楊少博 王炳文 高 級 張海江

1）中國科學(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家野外科學(xué)觀測研究站, 合肥 230026

引言

地震事件檢測與定位是很多地震學(xué)研究的基礎(chǔ)。對于活動斷層區(qū)域，可利用完備、可靠的地震事件檢測與定位結(jié)果更好地了解區(qū)域地震活動性、刻畫斷層幾何形態(tài)（Ross 等，2019a，2020）。近年來，密集臺陣的大規(guī)模布設(shè)有利于更多的微地震活動監(jiān)測（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、可靠的自動化地震數(shù)據(jù)處理方法，包括地震事件檢測（Perol 等，2018；Ross 等，2018；Yang 等，2021）、到時拾?。╖hu 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（位于美國新墨西哥州和科羅拉多州的邊界）布設(shè)了密集臺陣，研究該區(qū)域誘發(fā)地震活動性。該研究將連續(xù)數(shù)據(jù)劃分為多個12 s 的數(shù)據(jù)段，使用PhaseNet（Zhu 等，2019）拾取每個數(shù)據(jù)段中的P、S 波到時，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，更好地刻畫了斷層的幾何形態(tài)。Liu 等（2020）基于PhaseNet 到時構(gòu)建了2019 年加州Ridgecrest 地震序列目錄。趙明等（2021b）對PhaseNet 做遷移學(xué)習(xí)，進(jìn)而用于構(gòu)建長寧地震的前震目錄。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與定位流程應(yīng)用于東祁連山斷裂帶的密集臺陣數(shù)據(jù)處理。由于密集臺陣數(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)大量時間。因此，首先使用一個輕量的神經(jīng)網(wǎng)絡(luò)CNNDetector（Yang 等，2021）進(jìn)行地震事件檢測，然后使用PhaseNet 對檢測到的事件進(jìn)行到時拾取，最后使用傳統(tǒng)方法進(jìn)行地震定位和震級計算。相比中國地震臺網(wǎng)正式地震目錄，獲得了更多的地震數(shù)據(jù)。

1 研究區(qū)域

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時間，斷裂帶以 NNE-NE 向的擠壓逆沖和地殼縮短增厚為變形特征，造成斷裂帶沿線山脈的快速隆升；中更新世以來，斷裂帶轉(zhuǎn)變?yōu)樽笮呋瑸橹骷婢吣鏇_運(yùn)動，調(diào)整著青藏高原東北緣地殼物質(zhì)向東運(yùn)動，最終被斷裂帶尾端的六盤山逆沖褶皺帶吸收（張培震等，2004；戚幫申，2014；郭鵬，2019）。

晚第四紀(jì)以來，在印度板塊向歐亞板塊NNE 向持續(xù)的構(gòu)造推擠過程中，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)相對于阿拉善地塊的向東運(yùn)動中起重要作用。

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)成長約 1 000 km 的祁連-海原斷裂帶。冷龍嶺斷裂早期活動以擠壓逆沖為主，自中更新世以來，斷裂活動性質(zhì)以左旋走滑為主，兼有正斷層分量，晚第四紀(jì)時期主要表現(xiàn)為左旋走滑運(yùn)動，現(xiàn)今滑動速率約為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斷裂段，在晚更新世以來活動性弱，中、東段分別為上寺斷裂段和冬青頂斷裂段，活動性均較強(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。

2 研究數(shù)據(jù)

為確定研究區(qū)域精細(xì)的斷裂結(jié)構(gòu)，并監(jiān)測祁連山斷裂帶附近的微地震活動性，于2019-07-20-2019-08-21 在祁連山斷裂帶布設(shè)了面狀密集臺陣。該臺陣包含6 條測線，每條測線由40 個短周期儀器EPS-2-M6Q組成（圖1），儀器頻帶范圍0.2～150 Hz，采樣率200 Hz。測線之間的距離約10 km，測線內(nèi)臺間距從測線兩端至中間逐漸由數(shù)公里縮小至數(shù)百米，整個臺陣覆蓋范圍約為3 000 km2（50 km×60 km）。對采集數(shù)據(jù)進(jìn)行預(yù)處理，包括去均值、去線性化及重采樣至100 Hz。圖1 中藍(lán)色三角表示臺站，四個白色三角形為編號1 001、1 002、1 030、2016 的臺站，黑色圓點表示歷史地震事件（莘海亮，2020），黑色虛線表示斷裂帶，HSF 表示皇城-雙塔斷裂，LLLF 表示冷龍嶺斷裂，兩個紅色五角星為編號317 和編號623 的地震事件。

