張雅楠， 李紅誼*， 張盛中， 李炎臻， 黃雅芬， 鐘衛(wèi)星

1 中國地質(zhì)大學(xué)(北京)地球物理與信息技術(shù)學(xué)院， 北京 100083 2 上海佘山地球物理國家野外科學(xué)觀測研究站， 上海 201602 3 中國地質(zhì)大學(xué)(北京)信息網(wǎng)絡(luò)中心， 北京 100083 4 上海市地震局佘山地震監(jiān)測中心站， 上海 201602

0 引言

地震目錄作為地震危險性分析和地震活動性研究的關(guān)鍵基礎(chǔ)資料，其完整性以及地震事件定位的精準(zhǔn)性會對后續(xù)如地震活動性分析等研究的可靠性產(chǎn)生直接影響(朱艾斕等，2005；王同利等，2019；Ross et al.，2019).由于微小地震能量弱，信噪比低，因此日常的地震目錄中，對微小地震的記錄往往會出現(xiàn)比較嚴(yán)重的遺漏.對微震活動的檢測，不僅可以用來間接監(jiān)測大的自然災(zāi)害，如火山噴發(fā)、誘發(fā)地震等(Kato et al.，2012；Kiser and Ishii，2013；高保彬等，2014；余國鋒等，2018)；同時對微小地震時空分布特征的研究，能夠為我們深入認(rèn)知大地震的發(fā)震機理和斷層帶結(jié)構(gòu)等(Mori and Hartzell，1990；Wu et al.，2017)提供寶貴的信息.

微震檢測過程中，由于中強地震后的尾波干擾、臺站的分布不合理、以及背景噪聲較強等原因，微弱的地震信號很難被準(zhǔn)確的識別，導(dǎo)致微震事件的遺漏.本文擬利用GPU-M&L技術(shù)(Liu et al.，2020a)對上海及附近地區(qū)進行微震檢測與識別，以期提升地震目錄的完備性.現(xiàn)有的地震事件識別方法中，較常用到的有兩種方法(Zhang and Wen，2015；Grigoli et al.，2018)：一種是基于波形的地震事件檢測方法(Kao and Shan，2004；Shelly et al.，2006；Drew et al.，2013)，另一種方法是基于震相拾取的地震事件檢測方法(Allen，1982；Withers et al.，1998).其中，機器學(xué)習(xí)算法被廣泛應(yīng)用于震相拾取工作(Ross et al.，2018；于子葉等，2018；Wang et al.，2019；Zhu and Beroza，2019；Liu et al.，2020b)，并表現(xiàn)出高效率、高精度的優(yōu)勢，在地震目錄構(gòu)建中展現(xiàn)出了很好的應(yīng)用前景(Huang et al.，2020；Wang et al.，2020；Tan et al.，2021)；基于波形互相關(guān)的匹配濾波技術(shù)近十年被廣泛應(yīng)用于微小地震的檢測，該方法源于滑動互相關(guān)檢測技術(shù)，是一種在數(shù)據(jù)信噪比較低的情況下仍能提取到微弱信號的有效方法.

地震記錄到的信號存在各種噪聲的干擾，當(dāng)?shù)卣鹦盘柲芰枯^弱，或者與噪聲信號量級相當(dāng)時，我們通常很難從噪聲信號里識別地震信號.因此，對地震資料去噪是數(shù)據(jù)處理工作中的一項重要的內(nèi)容.本文采用深度神經(jīng)網(wǎng)絡(luò)構(gòu)建的DeepDenoiser方法(Zhu et al.，2018)來進行去噪.該方法在有效地剔除環(huán)境噪聲對記錄信號干擾的同時，可有效地將地震信號與噪聲分離，并且在低信噪比的條件下對不同形式的信號有較好的去噪效果.

