2. 中国地质大学(北京), 北京 100083;
3. 中国地震局乌鲁木齐中亚地震研究所, 乌鲁木齐 830011;
4. 中国地震科学实验场大理分中心, 云南大理 671000;
5. Dalhousie University, Halifax, B3H 4R2, Canada
2. China University of Geosciences(Beijing), Beijing 100083, China;
3. Urumqi Institute of Central Asian Seismology, China Earthquake Administration, Urumqi 830011, China;
4. Dali Center, China Seismic Experimental Site, Dali Yunnan 671000, China;
5. Dalhousie University, Halifax, B3H 4R2, Canada
根据中国地震台网正式测定,北京时间2021年5月21日21时48分在云南省大理白族自治州漾濞彝族自治县发生了MS6.4地震(震中位置25.67°N,99.87°E;图 1),造成3人遇难、28人受伤,极震区烈度为Ⅷ度,造成大理白族自治州56个乡镇受灾,大量房屋建筑在地震中遭到破坏(云南省地震局,http://www.yndzj.gov.cn/yndzj/_300559/_300651/629959/index.html).本次地震的发震断层为维西—乔后—巍山断裂附近的一条隐伏断裂(雷兴林等, 2021).孕震区域位于川滇块体的西部边缘地带,晚第四纪活动明显,运动性质以走滑为主,本次漾濞MS6.4地震是该断裂有记载以来发生过的最大地震.主震之前3天有显著的前震活动,最大的前震为MW5.2(雷兴林等,2021).主震之后余震活动频繁.因此2021年MS6.4漾濞地震是一个典型的前-主-余震型地震序列(Yang et al.,2021).
![]() |
图 1 漾濞MS6.4主震位置及研究区域图 黑色和蓝色三角形分别代表固定台站和短周期流动台站的分布.红色五角星为MS6.4主震震中.两个粉色五角星分别代表着两次大震级前震MW4.6和MW5.2.黑色倒三角形为亚失稳台站.黑色实线代表着研究区域内的断层分布.黑点代表高分辨率的漾濞地震序列震中分布. Fig. 1 Map view of the study area. Red star indicates the epicenter of the MS6.4 mainshock Two pink stars show the epicenters of the MW4.6 and MW5.2 foreshocks. Black and blue triangles represent the permanent and temporary stations, respectively. Black dots show the epicenters of 2021 Yangbi earthquake sequence. Black inverted triangles represent metastable stations, which only provide P- and S-wave arrival times. Black lines mark the faults in our study area. |
高分辨率地震目录有助于描绘断层的精细结构.近些年,很多地震学及大地测量方法均可对孕震断层的几何结构进行探查,但相对较高分辨率的地震目录,其在某些方面受到一定的制约.例如通过反演震源机制解只能揭示主要发震的断层面(Gephart and Forsyth, 1984);大地测量方法在深度上的分辨率通常较低(Ward and Valensise, 1989);地表破裂的现场调查无法发现隐伏断层(Xu et al., 2009).地震通常发生在预先存在或者新激活的断层上(Ross et al., 2019; Waldhauser, 2009; Waldhasuer and Ellsworth, 2002),因而高精度的震源位置是刻画断层精细结构最直接也是最有效的工具.
地震目录的构建方法主要分为基于震相走时和地震波形的两个主要类别(Grigoli et al., 2018; Pesicek et al., 2014; Stewart, 1977; Zhang et al., 2019).基于震相走时的地震目录构建方法通过震相拾取、震相关联和地震定位(Zhang et al., 2019; Liu et al., 2020a).其中震相识取最为关键.传统的震相拾取依赖于研究人员肉眼识别和手动挑选,时间成本需求大且容易受到人为因素的干扰.长短窗技术(STA/LTA)能够从连续地震记录中自动地识别出地震震相到时(Allen, 1982; Withers et al., 1998),大大地降低了时间成本,但是它可能检测到一些假的地震事件,且可能遗漏低信噪比地震事件.最近,机器学习算法被广泛应用于震相拾取工作(Ross et al., 2018; Wang et al., 2019; Zhu et al., 2019; Zhu and Beroza, 2019; 于子叶等,2018),并表现出高效率、高精度的优势,在地震目录构建中展现出了很好的应用前景(Tan et al., 2021; Liu et al., 2020a; Wang et al., 2020).基于地震波形类的方法主要基于延迟叠加理论,通过寻求能量的最大化完成地震检测和定位,而省略震相识别的过程(Liu et al., 2020b; Kao and Shan, 2007; Peng and Zhao, 2009; Shelly et al., 2007; Zhang and Wen, 2015).这一类方法在台网分布较好时对小震级事件具有很高的敏感性,但是识别和定位过程需要对连续记录进行叠加分析,对计算具有较大需求.相比之下,基于震相走时类的方法更加适用于快速构建高分辨率地震目录.
