2. 中国三峡建工(集团)有限公司,成都市府城大道东段288号,610095
金沙江下游向家坝、溪洛渡、白鹤滩、乌东德4个巨型电站位于西南地震地质条件复杂、构造不稳定地区,区内发生数次7级以上强震[1-2]。为服务国家重大工程建设运行,金沙江下游梯级水电站水库地震监测台网(简称金沙江下游水库台网)于2006年开始规划设计,经多年分期建设、并网,2017年建成包括75个测震台、40个强震台、6个地下流体观测井、4个库区地壳形变监测网及1个台网中心的国内最大规模水库地震监测台网[3]。
金沙江下游水库台网的地震编目流程主要包括地方震事件检测、Pg和Sg震相拾取、基于川滇地区三维速度模型的地震初始定位、地震波形仿真及震级测定,均依靠人工量测。自台网建设和运行以来,库区周边先后发生2012-09-07云南彝良5.7级和5.6级、2014-04-05云南永善5.3级、2014-08-03云南鲁甸6.5级、2014-08-17云南永善5.0级、2018-12-16四川兴文5.7级及2019-06-17四川长宁6.0级地震,这些中强震发生后,短时间内伴随着成千上万次余震,给现有的人工处理模式带来巨大挑战。
近年来,基于机器学习的震相自动拾取技术被逐步应用于地震学[4-6],基于机器学习的地震定位流程可在短时间内检测出大量微震事件[7-9],为地震趋势判定、余震精定位、震源机制节面解确定、隐伏断层探测、发震构造分析、体波走时层析成像等研究提供了重要参考[10-11]。本文基于金沙江下游水库台网观测资料,采用基于机器学习的震相自动拾取方法,以库区内一次微震序列为例,快速构建高精度地震目录。
1 地震地质构造背景金沙江下游河段区域处于青藏高原强烈地震区向华南地震区过渡的部位,区域地质条件复杂、地震活动性强。水电工程所在区域内活动断裂相当发育,分布范围广、方向变化大,且断裂带内部结构复杂。区域范围内主要的断裂带包括马边-盐津断裂带、峨边-金阳断裂带、大凉山断裂带、则木河断裂带、小江断裂带、磨盘山-元谋断裂带及莲峰-华蓥山断裂带,金沙江下游区域地震地质构造背景见图 1。
研究区西部分布着巨大的鲜水河-安宁河-小江地震带,自北往南由鲜水河地震带、安宁河地震带(又称石棉-元谋地震带)、小江地震带等组成,大体沿中-晚第四纪形成的川滇菱形断块北东和东部边界展布,分别与NW向鲜水河断裂带、近NS向安宁河断裂带及NW向则木河断裂带、近NS向小江断裂带的强烈现代构造活动有关。研究区中部发育马边-永善-昭通地震带,由溪洛渡坝址下游通过,距离最近处不足20 km。研究区东部地震活动较西部弱。
研究区内强震的发生主要集中在NW向鲜水河断裂带和则木河断裂带、NNW向马边-盐津断裂带、近NS向安宁河断裂带、小江断裂带和昭通断裂带附近,其中安宁河断裂带和小江断裂带地震频度低、能量大,鲜水河断裂带地震频度高、强度大,马边-盐津隐伏断裂带地震频度高、强度较大,且马边地区地震常表现为震群型,而在这几条断裂带的中间区域很少发生破坏性地震[12]。
2 数据与方法2021-02-03~28四川雷波县元宝山乡附近的溪洛渡库区发生了一次震群事件,地震序列震中区为27.85°~28.02°N、103.30°~103.56°E,金沙江下游水库台网中心定位了1 202次地震事件,最大震级为ML2.6。金沙江下游水库测震台站配置GL-CS2型短周期地震计和EDAS-24GN型数据采集器,台间距约为5~10 km,数据采样率为100 Hz,观测频带2 s~50 Hz,时间校正误差小于0.1 ms。台网中心采用JOPENS地震数据处理系统,人工定位方法选择Loc3dSB(川滇3D),速度模型为川滇地区三维速度模型[13]。
本文收集处理了2021-02-03 00:00~02-28 24:00震中距100 km范围内35个台站的连续波形数据,震中区域近台资料丰富,6个台站位于震中距约20 km范围内,绝大多数地震的空隙角小于180°(图 2)。采用机器学习算法PhaseNet[14]拾取震相到时数据,观测数据经窗长为3 000个采样点(30 s)、截止频率为1 Hz的高通滤波,数据步长为10 s。震相关联采用基于组触发和等时差八叉树搜索相结合的方法[15],组触发最小台站数为3个,事件触发阈值最低为5个震相。自动定位速度模型为ak135全球模型,定位方法选用NLLoc非线性定位方法[15]。按照国标GB17740-2017对原始数据进行预处理,自动量取振幅和周期,计算ML震级。