地震在時與空維度上的分布可充分發(fā)掘出活動斷層深部構(gòu)造及運動特征，同時地震精定位已被廣泛應(yīng)用在研究活動構(gòu)造和隱伏斷層過程中.地震震相拾取的精準(zhǔn)程度對后續(xù)事件定位處理有著極大地影響，在地震數(shù)據(jù)處理過程中扮演著重要的角色，其中包含了信號的檢測與到時估計和震相識別三步驟.本文采用深度學(xué)習(xí)算法PhaseNet(Zhu and Beroza，2019)進行P、S震相自動識別和到時拾取，之后基于機器學(xué)習(xí)獲取的震相拾取結(jié)果，利用雙差定位法(Waldhauser and Ellsworth，2000)對檢測到的事件進行精定位.該方法消除了震源至地震臺站共同的傳播路徑效應(yīng)，有效減少了由于對地殼結(jié)構(gòu)了解不精細(xì)而引起的定位誤差.

本文的研究區(qū)域位于30.3°N—32°N，119.4°E—122.35°E，在海域一側(cè)，臺站分布較少(黃耘等，2008).同時，由于該地區(qū)地處中國人口眾多的長三角地區(qū)，背景環(huán)境噪聲較大，許多微弱的地震信號埋沒在背景噪聲中，不易被距離較遠(yuǎn)的臺站發(fā)現(xiàn)，若依照傳統(tǒng)地震事件檢測方法，諸多微小地震大概率將發(fā)生遺漏.而上海地區(qū)位于揚子地塊與華夏地塊之間的欽杭結(jié)合帶北東向延伸處，從全球構(gòu)造的角度，該地區(qū)位于太平洋板塊與歐亞板塊相互作用的影響范圍，是受到板塊構(gòu)造運動及板內(nèi)構(gòu)造變形影響的地區(qū)之一(Waldhauser，2009；于海英等，2021).研究區(qū)內(nèi)的昆山—嘉定斷裂沿江蘇唯亭、昆山南、蓬朗及上海外崗一線呈北東東—東西向延伸，江蘇境內(nèi)唯亭—蓬朗段長約40 km，為安角斷凹的北界(顧澎濤和王堯舜，1993；張浩等，2021).安角斷凹為一長期繼承性發(fā)育的箕狀斷陷盆地，由于昆山—嘉定斷裂的持續(xù)活動，致使盆地沉積中心向北遷移.歷史上斷凹內(nèi)地震頻繁，1731年昆山以南的5級地震可能與該斷裂有關(guān)(王衛(wèi)平，1997).

本文收集了中國數(shù)字化地震臺網(wǎng)所提供的上海地區(qū)及鄰區(qū)13個臺站記錄的2011—2020年共10年的連續(xù)地震資料.首先基于已有的地震目錄利用GPU-M&L方法進行地震檢測與識別，然后通過DeepDenoiser方法對檢測到的地震事件進行去噪處理，進一步確認(rèn)檢測到的地震事件，并利用PhaseNet進行震相拾取，最后使用雙差定位構(gòu)建高分辨地震目錄，為后續(xù)研究發(fā)震斷層構(gòu)造等提供了數(shù)據(jù)支撐.

1 數(shù)據(jù)與方法

1.1 臺站和數(shù)據(jù)

本研究資料來源為上海佘山地球物理國家野外科學(xué)觀測研究站提供的中國數(shù)字化地震臺網(wǎng)連續(xù)數(shù)據(jù)和地震目錄，資料范圍為30.3°N—32°N，119.4°E—122.35°E，涉及上海及其鄰近區(qū)域等共13個臺站，2011—2020年之間共10年的連續(xù)記錄地震資料.圖1給出了中國地震臺網(wǎng)中心目錄(簡稱臺網(wǎng)目錄)給出的研究區(qū)域內(nèi)146個地震事件以及地震臺站與斷裂帶的分布.