本文利用深度学习方法,从原始连续波形中进行了P和S震相的拾取,进而为漾濞地震序列构建了一个高分辨率地震目录.所得的地震目录勾勒出了MS6.4漾濞地震精细的孕震断层结构.结果显示孕震断层表现为一个多级雁列式结构,并含有多条穿过该结构的共轭断层.精细的地震目录也显示了漾濞地震序列的时空迁移过程,有助于研究主震成因机制.
1 数据漾濞MS6.4地震发生在川滇块体的西侧边缘,以主震为中心120 km范围内仅有5个云南地震台网固定台站,且台站方位约束较差(图 1).在漾濞主震震中东侧64 km处架设有宾川大容量气枪震源地震信号发射台.为了配合大容量气枪震源观测,在发射台周边布设有50个流动观测台站,均采用CMG-40T型0.5~50 Hz短周期地震仪,形成了一个观测密度较高的台网(图 1),此次地震的前震和余震都被该观测台网完整记录.同时,中国地震科学实验场大理分中心在该处也架设有下关小孔径台阵.除此之外,中国地震局地质研究所也在该地区架设了一个短周期台网,用于进行大地震前断层亚失稳方面的研究(简称亚失稳台站).我们收集了此次地震周边120 km内,2021年5月18日至5月30日的云南地震台网、宾川气枪震源观测台网的连续波形数据以及一个亚失稳台站提供的震相到时,作为构建高精度地震目录的基础数据.
2 方法本文根据Liu等(2020a)发展的基于机器学习的高精度地震目录构建流程进行数据处理,主要分为以下4个步骤:
(1) 基于深度学习算法PhaseNet,在连续波形数据中进行P/S波初动拾取(Zhu and Beroza, 2019);
(2) 利用震相关联算法REAL,将拾取到的震相关联成特定的地震事件(Zhang et al., 2019);
(3) 利用绝对定位算法VELEST(Kissling et al., 1994)反演地震绝对位置和研究区域速度模型;
(4) 利用相对定位方法hypoDD (Waldhauser and Ellsworth, 2000)和GrowClust (Trugman and Shearer, 2017) 精细化地震的相对位置.
具体处理方法如下:
2.1 基于迁移学习的P波、S波震相拾取首先,采用迁移训练后的震相拾取算法PhaseNet从三分量地震资料中,对P波和S波初动进行自动拾取.PhaseNet的原始训练集包含了北加州地震台网中心研究人员近30年手动标记的P波和S波震相到时(Zhu et al., 2019).赵明等(2021)进一步对PhaseNet进行了迁移训练,训练集为2019年四川台网5—8月间人工拾取震相资料,包含了16595个地震事件,120233条P波和S波震相.通过对比迁移训练前后的拾取精度,赵明等(2021)发现迁移训练后的模型更加适用于中国西南地区P波和S波震相到时的拾取.利用PhaseNet迁移训练的模型以及一个经验性的拾取阈值0.3,在2021年5月18日—5月30日的连续数据中,共识别到589063条P波到时,677864条S波到时.