金沙江下游水库台网中心对2021-02-03~28震中区(27.85°~28.02°N,103.30°~103.56°E)元宝山地震序列定位了1 202次地震事件,人工智能地震分析方法对同一时段给出4 671条地震目录,使用的计算机处理器为单核Intel(R) Core(TM) i7-10700 CPU(2.90 GHz),处理台网35个台站1 d的连续监测数据耗时约50 min,实现了台网地震目录的快速构建。
为比较人工定位目录(简称人工目录)和基于机器学习给出的目录(简称机器学习目录)之间的差异,进行如下统计:1)发震时刻差小于1 s,且震中位置差小于2 km的地震目录共991条,占人工目录总数的82.45%;2)发震时刻差小于2 s,且震中位置差小于4 km的地震目录共1 118条,占人工目录总数的93.01%;3)发震时刻差小于3 s,且震中位置差小于6 km的地震目录共1 139条,占人工目录总数的94.76%。选择发震时刻差小于2 s、震中位置差小于4 km的1 118条地震目录进行分析,人工目录和机器学习目录的匹配率为93.01%,漏检率为6.99%,机器学习多检测出3 553次地震事件,获得的事件数是人工定位的3.89倍,多检出的事件绝大部分为ML≤0.5的极微震。图 3为人工目录和机器学习目录地震事件空间(范围为0.2°×0.15°×15 km)分布,可以看出,2个目录在水平方向和深度方向具有较好的一致性,机器学习目录更为精细地刻画了地震序列的空间分布,条带状分布特征更为显著;人工目录的震中呈棋盘状分布,震源深度成层分布。机器学习定位给出的经纬度保留小数点后4位,深度保留小数点后1位;人工定位给出的经纬度保留小数点后3位(0.001°),深度为整数(单位km)。
图 4为机器学习和人工共同定位的1 118次地震事件的发震时刻、震中位置、震源深度及震级偏差统计结果,其中89.8%事件发震时刻偏差小于0.5 s,98.7%事件震中位置偏差小于3 km,90.9%事件震源深度偏差小于5 km,91.5%事件震级偏差小于0.2级。
图 5为机器学习目录和人工目录共同拾取的Pg和Sg震相到时偏差统计结果,两种目录共同拾取到Pg震相7 407个,Sg震相7 675个,其中Pg震相拾取偏差小于0.1 s的占87.3%,小于0.2 s的占94.8%,小于0.3 s的占98.2%;Sg震相拾取偏差小于0.1 s的占74.4%,小于0.2 s的占89.2%,小于0.3 s的占96.5%。
通过对比分析机器学习目录和人工目录的地震事件数量(图 6)发现,机器学习定位的地震事件数量显著多于人工定位,约为人工定位的3~4倍。多检测出的地震事件主要为ML0.5以下地震(图 6(b)),这是因为微震事件信噪比较低,人工判识难度较大,而PhaseNet基于深度神经网络,可压制背景噪声,提高微震信噪比,检测到更多微震。机器学习目录给出的地震震级下限降至ML-0.9,完备性震级也显著降低至ML-0.3,有利于更准确地拟合b值曲线。
为验证机器学习给出的地震目录能否辅助判定元宝山地震序列的发震断层,计算了地震序列中4次ML2.0以上地震的震源机制,见图 2。结果发现,地震序列长轴走向与震源机制解的节面解(走向123°,滑动角83°,倾角159°)基本一致,与峨边-金阳断裂走向约呈30°,推测元宝山地震序列的发震构造为峨边-金阳断裂的次级分支断裂,表现为右旋走滑兼逆冲性质。
4 结语本文基于金沙江下游水库地震台网观测资料,采用深度神经网络PhaseNet模型拾取震相到时,基于组触发和等时差八叉树搜索相结合的方法关联震相,并选用NLLoc非线性定位方法对元宝山地震序列进行定位,快速构建了高精度的水库台网目录。研究结果表明:
1) 在配备通用计算机硬件条件下,基于金沙江下游小孔径水库台网监测资料,采用机器学习方法可快速产出高精度水库台网地震序列目录,对金沙江下游水库区中强地震应急、震后趋势判定和地震地质构造研究等具有重要意义。
2) 机器学习定位给出的地震事件数量是人工定位的3~4倍,可为金沙江下游水库区提供更加丰富的地震目录资料,有利于拟合更为准确的b值曲线。
3) 机器学习定位和人工定位给出的地震发震时刻、震中位置、震源深度、震级及相关震相到时偏差均较小,将机器学习方法给出的元宝山地震序列空间分布用于判定发震断裂,推测该地震序列发震构造为峨边-金阳断裂的次级分支断裂。