圖1 研究區(qū)內(nèi)的臺站與斷層分布圖藍(lán)色三角形代表臺站，黑色虛線代表斷層；黃色方框代表安角斷凹；黃色字體JS、ZJ、SH分別代表該區(qū)域位于江蘇省，浙江省，上海市；F1，南通—上海斷裂；F2，昆山—嘉定斷裂；F3，千燈—黃渡斷裂；F4，楓涇—川沙斷裂帶；F5，湖州—嘉善—平湖斷裂；F6，天馬山斷裂.Fig.1 Map of stations and faults in the study area The blue triangles represent stations, the black dashed lines represent fault; the yellow square denotes Anjiao sunken; the yellow fonts JS, ZJ and SH represent the area located in Jiangsu Province, Zhejiang Province, and Shanghai City, respectively; F1, Nantong-Shanghai fault; F2, Kunshan-Jiading fault; F3, Qiandeng-Huangdu fault; F4, Fengjing-Chuansha fault zone; F5, Huzhou-Jiashan-Pinghu fault; F6, Tianma mountain fault.

1.2 基于圖像加速器改進的微震檢測與定位

傳統(tǒng)模板匹配技術(shù)(Gibbons and Ringdal，2006；Shelly et al.，2006；Peng and Zhao，2009;李璐等，2017)通過對模板地震波形與連續(xù)波形進行互相關(guān)疊加，來實現(xiàn)對微小地震的檢測.但該方法的實施僅針對緊鄰參考模板的地震且無法對地震事件進行定位.Zhang和Wen(2015)通過在相關(guān)波形疊加前考慮微震與模板之間的位置差，開發(fā)了一種對微震事件同時進行檢測和定位的方法，該方法可以檢測到更小震級的地震事件以及那些距離模板事件較遠(yuǎn)的微震.但由于該方法需要計算模板與微震每個可能位置之間的走時差，以實現(xiàn)對模板周圍的三維空間進行搜索，因此運行起來非常耗時.為了提高匹配定位的計算效率和探測能力，Liu等(2020a)發(fā)展了GPU-M&L方法，該方法針對不同的臺站分量記錄，綜合考慮幾何擴散和地震波形的信噪比來賦予不同的權(quán)重系數(shù)，在利用GPU加速的同時，提高地震事件的探測能力.具體處理步驟如下：

(1)連續(xù)波形預(yù)處理：首先對連續(xù)波形進行降采樣，采樣率從0.01降到0.05，在保證掃描效果良好的情況下，減小運行內(nèi)存且大幅提升運行速度；然后對連續(xù)波形做2～8 Hz帶通濾波；設(shè)置每天的連續(xù)波形數(shù)據(jù)的零時刻作為參考，掃描長度取決于掃描時連續(xù)波形記錄中的最短時間長度.

(2)模板事件挑選原則：1)模板事件的三分量能夠被所有的臺站記錄到；2)地震事件有清晰的P波、S波震相，信號無缺失，且信噪比(SNR)大于3.0.依據(jù)以上挑選原則，我們從臺網(wǎng)目錄中選取了136個地震事件作為掃描的模板事件，利用PhaseNet標(biāo)記模板事件波形到時，模板掃描的時間窗口為模板波形S波到時的前1 s至后5 s，掃描后計算平均滑動互相關(guān)系數(shù).

(3)地震事件的檢測：通過參考已有的研究以及對本文中數(shù)據(jù)的分析后，我們設(shè)定當(dāng)平均互相關(guān)值超過9倍的絕對偏差中值(Median Absolute Deviation， MAD)或者探測事件的平均滑動互相關(guān)系數(shù)(CC)大于預(yù)設(shè)的經(jīng)驗探測閾值(經(jīng)驗閾值一般為CC=0.19)時，則將該事件認(rèn)定為一個潛在地震事件.

我們將檢測得到的地震事件目錄稱為檢測目錄，圖2展示了一個檢測到的地震事件的實例，模板事件為2012年10月31日的ML0.8地震事件，檢測到的事件為2012年12月19日ML0.64地震事件.

圖2 利用GPU-M&L檢測到的一個地震事件樣例(a) 黑色實線：檢測標(biāo)準(zhǔn)為MAD的9倍，紅點：檢測到的事件； (b) 對應(yīng)(a)所示窗的CC值分布直方圖；(c) 模板波形(紅色)與檢測到的地震事件波形(灰色)比較.Fig.2 An example of seismic event detected by GPU-M&L method(a) The black solid line indicates that the detection standard is 9 times MAD, and the red dot represents the detected event; (b) Histogram of CC value distribution corresponding to the window shown in (a); (c) Comparison of the template waveform (red) and the detected seismic event waveform (gray).