2.2 震相关联与初步定位Zhang等(2019)发展了一种震相关联算法-REAL,可以将多个台站拾取到的P波和S波震相关联成单独的地震事件并对其进行初始定位.REAL是一种三维网格搜索算法,可以将按照时间顺序排列的多台P波和S波震相到时,依据走时曲线进行关联,通过P波和S波震相到时的数量来确认相应的地震事件,进而通过理论和实际到时的残差对地震事件进行粗略定位.在数据处理中,网格搜索中心为最早记录到P波的地震台站,水平搜索范围为0.4°,步长为0.02°,深度搜索范围为0~20 km,步长为2 km.由于研究区域的台站分布并不均匀,为获取稳定的关联结果,我们将相应关联阈值设置为:一个有效的地震拥有着2个P波震相、3个S波震相和至少两个台站同时记录到P和S波震相.在震相关联的过程中,使用的初始速度模型由房立华研究员提供.REAL算法在漾濞地震序列破裂区域共关联到17009个地震事件,包含了169903条P波震相,198938条S波震相(图 2).
![]() |
图 2 绝对定位后保留的P波、S波走时曲线图 Fig. 2 Travel time curves of P- and S-waves after absolute location |
我们使用绝对定位方法(VELEST)对关联到的地震事件进行绝对定位.首先我们选择漾濞地震序列破裂区域内1049个具有至少70个P波和S波震相的地震事件,然后应用VELEST更新我们的一维速度模型(Kissling et al., 1994;Liu et al., 2020a).基于更新后的速度模型(表 1),我们对破裂带内的其余地震进行绝对定位.为了确保检测到的地震事件准确性以及定位分辨率,此处仅保留台站空隙角小于150°且走时残差小于0.6 s的7405个地震事件(图 3a).
![]() |
表 1 一维速度模型 Table 1 1-D velocity model |
![]() |
图 3 VELEST、hypoDD和GrowClust漾濞地震目录的震中分布 不同的颜色代表着地震的深度.相应地震目录中地震的个数在图中右上角标注. Fig. 3 Epicenter distribution of VELEST, hypoDD and GrowClust catalogs Colored dots represent the earthquakes with different depths. |
在Liu等(2020a)的数据处理流程基础上,除了hypoDD定位外,我们还采用了震相到时的互相关走时差和GrowClust算法对地震事件进行高精度相对定位.相比于hypoDD定位算法,GrowClust算法能够更加准确和稳定地确定小震相对位置(Trugman and Shearer, 2017).GrowClust算法定位过程是完全基于地震对的波形互相关资料,而较大震级事件与小震级事件的波形互相关系数通常较低且难以被保留在波形互相关资料中,所以震级较大的地震事件无法被GrowClust算法定位.因此,本研究首先仍然使用hypoDD算法基于地震对的震相相对到时差对地震事件进行初始相对定位校正,以保证能获得较大震级事件的震源位置.在hypoDD相对定位过程中,震中距的上限被设置为120 km,最大的地震对震源距离为10 km,地震事件最多与10个地震事件组成地震对,且每一对地震事件至少包含8个相同震相,总共有6741个地震事件符合条件并被hypoDD算法进行了相对定位(图 3b).
接下来,我们为GrowClust算法构建了波形互相关资料.每一个地震事件将与它最近的150个地震成对进行波形互相关计算.参与波形互相关计算的波形窗口为P波到时前0.2 s至P波到时后1 s,允许的滑动窗口0.6 s;S波到时前0.5 s至S波到时后1.5 s,允许的滑动窗口1 s,所有的事件波形都被进行了2~8 Hz的带通滤波.在GrowClust定位过程中,地震事件至少包含8个波形互相关系数大于0.65的震相.GrowClust最终对4574个地震事件进行相对位置校正(图 3c),并同时对这些事件进行了100次Bootstrapping分析获得了它们的平均水平误差为73 m,平均深度误差为147 m, 发震时刻误差为9.4 ms.
