2021年7月,内蒙古测震台网运行实时智能地震处理系统(RISP)。该系统基于深度学习技术(Perol et al,2018),利用PhaseNet模型(Zhu et al,2019)和EQTransformer模型,对测震台网产出的seed格式波形进行处理,自动产出地震目录。该系统既可以在线实时处理测震台网地震波形,也可离线计算历史波形,通过自动拾取波形震相从而定位形成地震目录(廖诗荣等,2021a)。
内蒙古和林格尔地处华北断块区,位于近EW向阴山—燕山断褶带、NS向鄂尔多斯断块拗陷和山西断块隆起的交会地区(徐杰等,1978),地质结构复杂,历史上多次发生6级以上强震。2020年3月30日和林格尔发生ML 4.5地震,震中位于鄂尔多斯块体北缘阴山地震带,震前鄂尔多斯块体北缘4.0级地震出现长时间平静异常现象。此次地震的发生,打破了自2005年以来阴山地震带ML 4.0以上地震的长期平静(张晖等,2021)。
基于该研究区域地质构造环境的复杂性和地震带的特殊性,将此次ML 4.5地震作为主要研究对象,使用实时智能地震处理系统(简称RISP系统)的离线计算功能,对此次地震发生前后30天内内蒙古测震台网记录的连续波形数据进行处理,产出研究区域自动处理地震编目目录(以下简称自动目录),将自动目录与测震台网产出的人工分析编目目录(以下简称人工目录)进行对比分析,验证RISP系统在内蒙古测震台网使用的可靠性。
1 RISP系统简介RISP系统由廖诗荣团队开发(廖诗荣等,2021b),其技术架构见图 1,具体流程如下:使用测震台网JOPENS系统调取历史台网卷波形,利用PhaseNet算法和EQTransformer算法,识别并拾取触发台站震相的到时、初动方向等信息,通过关联和定位模块进行组合关联,使用NLLoc定位程序进行定位(Lomax et al,2009),对触发台站波形进行DD-1仿真(Kanamorih et al,1999),识别Sg震相到时,自动量取最大振幅,基于GB 17740—2017《地震震级的规定》确定震级(刘瑞丰等,2018)。
2020年3月30日和林格尔发生ML 4.5地震,由于震区地震台站分布稀疏(7个台站,图 2),台间距较大(台间距均值为79 km),微震拾震能力较低(PMC评估为ML 2.2以上)(刘芳等,2014),一些人工处理事件被认为是单台事件,对于微震事件波形,人工识别能力较差,人工遗漏分析事件现象不可避免。针对人工震相识别速度慢、微震识别难等问题(刘芳等,2013),使用RISP系统进行地震检测。
(1)离线检测。选取2020年3月30日前后30天内连续波形记录,运行RISP系统,对内蒙古测震台网进行离线数据测试,参与计算台站与人工编目一致。运行结果显示,RISP系统共产出自动目录78条,地震数约为同时段人工目录的2.5倍(人工目录仅31条)。
人工目录与自动目录事件分布见图 3(图中红色圆点为人工目录震中,蓝色圆点为自动目录震中),可见在2种目录下,地震集中分布范围较为一致,只是自动目录地震分布更广。自动目录与人工目录中地震的震级与时间分布见图 4(图中黄色代表自动目录,蓝色代表人工目录),其中2个目录地震数量与时间的变化趋势见图 4(b)。由图 4可见,与人工目录相比,自动目录拾取了更多ML 1.2以下地震,而对于ML>1.2地震,自动目录拾取数量也较多;ML 4.5主震发生前,震中周边区域地震数量逐渐增多,且主震发生后5天内地震数量急剧增加,随后逐渐递减,符合大森定律(钱晓东等,2001)。
(2)地震匹配。为了更好地分析自动目录的可靠性,利用程序设定匹配阈值,对人工目录与自动目录进行匹配分析,其中:震中位置偏差设定为±20 km,发震时刻误差设定为±2 s。匹配结果如下:自动目录匹配人工目录(下文简称匹配目录)30条,自动目录未匹配人工目录(下文简称漏分目录)1条,自动目录比人工目录多检出事件目录(下文简称多检目录)为48条(表 1)。也就是说,匹配地震目录30条,漏分地震目录1条,匹配人工目录与人工目录的比值,即事件召回率高达约96.8%,数值越高,表明RISP系统自动产出目录与人工目录匹配度越高。
由2020年3月30日和林格尔ML4.5地震的自动目录匹配结果可知,RISP系统对研究区域人工目录的匹配较好。
对漏分地震目录(仅1条)进行检查,发现RISP系统已检测到该地震震相,因仅识别出4个震相而未关联定位形成自动事件目录,可见该系统在研究区域具有较强的地震事件检测能力。
对于多分目录的48条数据,人工浏览波形核实发现,其中13条为人工目录中的单台地震,19条为不在人工目录中的地震事件(未进入人工分析),9条为未达到人工处理震级要求的非天然事件,7条为因干扰较大致人工无法识别的微小余震。
为了进一步验证该系统的匹配性,基于震相到时差和地震定位结果参数,对自动目录检测事件波形进行人工复核,结果见图 5、图 6。
由图 5可知,自动目录与人工目录Pg、Sg震相到时差大部分趋于±0.25 s,占比约85%,2个目录的震相到时差越趋近于0,表明自动目录与人工目录识别的震相到时越接近;与Sg震相相比,Pg震相到时差趋近于0占比更大,说明基于该震相自动识别地震精度更高,更准确,符合震相识别规律。
