%与60%的分位距以及自定义的特征。自定义的特征是指前面十三个特征各自在每个二分之时窗内的平滑值减去第一个二分之时窗的值。这些统计特征的选取参照了先前实验室断层活动的研究中使用的特征。

图2 从地震信号估算GPS信号的图示。图a中红色线为实际的(经过平滑处理的)GPS数据,蓝色线为随机森林方法给出的回归值,蓝色阴影为预测给出的区间;图b为对应的NLLB台站的连续波形记录;图c为预测值与实际值的分布,其皮尔森相关系数(Pearson correlation coefficient)为0.66,说明波形记录中包含了大量的位移速率信息;图d为随机森林的示意图(Rouet-Leduc et al., 2019)

该研究从地震波形连续记录中发现了一直存在于慢滑移周期中的类震颤信号,并从该信号中估算出了俯冲带区域断层位移速率信息,实现了对慢滑移活动状态的实时监测,为断层物理状态的研究提供了新的方向。相比GPS台网,地震台站可以相对容易布设在水下来监测俯冲带区域的断层活动。通过对该类震颤信号做进一步的分析和研究,有助于评估和预防卡斯凯迪亚俯冲带区域的未来大地震灾害。此外,该团队发现俯冲带区域慢滑移产生的类震颤信号与之前在实验室断层观测到的信号相近,表明实验室岩石破裂实验中得出的结论可能适用于实际的地球内部断层活动过程。

因此,可以利用机器学习去分析岩石破裂的实验室大量观测数据并提取可用的地震前兆信息,例如先前该团队利用机器学习方法来预测实验室条件下的地震发生(Rouet-Leduc et al., 2017),以及该团队在Nature Geoscience上同期发表的利用机器学习分析和提取实验室条件下常规地震和慢地震发生前的相似信号特征(Hulbert et al., 2019),为大地震的研究及预测提供了新思路和新方法。

主要参考文献

1.Araki E, Saffer D M, Kopf A J, et al. Recurring and triggered slow-slip events near the trench at the Nankai Trough subduction megathrust[J]. Science, 2017, 356(6343): 1157-1160.

2.Gao X, Wang K. Rheological separation of the megathrust seismogenic zone and episodic tremor and slip[J]. Nature, 2017, 543(7645): 416.

3.Hulbert C, Rouet-Leduc B, Johnson P A, et al. Similarity of fast and slow earthquakes illuminated by machine learning[J]. Nature Geoscience, 2019, 12(1):69–74.

4.Rouet-Leduc B, Hulbert C, Johnson P A. Continuous chatter of the Cascadia subduction zone revealed by machine learning[J]. Nature Geoscience, 2019, 12(1):75–79.

5.Rouet-Leduc B, Hulbert C, Bolton D C, et al. Estimating fault friction from seismic signals in the laboratory[J]. Geophysical Research Letters, 2018, 45(3): 1321-1329.

6.Rouet-Leduc B, Hulbert C, Lubbers N, et al. Machine learning predicts laboratory earthquakes[J]. Geophysical Research Letters, 2017, 44(18): 9276-9282

7.Wallace L M, Webb S C, Ito Y, et al. Slow slip near the trench at the Hikurangi subduction zone, New Zealand[J]. Science, 2016, 352(6286): 701-704.

致谢:感谢岩石圈室陈凌研究员、赵亮研究员的修改建议。

(撰稿:肖卓伟,王建/地星室)

美编:徐海潮

校对:黄志伟

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20190219B05J5700?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。

扫码关注云+社区

领取腾讯云代金券