3 数据处理结果 3.1 漾濞地震序列时空演化漾濞MS6.4地震是一个典型的前—主—余震型地震序列.前震序列于2021年5月18日18点49分30秒发生于6.4级主震东南方向约10 km处,并在接下来约25个小时内沿着北西方向破裂约2.5 km(图 4a).随后一个MW4.6前震于5月19日20点5分56秒发生在破裂区域的北西端,在后续的24个小时内,前震继续朝着北西方向破裂约5 km(图 4b).2021年5月21日21分25秒,最大的MW5.2前震发生在破裂区域的南东端,并在接下来的27分钟内激活了位于破裂区域北东侧一条长达10 km的断层(图 4c).2021年5月21日48分35秒,MS6.4主震发生在了破裂区域的北西端,并朝着南东方向持续破裂约20 km,形成了一个多级雁列式的断层构造(图 4d;雁列式构造一般指一组平行错列或者斜列的产状及性质相同的断裂,断裂总体上呈带状或脉状分布).
![]() |
图 4 漾濞地震序列的时空分布 (a) 发生在MW4.6前震之前的地震事件(红点),具体的时间范围见图中正上方标注,黑色空心五角星指示MW4.6地震的震中,相应沿断层走向AB(灰色虚线)分布图见下侧.(b)介于MW4.6与MW5.2两次大震级前震之间的地震事件(红点).其余的符号与图a相同.图c展示了介于MW5.2前震与MS6.4主震之间的地震事件(红点).其余符号与图a相同.图d展示了整个研究区间地震序列的空间分布(彩色点),不同颜色指示着地震发生在5月的第几天. Fig. 4 Sptio-temporal distribution of Yangbi earthquake sequence (a) Red dots represent the foreshocks occurred before the MW4.6 foreshock, detailed time range can be found above. Black star marks the MW4.6 foreshock. Below panel shows the corresponding cross-section along AB (marked in Fig. 3d). (b) Red dots represent the foreshocks occurred between the MW4.6 and MW5.2 foreshocks. (c) Red dots represent the foreshocks occurred between the MW5.2 foreshock and MS 6.4 mainshock. (d) Colored dots represent the distribution of the whole 2021 Yangbi earthquake sequence. |
漾濞MS6.4主震激活的多级雁列式断层构造的深度范围主要在5~10 km(图 4d),这与雷兴林等(2021)得到的重定位结果基本一致.然而,本文采用基于机器学习到时识取和波形互相关资料构建的高分辨率地震目录,揭示的断层结构更加精细.该多级雁列式断层构造沿着主震破裂方向整体上分为三级(图 5).第一级位于破裂区域的北西侧,包含了三条呈南东向放射状的子断层,断层长度约为5 km(图 5).第二级位于破裂区域的中部,且继续呈放射状朝着南东方向延展第一级构造,其长度约为4 km(图 5).2021年5月19日发生的MW4.6前震恰好位于第一级和第二级雁列式结构之间,形成了一个地震活动性明显降低的中断区域(图 5).根据雷兴林等(2021)反演的漾濞地震序列中5月19日到22日4.0级以上地震的震源机制解以及破裂传播方向,MW4.6前震为南西向破裂的纯走滑地震事件.我们沿着MS6.4主震的破裂方向投影了漾濞地震序列中所有的地震事件后,发现MW4.6前震附近的地震事件勾勒出一条共轭断层(图 6).第三级雁列式构造位于破裂区域的南东侧,且仅有北东侧一条断层朝着南东方向延展了前两级的雁列式结构,长度约为10 km(图 5).其余两条雁列式构造取而代之的是四条显著的近南向破裂的子断层,长度分别介于2~5 km之间(图 5).