1.3 深度去噪

以往的研究通常為利用模板進行微震檢測后，通過波形包絡(luò)線等方法對檢測到的地震事件進行簡單的辨識(Liu et al., 2019).由于檢測到的微震事件波形的低信噪比，通常很大一部分檢測到的地震事件震相信息很難提取，從而影響微震事件的精定位.為了進一步對GPU-M&L技術(shù)檢測到的地震事件進行確認(rèn)，本文采用DeepDenoiser來進一步辨認(rèn)探測到的地震事件.將帶有噪聲的地震事件數(shù)據(jù)輸入到已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型中，輸出兩個單獨的模塊，一個用于記錄地震信號時頻特征，另一個用于記錄地震信號波形特征.我們將GPU-M&L方法檢測到的事件數(shù)據(jù)作為輸入，傳輸?shù)缴窠?jīng)網(wǎng)絡(luò)模型中，該模型把輸入數(shù)據(jù)變換到相應(yīng)的時間域和頻率域.頻率域模塊給出了信號與噪聲的時頻分布，即不同時間和頻率的能量強度，通過時頻分析，我們可以清晰的將信號與噪聲分離出來；時間域模塊則分別展示了分離后的信號與噪聲波形.

1.4 震相拾取與雙差定位

本文采用PhaseNet來對地震事件的P波和S波到時進行拾取，通過將原始波形輸入到卷積神經(jīng)網(wǎng)絡(luò)中，逐層自動地從三分量地震記錄中識別P波與S波震相.HypoDD基于地震對的震相相對到時差對地震事件進行初始相對定位校正，從而獲得精度較高的地震事件相對位置.因此，利用HypoDD相對定位過程中，精準(zhǔn)的震相識取這個步驟最為關(guān)鍵(趙明等，2021).本研究中，我們將利用機器學(xué)習(xí)拾取到的震相作為雙差定位的輸入.在定位過程中，考慮P波震相走時精度高于S波震相走時，因此我們賦予P波震相1.0的權(quán)重，S波0.5的權(quán)重.此外，我們設(shè)定事件對與臺站之間的最大距離為300 km；事件可以組成的最大事件對為10個；事件對之間的間距小于40 km；地震對的最大距離為25 km，一個地震事件最多與25個最近的地震事件組成地震對.

2 結(jié)果分析

2.1 檢測地震事件

完整的地震目錄有助于對地震活動性的準(zhǔn)確分析.本文利用從臺網(wǎng)目錄中挑選的136個高信噪比的地震事件作為模板(圖3)，采用GPU-M&L技術(shù)對研究區(qū)10年連續(xù)地震資料進行掃描，共檢測到824個地震事件，約為臺網(wǎng)目錄提供地震數(shù)目的5.5倍.通過檢測事件與地震目錄數(shù)量對比(圖9b)，可以看出大多數(shù)遺漏的事件震級偏小，以ML2.0以下的微震為主.

圖3 利用GPU-M&L檢測模板事件分布圖紅色實心圓表示模板事件，實心圓的大小代表事件的震級大小.Fig.3 Distribution of template events used by GPU-M&L The red dots represent template events, and the size of the solid circles represent the magnitude.

2.2 檢測事件去噪處理

我們利用DeepDenoiser對掃描的地震事件進行去噪處理以進一步確認(rèn)掃描到的地震事件.圖4展示了我們檢測到的一個ML0.5的地震事件的時頻分布特征圖，以及分離后時間域的地震信號與噪聲信號.圖4a2展示了利用DeepDenoiser去噪后的地震信號頻譜特征，圖4b2給出了去噪后相應(yīng)于圖4a2的地震信號的時間序列.可以看到，經(jīng)過DeepDenoiser去噪后可以提取到清晰的地震波形信息，不僅顯著提高了信噪比，同時還為我們后續(xù)的震相拾取工作提供了良好的數(shù)據(jù)基礎(chǔ).通過DeepDenoiser去噪，我們最終從824個檢測到的地震事件中確認(rèn)了333個高信噪比的地震事件.