圖1 研究區(qū)域臺站及歷史地震事件分布Fig. 1 Distribution of stations and historical earthquakes in the study area

3 數(shù)據(jù)處理流程和結(jié)果

參考Wang 等（2020）的數(shù)據(jù)處理流程，若直接使用PhaseNet 進(jìn)行事件檢測與到時拾取，需將24 h 連續(xù)數(shù)據(jù)切割成5 760 個15 s 的數(shù)據(jù)片段，在沒有GPU 的服務(wù)器上處理240 個臺站24 h 的數(shù)據(jù)需耗費(fèi)約36 h。相比PhaseNet，CNNDetector 僅用于檢測地震事件，其網(wǎng)絡(luò)結(jié)構(gòu)較簡單，檢測效率更高。在同臺服務(wù)器中，處理240 個臺站24 h 的數(shù)據(jù)僅需耗費(fèi)約4 h，因此首先使用CNNDetector 檢測地震事件，然后使用PhaseNet 拾取到時，再使用REAL 初定位，最后使用hypoDD 進(jìn)行重定位。

3.1 地震事件檢測

Yang 等（2021）提出基于卷積神經(jīng)網(wǎng)絡(luò)的地震事件檢測算法（CNNDetector），此算法綜合多個臺站的三分量地震記錄判斷1 個時窗內(nèi)是否存在地震事件，其檢測精度高、誤檢率小，并在多個區(qū)域測試中表現(xiàn)出較好的泛化能力。進(jìn)行祁連山密集臺陣數(shù)據(jù)處理時，為檢測到更多的微小地震，將240 個臺站按區(qū)域分為12 組，對數(shù)據(jù)進(jìn)行3～30 Hz 的帶通濾波后，使用CNNDetector 對每組臺站分別進(jìn)行檢測。設(shè)置閾值時，首先需滿足能夠檢測到大多數(shù)已知地震事件的要求，然后嘗試降低閾值，直至出現(xiàn)虛假檢測結(jié)果，由此將閾值設(shè)置為0.5。在同一時窗內(nèi)，若有2 組以上的CNNDetector 檢測值超過閾值，則認(rèn)為其為地震事件。在此標(biāo)準(zhǔn)下，共檢測到1 036 個地震事件，其中2 個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 檢測出的2 個地震事件波形Fig. 2 Waveforms of two seismic events detected by CNNDetector

3.2 到時拾取

由于臺站數(shù)量多，手動拾取檢測到的1 036 個地震事件需耗費(fèi)大量時間，因此使用自動到時拾取算法進(jìn)行拾取。PhaseNet 是目前應(yīng)用較多的基于深度學(xué)習(xí)的到時自動拾取算法（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30 年記錄到的約700 000 個地震波形，其對低信噪比的數(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P 波到時和75 191 個S 波到時。地震事件317 的部分到時拾取結(jié)果如圖3 所示（圖1 中白色三角形為對應(yīng)的接收臺站位置），由圖3 可知，部分信噪比較低的信號也能被準(zhǔn)確拾取。

圖3 PhaseNet 到時拾取結(jié)果和不同臺站接收到的事件317 的波形圖Fig. 3 Examples of PhaseNet arrival time picking results and waveforms of event 317 received at different stations

3.3 震相關(guān)聯(lián)及初定位

手動拾取到時時會考慮臺站間信號的關(guān)聯(lián)性，從而判斷待拾取的是地震信號還是干擾信號。但自動拾取不會考慮，因此在震相關(guān)聯(lián)前的時距曲線中有很多偏離P、S 波時距曲線的點。因此對于自動拾取的震相到時，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。