![]() |
图 5 漾濞地震序列孕震结构图 红色虚线指示着多级雁列式结构.黑色五角星标记着MS6.4主震震中.彩色点和灰色点分别代表着前震和余震的震中.震源球上粉色实线指示着MW4.6前震的破裂面(雷兴林等,2021).粉色虚线指示着根据前震分布推断出的破裂面.两个灰色的“T”型符号指示着图 6中的投影剖面. Fig. 5 Seismogenic structure of the Yangbi earthquake sequence Red dashed lines indicate the multistage echelon structure; Black star marks the epicenter of the mainshock.Colored and gray dots represent the epicenters of foreshocks and aftershocks, respectively. Pink dashed line highlights the rupture plane of the MW4.6 foreshock (Lei et al., 2021). Two gray "T" shape symbols indicate the cross section of Fig. 6. |
![]() |
图 6 漾濞地震序列沿着主震破裂方向投影 黑色五角星表示主震震源位置.彩色点和灰色点分别代表前震和余震的震源位置.两个沙滩球分别代表MW4.6和MW5.2前震的震源机制解,其破裂面由粉色实线指示(雷兴林等,2021).粉色虚线指示着由前震分布推断的断层面. Fig. 6 Projection of the Yangbi earthquake sequence along the rupture direction of the mainshock Black star marks the hypocenter of the mainshock.Light blue dots and red dots represent the foreshocks and aftershocks, respectively. Two beach balls indicate the focal mechanism of the two large foreshocks (provided by Xinglin Lei), and corresponding rupture planes are marked by pink dashed lines. |
维西—乔后断裂南与活跃的红河断裂相连,新生代以来具有与右旋走滑红河断裂相似的运动学特征,相同的地质演化历史和构造变形机制,因此维西—乔后断裂被认为是红河断裂的北向延展(常祖峰等,2016).浅部雁列式结构是深部走滑断裂作用下的普遍表现.本文构建的漾濞MS6.4地震高分辨率地震目录揭示了一个多级雁列式结构(图 5),除此之外,发生在漾濞地震序列北西方向约20 km处的2013年洱源地震序列同样呈现出类似的雁列式构造样式(另文介绍),说明这种雁列式结构沿着维西—乔后断裂是广泛分布的,这或许支持了红河断裂在深部上的北向扩张.
雷兴林等(2021)利用双差定位算法重定位了漾濞地震序列,并反演了较大震级事件的震源机制解和破裂传播方向,确定了这些大震级地震的发震断层面.本文基于深度学习算法构建了一个包含4574个地震的高分辨率地震目录,更加清楚地刻画出一个自北西端朝南东方向呈放射状分布的多级雁列式构造(图 5).前震的分布还清晰地展示出MW4.6前震的断层面(图 6).此外,MW5.2前震周围存在明显的断层面错动,这说明该区域存在一个与主震破裂方向共轭的断层面(图 6),进一步支持了沿着MS6.4主震的发震断层存在多条共轭断层(雷兴林等,2021).
本研究构建的地震目录包含了571个前震事件,其精定位结果为调查MW6.4主震成核机制提供了参考.目前,地震成核机制主要被解释为两种模型(Beroza and Ellsworth, 1996; Dodge et al., 1996; Ellsworth and Beroza, 1995; Mignan, 2014):1)与耐震滑移相关的预滑模型(Preslip model);2)与应力扰动相关的级联模型(Cascade model).本文构建的高分辨率地震目录揭示了前震序列依次激活了一个多层次的断层结构(图 6).南西向破裂的MW4.6前震和北东向破裂的MW5.2前震,可能松开了MS6.4主震所处的南东向主断层.并且根据雷兴林等(2021)计算的两次大震级前震在空间上引起的应力变化,MS6.4主震处于应力升高区域.因此,我们更倾向于本次MS6.4地震主要是由应力扰动所触发.然而,耐震滑移仍然有可能存在,因为数值模拟和岩石实验已经表明两种机制在地震的成核过程中可以共存并相互反馈(McLaskey, 2019; MaLaskey and Lockner, 2014; Cattania and Segall, 2021; Dublanchet, 2018; Noda et al., 2013).在后续研究中,我们可以进一步通过搜索重复地震等方法检验耐震滑移是否存在.
地震活动性还会受到流体运移的影响.雷兴林等(2021)发现此次漾濞MS6.4主震前后的地震活动性与潮汐活动有着密切的相关性,暗示着本次地震序列可能受到了流体运移的影响.本文构建的漾濞高分辨率地震目录显示早期的前震有明显朝主震迁移的现象,其移动的路径呈现出一条狭长的带状结构,长度约为2.5 km.如果本次漾濞MS6.4地震的触发机制包含了流体运移作用,那么这种带状构造很可能是流体运移的通道(Ross et al., 2020).