尽管PhaseNet在不同地区具有较好的泛化性能,但其训练数据集仅包含美国北加州地震波,当地区间波形差异明显或台基干扰较多时,该算法的地震检测能力可能会出现不同程度的下降。但仅就金沙江下游水库台网而言,该模型给出的结果较为理想,可能与如下因素相关:1)PhaseNet模型训练的数据集主要为地方震,这与水库台网处理的地震数据类型一致,PhaseNet拾取的金沙江下游水库区地震震相到时具有较高的精度;2)金沙江下游水库台网为小孔径台网,台间距约为5~10 km,近台资料丰富,网内地震的定位效果较好。本文成果可为金沙江下游水库区地震趋势判定、余震精定位、震源机制节面解确定、隐伏断层探测、发震构造分析及体波走时层析成像等研究提供数据支撑。
致谢: 本文得到中国水利水电科学研究院常廷改教授、中国地震局地球物理研究所房立华研究员和中国地震台网中心赵永研究员的指导,部分图件采用GMT绘制,在此一并表示感谢。
[1] |
顾功叙. 中国地震目录: 公元前1831~公元1969年[M]. 北京: 科学出版社, 1983 (Gu Gongxu. China Earthquake Catalogue: 1831 BC-1969 AD[M]. Beijing: Science Press, 1983)
(0) |
[2] |
国家地震科学数据中心. 中国地震台网统一地震目录[Z/OL]. https://data.earthquake.cn/datashare/report.shtml?PAGEID=earthquake_subao, 2020 (National Earthquake Data Center of China. China National Network Official Earthquake Catalogue[Z/OL]. https://data.earthquake.cn/datashare/report.shtml?PAGEID=earthquake_subao, 2020)
(0) |
[3] |
四川赛思特科技有限责任公司. 金沙江下游梯级水电站水库地震监测台网观测报告[R]. 成都, 2021 (Sichuan Seistech Co Ltd. Observation Report of Reservoir Seismic Monitoring Network of Cascade Hydropower Station in Lower Jinsha River[R]. Chengdu, 2021)
(0) |
[4] |
Perol T, Gharbi M, Denolle M. Convolutional Neural Network for Earthquake Detection and Location[J]. Science Advances, 2018, 4(2)
(0) |
[5] |
Kong Q K, Trugman D T, Ross Z E, et al. Machine Learning in Seismology: Turning Data into Insights[J]. Seismological Research Letters, 2019, 90(1): 3-14 DOI:10.1785/0220180259
(0) |
[6] |
Zhu L J, Peng Z G, McClellan J, et al. Deep Learning for Seismic Phase Detection and Picking in the Aftershock Zone of 2008 M7.9 Wenchuan Earthquake[J]. Physics of the Earth and Planetary Interiors, 2019, 293
(0) |
[7] |
Park Y, Mousavi S M, Zhu W Q, et al. Machine-Learning-Based Analysis of the Guy-Greenbrier, Arkansas Earthquakes: A Tale of Two Sequences[J]. Geophysical Research Letters, 2020, 47(6)
(0) |
[8] |
Zhang M, Ellsworth W L, Beroza G C. Rapid Earthquake Association and Location[J]. Seismological Research Letters, 2019, 90(6): 2 276-2 284 DOI:10.1785/0220190052
(0) |
[9] |