圖4 利用DeepDenoiser分離ML0.5的事件波形噪聲與信號(a) 時頻域； (b) 時間域. (a1, b1) 帶有噪聲的信號； (a2, b2) 剔除噪聲后的地震信號； (a3, b3) 剔除的噪聲信號.Fig.4 Separation of noise and earthquake signal from a ML0.5 event by DeepDenoiser(a) Time-frequency domain; (b) Time domain. (a1, b1) Raw data; (a2, b2) Earthquake signal extracted from raw data; (a3, b3) Noise extracted from raw data.

圖5給出了臺網(wǎng)目錄記錄的2011年2月25日ML0.3地震經(jīng)過2～8 Hz帶通濾波后的地震事件波形和經(jīng)過DeepDenoiser去噪后提取的地震波形記錄.從圖中可以看到，經(jīng)過DeepDenoiser去噪，地震信號的信噪比大幅度提高了，同時也為我們后續(xù)的震相拾取提供了高質(zhì)量的波形數(shù)據(jù).

圖5 利用DeepDenoiser對一個地震事件Z分量去噪前后的波形對比(a) 去噪前的地震波形； (b) 去噪后的地震波形.圖中T1, T2分別代表根據(jù)理論模型計算得到的S波和P波到時.Fig.5 Comparison of vertical component waveform of an earthquake before and after DeepDenoiser The seismic event waveform (a) before and (b) after DeepDenoiser. T1 and T2 represent the theoretical S wave and P wave arrival time, respectively.

2.3 P波、S波震相拾取

利用基于機器學(xué)習(xí)的震相拾取技術(shù)，我們對333個檢測到的地震事件和136個模板地震事件進行了震相拾取，最后分別得到了13個臺站記錄到的2540和2122個高質(zhì)量的P波和S波到時數(shù)據(jù)(如圖6所示).

圖6 定位后P波，S波走時分布圖紅色實點與黑色實點分別代表P波與S波.Fig.6 Travel time distribution of P wave and S wave after relocationRed dots and black dots represent P wave and S wave, respectively.

2.4 雙差定位后的地震分布特征

高質(zhì)量的震相到時數(shù)據(jù)為高精度的地震定位提供了重要的保障.本文參考溫燕林等(2021)的上海地區(qū)速度結(jié)構(gòu)模型進行精定位，速度模型結(jié)構(gòu)如表1所示.圖7給出了檢測到的2012年12月19日一個ML0.73地震事件在雙差定位前后的震中位置和震相到時數(shù)據(jù)對比.從圖中可以清晰的看到，通過雙差精定位后，圖7c給出了更合理的按震中距排列的P波與S波震相到時.總體來說，上海地區(qū)地震活動性弱，小震分布較稀疏，鄰近的地震事件波形有著較高的相似性，通過采用HypoDD我們對479個事件進行精定位，其中可重定位的地震數(shù)為412個，重定位后RMS的平均值為0.157 s.圖8給出了精定位后地震事件的震中分布圖，平均定位誤差在E-W，N-S，U-D方向分別為0.035，0.044，0.044 km.

表1 上海地區(qū)速度結(jié)構(gòu)模型Table 1 Velocity structure model in Shanghai area

圖7 地震事件定位前后震相到時對比示例圖(a) 紅色實心圓代表地震目錄事件，白色五角星代表定位前的事件位置，紫色五角星代表定位后的事件位置； (b) 定位前按震中距排列的震相到時; (c) 定位后按震中距排列的震相到時，藍(lán)色短線與紅色短線分別代表P波與S波到時.Fig.7 An event example of phase arrivals comparisions before and after relocation(a) The red dots represent earthquakes given by the routine catalog, and the white and purple stars represent events before and after relocation, respectively. The seismic event before relocation (b) and after relocation (c) waveform are sorted by epicenter distances; Blue short line and red short line mark P and S wave arrival time respectively.