5 结论本文基于深度学习的震相拾取算法PheaseNet为2021年云南漾濞地震序列构建了一个10天包含4574个地震的高分辨率地震目录.该地震目录不仅揭示了一个深度介于5~10 km的多级雁列式结构,还详细地追踪到了前震的时空演化.在后续的研究工作中,我们的高分辨率地震目录将为调查MS6.4主震成核、孕震区域体波成像、地震活动性分析(例如模板扫描)等提供重要参考.
致谢 作者感谢两位匿名审稿人提出的宝贵意见,以及日本产业技术综合研究所雷兴林研究员和中国地震局地质研究所张会平研究员的有益讨论.中国地震科学实验场大理分中心为本文提供数据支持.中国地震局地球物理研究所房立华研究员提供了初始速度模型,在此一并表示衷心的感谢.文中图件使用GMT软件(Wessel et al,2013)绘制.2021年漾濞地震序列高分辨率地震目录可以从_aaaaaa_paichu__.
Allen R. 1982. Automatic phase pickers: Their present use and future prospects. Bulletin of the Seismological Society of America, 72(6B): S225-S242. DOI:10.1785/BSSA07206B0225 |
Beroza G C, Ellsworth W L. 1996. Properties of the seismic nucleation phase. Tectonophysics, 261(1-3): 209-227. DOI:10.1016/0040-1951(96)00067-4 |
Cattania C, Segall P. 2021. Precursory slow slip and foreshocks on rough faults. Journal of Geophysical Research: Solid Earth, 126(4): e2020JB020430. DOI:10.1029/2020JB020430 |
Chang Z F, Chang H, Zang Y, et al. 2016. Recent active features of Weixi-Qiaohou fault and its relationship with the Honghe fault. Journal of Geomechanics (in Chinese), 22(3): 517-530. |
Dodge D A, Beroza G C, Ellsworth W L. 1996. Detailed observations of California foreshock sequences: Implications for the earthquake initiation process. Journal of Geophysical Research: Solid Earth, 101(B10): 22371-22392. DOI:10.1029/96JB02269 |
Dublanchet P. 2018. The dynamics of earthquake precursors controlled by effective friction. Geophysical Journal International, 212(2): 853-871. DOI:10.1093/gji/ggx438 |
Ellsworth W L, Beroza G C. 1995. Seismic evidence for an earthquake nucleation phase. Science, 268(5212): 851-855. DOI:10.1126/science.268.5212.851 |
Gephart J W, Forsyth D W. 1984. An improved method for determining the regional stress tensor using earthquake focal mechanism data: Application to the San Fernando Earthquake Sequence. Journal of Geophysical Research: Solid Earth, 89(B11): 9305-9320. DOI:10.1029/JB089iB11p09305 |
Grigoli F, Scarabello L, Böse M, et al. 2018. Pick-and waveform-based techniques for real-time detection of induced seismicity. Geophysical Journal International, 213(2): 868-884. DOI:10.1093/gji/ggy019 |
Kao H, Shan S J. 2007. Rapid identification of earthquake rupture plane using Source-Scanning Algorithm. Geophysical Journal International, 168(3): 1011-1020. DOI:10.1111/j.1365-246X.2006.03271.x |
Kissling E, Ellsworth, W L, Eberhart-Phillips, et al. 1994. Initial reference models in local earthquake tomography. Journal of Geophysical Research: Solid Earth, 99(B10): 19635-19646. DOI:10.1029/93JB03138 |
Lei X L, Wang Z W, Ma S L, et al. 2021. A preliminary study on the MS6.4, May 2021 Yangbi earthquake sequence, Yunnan, China. Acta Seismologica Sinca (in Chinese), 43(3): 1-25. DOI:10.11939/jass.20210100 |
Liu M, Zhang M, Zhu W Q, et al. 2020a. Rapid characterization of the July 2019 Ridgecrest, California, earthquake sequence from raw seismic data using machine-learning phase picker. Geophysical Research Letters, 47(4): e2019GL086189. DOI:10.1029/2019GL086189 |
Liu M, Li H Y, Zhang M, et al. 2020b. Graphics processing unit-based match and locate (GPU-M & L): an improved match and locate method and its application. Seismological Research Letters, 91(2A): 1019-1029. DOI:10.1785/0220190241 |