選取臺陣中心點處的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 個滿足以下條件的地震事件（圖5（a））：超過10 個P 波到時、5 個S 波到時、20 個P 波加S 波到時且臺站間隙角＜240°，其中震相走時殘差需＜0.5 s。震相關(guān)聯(lián)后剩余43 152 個P 波到時及42 414 個S 波到時。震相關(guān)聯(lián)后的時距曲線如圖5（b）所示，異常點已剔除，其中灰色圓點為關(guān)聯(lián)前的震相散點，紅點為關(guān)聯(lián)后剩余的震相散點。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

3.4 重定位

為進(jìn)一步提高地震定位精度，使用相對定位算法hypoDD（Waldhauser 等，2000）進(jìn)行重定位。hypo-DD 算法使用地震對的相對到時數(shù)據(jù)進(jìn)行地震定位，由于震中距遠(yuǎn)大于地震對的距離，2 個地震近似擁有共同路徑，因此可減小速度模型不準(zhǔn)確帶來的相對定位誤差，且可更好地約束地震的相對位置。重定位時使用USTClitho2.0 速度模型，選取的地震對距離＜10 km，相互關(guān)聯(lián)的地震數(shù)目超過8 個。重定位后剩余517 個地震事件，地震分布如圖6 中黑色圓點所示，其中灰色圓點為2013-2016 年重定位的歷史地震分布（莘海亮，2020），灰色虛線為斷裂帶。重定位的迭代過程及殘差分布如圖7 所示。

圖6 HypoDD 定位結(jié)果Fig. 6 HypoDD location results

圖7 HypoDD 迭代過程及走時殘差分布Fig. 7 HypoDD iterative process and residual distribution

3.5 震級計算

參考Wang 等（2020）研究方法計算震級：

式中，ML為 震級，A為振幅，d為震中距。

對事件波形數(shù)據(jù)去儀器響應(yīng)、濾波至1～50 Hz 后，對于每個地震，在所有存在到時的臺站上計算震級，取所有臺站計算震級的中位數(shù)為最終的震級，如圖8（a）所示，2 個地震目錄中共同地震事件的震級對比如圖8（b）所示，由此可知，2 種震級差異較小，說明式（1）計算的震級是可靠的。

圖8 震級分布與對比Fig. 8 Magnitude distribution and comparison

4 討論與結(jié)論

在祁連山密集臺陣觀測期間，中國地震臺網(wǎng)正式地震目錄中共有39 個位于臺陣內(nèi)的地震事件，而密集臺陣共監(jiān)測到550 個地震事件，約是地震臺網(wǎng)地震數(shù)量的15 倍，尤其監(jiān)測到了更多小于0 級的地震事件。通過對比發(fā)現(xiàn)，中國地震臺網(wǎng)正式地震目錄中的39 個地震事件全部被密集臺陣監(jiān)測。因此通過密集臺陣監(jiān)測，可大大提高微地震監(jiān)測能力，可監(jiān)測到-2 級的微震事件。

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，然后使用PhaseNet 拾取P 波和S 波到時，大大節(jié)約了計算時間。在人工智能拾取到時的基礎(chǔ)上，結(jié)合傳統(tǒng)定位方法REAL 及hypo-DD，精確地定位出517 個地震，這表明基于深度學(xué)習(xí)進(jìn)行地震事件檢測與到時拾取，并在此基礎(chǔ)上進(jìn)行地震定位是可靠、高效的。密集臺陣重定位的地震位置與研究區(qū)域歷史地震活動具有較好的一致性，均由西至東呈現(xiàn)出4 個條帶狀分布。最西側(cè)的地震簇和冷龍嶺斷裂相關(guān)，走向與斷裂走向類似，呈近NW-SE 向。與地表斷層跡線相比，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。與中國地震臺網(wǎng)地震目錄給出的地震定位相比，基于密集臺陣給出的地震定位表現(xiàn)出了更明顯的線性結(jié)構(gòu)，體現(xiàn)了地震定位的高精度，可刻畫出斷層面的三維幾何形態(tài)。

致謝 感謝國家重點研發(fā)計劃（2018YFC1504102）的資助。感謝中國地震臺網(wǎng)中心國家地震科學(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。