圖8 重定位后的地震事件震中分布Fig.8 The distribution of epicenters of seismic events after relocation

精定位結(jié)果顯示，上海地區(qū)及鄰區(qū)的地震事件分布相對較為分散，以小震活動為主，其中：(1)部分地震沿楓涇—川沙斷裂分布，該斷裂形成較早，燕山期斷裂重新活動；(2)部分地震事件集中分布于安角斷凹.安角斷凹以千燈—黃渡斷裂和昆山—嘉定斷裂為界，受周邊斷裂構(gòu)造控制呈北東東向展布，為中新生代隱伏斷陷盆地.歷史上斷凹內(nèi)地震事件相對較頻繁.我們檢測到的地震事件在該隱伏斷陷盆地也較為集中，主要分布于近東西走向的昆山—嘉定斷裂與千燈—黃渡斷裂之間，推測可能在這兩條斷裂之間存在一條北北東走向的隱伏斷層；(3)部分小震事件沿北西向南通—上海斷裂呈線性分布；(4)通過對太湖地區(qū)的微震事件發(fā)生時間進行分析，推測可能是由于2018年夏天建設(shè)太湖隧道時的爆破或引起的微震.

2.5 檢測事件的震級-頻度分布

Mc(Magnitude of completeness)為地震目錄的最小完備震級，是地震臺網(wǎng)監(jiān)測能力的重要參數(shù)之一，通常將其定義為所檢測能力覆蓋范圍內(nèi)的所有地震事件中檢測到的最小震級.

圖9給出了本研究臺網(wǎng)目錄、檢測事件與去噪后得到的地震事件震級與頻度關(guān)系并分別給出了其不同震級頻段對應(yīng)的事件數(shù)量對比.從圖中可以清晰的看到，經(jīng)過模板檢測及去噪后，最小完備震級由臺網(wǎng)目錄的Mc1.0降為最終檢測目錄的Mc0.8，有效提升了地震目錄在小震級范圍的完備性.

圖9 原始地震目錄、檢測及去噪后地震目錄的震級-頻率關(guān)系圖與震級-數(shù)量分布圖(a) 藍(lán)色空心圓、橙色空心圓和灰色空心圓分別代表臺網(wǎng)目錄、去噪后目錄與檢測目錄；實心三角形代表相應(yīng)目錄的最小完備震級；(b) 藍(lán)色柱體、橙色柱體和灰色柱體分別代表臺網(wǎng)目錄、去噪后目錄與檢測目錄事件位于不同震級區(qū)間的數(shù)量分布.Fig.9 Magnitude-frequency and magnitude-number diagrams of local catalog, catalog after detection and catalog after denosing(a) The blue circle, orange circle and grey circle represent the China Earthquake Network Center (CENC) catalogue, denoised catalogue and detection catalogue, respectively; the black triangle represents the minimum complete magnitude of the corresponding catalogue； (b) The blue bar, orange bar and grey bar mean the number of events in different magnitude within CENC catalogue, denoised catalogue and detection catalogue, respectively.

3 討論與結(jié)論

GPU-M&L方法通過計算模板波形和連續(xù)地震信號之間波形的相關(guān)性，將其互相關(guān)進行疊加，并根據(jù)信噪比給不同的臺站分量賦予不同的權(quán)重系數(shù)，顯著提高微震事件探測能力；同時采取GPU內(nèi)核進行加速，提高了檢測的速度(Liu et al.，2020a).圖10為一個模板事件與檢測到的多個地震事件之間的互相關(guān)系數(shù)隨震級與距離變化圖，由圖中可以看到，對于與模板事件間距離越小且震級越大的檢測事件，對應(yīng)的互相關(guān)系數(shù)越大，即事件波形的相似度越高.但由于該方法對微震事件的檢測基于閾值統(tǒng)計的局限性，盡管可以檢測到更多的微震事件，但同時有可能產(chǎn)生如誤檢等病態(tài)檢測.