McLaskey G C, Lockner D A. 2014. Preslip and cascade processes initiating laboratory stick slip. Journal of Geophysical Research: Solid Earth, 119(8): 6323-6336. DOI:10.1002/2014JB011220 |
McLaskey G C. 2019. Earthquake initiation from laboratory observations and implications for foreshocks. Journal of Geophysical Research: Solid Earth, 124(12): 12882-12904. DOI:10.1029/2019JB018363 |
Mignan A. 2014. The debate on the prognostic value of earthquake foreshocks: A meta-analysis. Scientific Reports, 4: 4099. DOI:10.1038/srep04099 |
Noda H, Nakatani M, Hori T. 2013. Large nucleation before large earthquakes is sometimes skipped due to cascade-up-Implications from a rate and state simulation of faults with hierarchical asperities. Journal of Geophysical Research: Solid Earth, 118(6): 2924-2952. DOI:10.1002/jgrb.50211 |
Peng Z G, Zhao P. 2009. Migration of early aftershocks following the 2004 Parkfield earthquake. Nature Geoscience, 2(12): 877-881. DOI:10.1038/ngeo697 |
Pesicek J D, Child D, Artman B, et al. 2014. Picking versus stacking in a modern microearthquake location: Comparison of results from a surface passive seismic monitoring array in Oklahoma. Geophysics, 79(6): KS61-KS68. DOI:10.1190/geo2013-0404.1 |
Ross Z E, Meier M A, Hauksson E. 2018. P Wave arrival picking and first-motion polarity determination with deep learning. Journal of Geophysical Research: Solid Earth, 123(6): 5120-5129. DOI:10.1029/2017JB015251 |
Ross Z E, Idini B, Jia Z, et al. 2019. Hierarchical interlocked orthogonal faulting in the 2019 Ridgecrest earthquake sequence. Science, 366(6463): 346-351. DOI:10.1126/science.aaz0109 |
Ross Z E, Cochran E S, Trugman D T, et al. 2020. 3D fault architecture controls the dynamism of earthquake swarms. Science, 368(6497): 1357-1361. DOI:10.1126/science.abb0779 |
Shelly D R, Beroza G C, Ide S. 2007. Non-volcanic tremor and low-frequency earthquake swarms. Nature, 446(7133): 305-307. DOI:10.1038/nature05666 |
Stewart S W. 1977. Real-time detection and location of local seismic events in central California. Bulletin of the Seismological Society of America, 67(2): 433-452. |
Tan Y J, Waldhauser F, Ellsworth W L, et al. 2021. Machine-learning-based high-resolution earthquake catalog reveals how complex fault structures were activated during the 2016-2017 central Italy sequence. The Seismic Record, 1(1): 11-19. DOI:10.1785/0320210001 |
Trugman D T, Shearer P M. 2017. GrowClust: A hierarchical clustering algorithm for relative earthquake relocation, with application to the Spanish Springs and Sheldon, Nevada, earthquake sequences. Seismological Research Letters, 88(2A): 379-391. DOI:10.1785/0220160188 |
Waldhauser F, Ellsworth W L. 2000. A double-difference earthquake location algorithm: method and application to the northern Hayward fault, California. Bulletin of the Seismological Society of America, 90(6): 1353-1368. DOI:10.1785/0120000006 |
Waldhauser F, Ellsworth W L. 2002. Fault structure and mechanics of the Hayward Fault, California, from double-difference earthquake locations. Journal of Geophysical Research: Solid Earth, 107(B3): ESE3-1-ESE3-15. |