赵明, 唐淋, 陈石, 等. 基于深度学习到时拾取自动构建长宁地震前震目录[J]. 地球物理学报, 2021, 64(1): 54-66 (Zhao Ming, Tang Lin, Chen Shi, et al. Machine Learning Based Automatic Foreshock Catalog Building for the 2019 MS6.0 Changning, Sichuan Earthquake[J]. Chinese Journal of Geophysics, 2021, 64(1): 54-66)
(0) |
[10] |
Fang L H, Wu J P, Wang W L, et al. Relocation of the Mainshock and Aftershock Sequences of MS7.0 Sichuan Lushan Earthquake[J]. Chinese Science Bulletin, 2013, 58(28): 3 451-3 459
(0) |
[11] |
张勇, 许力生, 陈运泰. 2015年尼泊尔MW7.9地震破裂过程: 快速反演与初步联合反演[J]. 地球物理学报, 2015, 58(5): 1 804-1 811 (Zhang Yong, Xu Lisheng, Chen Yuntai. Rupture Process of the 2015 Nepal MW7.9 Earthquake: Fast Inversion and Preliminary Joint Inversion[J]. Chinese Journal of Geophysics, 2015, 58(5): 1 804-1 811)
(0) |
[12] |
杨磊, 雷红富, 游家兴, 等. 向家坝、溪洛渡库区地震尾波Qc值估计[J]. 大地测量与地球动力学, 2023, 43(4): 403-408 (Yang Lei, Lei Hongfu, You Jiaxing, et al. Estimation of Coda Wave Attenuation in Xiangjiaba and Xiluodu Reservoirs Region[J]. Journal of Geodesy and Geodynamics, 2023, 43(4): 403-408)
(0) |
[13] |
吴建平, 黄媛, 张天中, 等. 汶川MS8.0级地震余震分布及周边区域P波三维速度结构研究[J]. 地球物理学报, 2009, 52(2): 320-328 (Wu Jianping, Huang Yuan, Zhang Tianzhong, et al. Aftershock Distribution of the MS8.0 Wenchuan Earthquake and Three Dimensional P-Wave Velocity Structure in and around Source Region[J]. Chinese Journal of Geophysics, 2009, 52(2): 320-328)
(0) |
[14] |
Zhu W Q, Beroza G C. PhaseNet: A Deep-Neural-Network-Based Seismic Arrival-Time Picking Method[J]. Geophysical Journal International, 2019, 216(1): 261-273
(0) |
[15] |
廖诗荣, 张红才, 范莉苹, 等. 实时智能地震处理系统研发及其在2021年云南漾濞MS6.4地震中的应用[J]. 地球物理学报, 2021, 64(10): 3 632-3 645 (Liao Shirong, Zhang Hongcai, Fan Liping, et al. Development of a Real-Time Intelligent Seismic Processing System and Its Application in the 2021 Yunnan Yangbi MS6.4 Earthquake[J]. Chinese Journal of Geophysics, 2021, 64(10): 3 632-3 645)
(0) |
2. China Three Gorges Construction Engineering Corporation, 288 East-Fucheng Road, Chengdu 610095, China