由图 6(a)可知,匹配目录中发震时刻差值均在±2 s之间,且多为负值,表明由RISP系统关联的震相定位事件发生时间比人工目录早。可能是因为,RISP系统的关联定位模块采用NLLoc定位方法进行地震定位,使用华北区域地壳速度结构模型;而人工目录多采用单纯型法和HapSat定位方法,而且使用了内蒙古区域一维地壳速度结构模型(贾昕晔,2019),人工目录使用本区域速度模型计算发震时刻更为准确。图 6(b)绘出自动目录与人工目录地震定位距离的差值分布,可见除2个事件的定位距离差值大于10 km外,其他匹配目录事件的定位距离差值均在10 km范围内,且差值越小,匹配目录条数越多。图 6(c)绘出2种目录地震定位深度差值分布,鉴于人工目录定位深度的取整原则,2种目录的地震定位深度差值分布较为分散。图 6(d)绘出2种目录的震级差值分布,可见二者震级偏差较小,趋近于0。
4 结论与讨论为了检验RISP系统在内蒙古测震台网的运行实效,选取2020年3月30日内蒙古和林格尔ML 4.5地震序列主震前后30天内蒙古测震台网记录的连续波形数据,进行RISP系统的离线计算,就地震检测、到时拾取、震相关联到地震定位和震级测定功能等进行测试,结合人工地震编目结果,对RISP系统自动产出目录进行分析,得出以下结果:
在地震台站分布稀疏的内蒙古和林格尔地区,RISP系统自动检测到78个事件(人工目录仅31条),事件识别数量约为人工目录的2.5倍,误检率低,其中匹配目录有30条,事件召回率高达约96.8%。在RISP系统成功匹配的地震事件中,自动目录与人工目录在发震时刻、震中位置、震级、P和S震相到时方面的偏差均较小,且匹配目录与人工编目结果基本保持一致,其中震中偏差一般分布在±10 km范围内,发震时刻偏差分布在±2 s范围内,基本符合人工编目误差范围要求。
与人工目录相比,RISP系统自动产出速度快,且其产出的余震序列,基本包含人工编目结果,而且涵盖较多人工未处理事件。基于该系统,可为地震台站稀疏地区提供更加丰富的地震目录资料,对大震应急、震后趋势判定和发震构造研究等具有重要意义。RISP系统对于微震识别具有显著优势,但事件类型判定(地震和非天然事件判定)仍有待完善。
贾昕晔, 王鑫, 王树波, 等. 内蒙古分区地壳一维速度模型的检验[J]. 中国地震, 2019, 35(4): 738-752. |
廖诗荣, 杨婷, 张红才, 等. 2021年云南双柏MS 5.1地震序列的快速检测与精定位研究[J]. 地震研究, 2021a, 44(4): 515-520. |
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MS 6.4地震中的应用[J]. 地球物理学报, 2021b, 64(10): 3 632-3 645. |
刘芳, 蒋长胜, 张帆, 等. 基于EMR方法的内蒙古测震台网监测能力[J]. 地球科学—中国地质大学学报, 2013, 38(6): 1 356-1 362. |
刘芳, 蒋长胜, 张帆, 等. 内蒙古区域地震台网监测能力研究[J]. 地震学报, 2014, 36(5): 919-929. |
刘瑞丰. 新的震级国家标准《地震震级的规定》(GB17740—2017)2017年5月正式发布[J]. 地震地磁观测与研究, 2018, 39(1): 2+169. |
钱晓东, 秦嘉政, 刘祖荫. 滇西地区中强地震的余震衰减[J]. 地震研究, 2001, 24(2): 109-114. |
徐杰, 蒋溥, 宋方敏, 等. 和林格尔地震地震地质特征的初步分析[J]. 地质科学, 1978, 13(2): 174-182. |
张晖, 谭毅培, 马婷, 等. 2020年和林格尔ML 4.5地震微震匹配定位及发震构造探讨[J]. 中国地震, 2021, 37(2): 430-441. |
Kanamorih, Maechlingp, Haukssone. Continuous monitoring of ground-motion parameters[J]. Bulletin of the Seismological Society of America, 1999, 89(1): 311-316. DOI:10.1785/BSSA0890010311 |
Lomax A, Michelini A, Curtis A. Earthquake Location, Direct, Global-Search Methods[M]//Meyers R Encyclopedia of Complexity and Systems Science. New York: Springer, 2009.
|
Perol T, Gharbim, Denolle M. Convolutional neural network for earthquake detection and location[J]. Science Ad-vances, 2018, 4(2): e1700578. DOI:10.1126/sciadv.1700578 |
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. |