Waldhauser F. 2009. Near-real-time double-difference event location using long-term seismic archives, with application to Northern California. Bulletin of the Seismological Society of America, 99(5): 2736-2748. DOI:10.1785/0120080294 |
Wang J, Xiao Z W, Liu C, et al. 2019. Deep learning for picking seismic arrival times. Journal of Geophysical Research: Solid Earth, 124(7): 6612-6624. DOI:10.1029/2019JB017536 |
Wang R J, Schmandt B, Zhang M, et al. 2020. Injection-induced earthquakes on complex fault zones of the Raton Basin illuminated by machine-learning phase picker and dense nodal array. Geophysical Research Letters, 47(14): e2020GL088168. DOI:10.1029/2020GL088168 |
Ward S N, Valensise G R. 1989. Fault parameters and slip distribution of the 1915 Avezzano, Italy, earthquake derived from geodetic observations. Bulletin of the Seismological Society of America, 79(3): 690-710. DOI:10.1785/BSSA0790030690 |
Wessel P, Smith W H F, Scharroo R, et al. 2013. Generic mapping tools: Improved version released. Eos, Transactions American Geophysical Union, 94(45): 409-410. DOI:10.1002/2013EO450001 |
Withers M, Aster R, Young C, et al. 1998. A comparison of select trigger algorithms for automated global seismic phase and event detection. Bulletin of the Seismological Society of America, 88(1): 95-106. |
Xu X W, Wen X Z, Yu G H, et al. 2009. Coseismic reverse-and oblique-slip surface faulting generated by the 2008 MW7.9 Wenchuan earthquake, China. Geology, 37(6): 515-518. DOI:10.1130/G25462A.1 |
Yang Z G, Liu J, Zhang X M, et al. 2021. A preliminary report of the Yangbi, Yunnan, MS6.4 earthquake of May 21, 2021. Earth Planet. Phys., 5(4): 362-364. |
Yu Z Y, Chu R S, Sheng M H. 2018. Pick onset time of P and S phase by deep neural network. Chinese Journal of Geophysics (in Chinese), 61(12): 4873-4886. DOI:10.6038/cjg2018L0725 |
Zhang M, Wen L X. 2015. An effective method for small eventdetection: Match and locate (M&L). Geophysical Journal International, 200(3): 1523-1537. DOI:10.1093/gji/ggu466 |
Zhang M, Ellsworth W L, Beroza G C. 2019. Rapid earthquake association and location. Seismological Research Letters, 90(6): 2276-2284. DOI:10.1785/0220190052 |
Zhao M, Tang L, Chen S, et al. 2021. Machine learning based automatic foreshock catalog building for the 2019 MS6.0 Changning, Sichuan earthquake. Chinese Journal of Geophysics (in Chinese), 64(1): 54-66. DOI:10.6038/cjg2021O0271 |
Zhu L J, Peng Z G, McClellan J, et al. 2019. Deep learning for seismic phase detection and picking in the aftershock zone of 2008 M7.9 Wenchuan Earthquake. Physics of the Earth and Planetary Interiors, 293: 106261. DOI:10.1016/j.pepi.2019.05.004 |
Zhu W Q, Beroza G C. 2019. PhaseNet: A deep-neural-network-based seismic arrival-time picking method. Geophysical Journal International, 216(1): 261-273. |
常祖峰, 常昊, 臧阳, 等. 2016. 维西-乔后断裂新活动特征及其与红河断裂的关系. 地质力学学报, 22(3): 517-530. DOI:10.3969/j.issn.1006-6616.2016.03.009 |
雷兴林, 王志伟, 马胜利, 等. 2021. 关于2021年5月滇西漾濞6.4级地序列特征及成因的初步研究. 地震学报, 43(3): 1-25. DOI:10.11939/jass.20210100 |
于子叶, 储日升, 盛敏汉. 2018. 深度神经网络拾取地震P和S波到时. 地球物理学报, 61(12): 4873-4886. DOI:10.6038/cjg2018L0725 |
赵明, 唐淋, 陈石, 等. 2021. 基于深度学习到时拾取自动构建长宁地震前震目录. 地球物理学报, 64(1): 54-66. DOI:10.6038/cjg2021O0271 |