圖10 模板事件與檢測事件的互相關(guān)系數(shù)、震級與距離關(guān)系圖Fig.10 The relationship of cross-correlation coefficients, magnitude and distance between the template event and detected events

DeepDenoiser去噪與PhaseNet震相拾取均采取深度學(xué)習(xí)對地震信號進行模擬與學(xué)習(xí)，經(jīng)過對美國北加州地區(qū)海量地震數(shù)據(jù)的訓(xùn)練，Deepdonoiser所提煉的模型同時從時間和相位信息中學(xué)習(xí)，能有效提取出地震信號；Phasenet采用遷移訓(xùn)練的模型對到時的拾取也更為精準(zhǔn).這兩類模型所采用的深度卷積神經(jīng)網(wǎng)絡(luò)利用Relu非線性激活函數(shù)，有助于提高網(wǎng)絡(luò)的泛化能力.PhaseNet已經(jīng)被廣泛應(yīng)用于意大利及中國江蘇、云南等地區(qū)地震序列的快速檢測與精定位的研究，并取得良好的效果(Huang et al.，2020；Cianetti et al.，2021；廖詩榮等，2021)，證實此類模型有著較好的泛化性.

我們首先采用GPU-M&L技術(shù)進行微震事件的檢測，然后利用DeepDenoiser方法對檢測到的事件進行進一步識別，將識別到的微震事件通過震相拾取算法PhaseNet標(biāo)記震相到時，最后采用HypoDD算法對微震事件進行進一步精定位.我們將這套流程首次應(yīng)用于上海地區(qū)的微震檢測，取得了顯著效果，也驗證該套方法的技術(shù)可行性.盡管上海地區(qū)地震活動性較弱，近十年記錄到的地震事件有限且分布稀疏，我們?nèi)匀粰z測到了比原來地震目錄要多出2倍多的地震事件.

本文主要關(guān)注微震的檢測和定位，對震級的估算并不是關(guān)注的重點，因此我們簡單比對了去噪前后估算的震級，去噪后的地震事件震級較去噪前整體偏小.采用去噪前的信號計算震級可能會由于噪聲將地震信號淹沒，導(dǎo)致計算的過程中實際振幅偏大，使得震級計算結(jié)果相應(yīng)偏大.

綜上所述，本文利用GPU-M&L技術(shù)，從中國地震臺網(wǎng)中心提供的146個地震事件目錄中挑選了136個地震事件作為模板事件，對上海及鄰區(qū)13個臺站連續(xù)10年的地震記錄進行掃描，共識別出824個地震事件.然后我們通過深度去噪方法將信號與噪聲分離，對去噪后的記錄的頻率和振幅特性進行分析，從而進一步對識別出的地震事件進行確認(rèn).檢測和去噪后的地震目錄的完備震級由臺網(wǎng)目錄的Mc1.0降為Mc0.8，基于此，我們利用PhaseNet對去噪后的333個地震事件和136個模板事件進行了震相的拾取.最后基于機器學(xué)習(xí)拾取的震相數(shù)據(jù)，我們利用雙差定位法對479個地震事件進行了精定位.精定位后的結(jié)果顯示：上海地區(qū)整體地震活動性較弱，地震事件空間分布比較零星，以小震為主，重定位后地震事件部分集中于安角斷凹，部分沿北東向楓涇—川沙隱伏斷裂分布，部分沿北西向的南通—上海斷裂呈線性分布.本研究構(gòu)建的從GPU-M&L檢測與定位、DeepDenoiser深度去噪、PhaseNet震相拾取到HypoDD雙差定位技術(shù)路線也為其他地區(qū)開展更高效、高質(zhì)的微震檢測與定位提供了一套可參考的流程.我們的微震檢測結(jié)果也為研究上海及鄰區(qū)地震風(fēng)險性評估、地震災(zāi)害和地震活動性等提供了重要的數(shù)據(jù)支撐.

致謝感謝上海市地震局為本文提供數(shù)據(jù)支持.感謝香港中文大學(xué)劉敏博士開源的GPU-M&L代碼(GitHub-MinLiu19/GPU-MatchLocate1.0)，加州理工學(xué)院朱尉強博士的DeepDenoiser及PhaseNet代碼(GitHub-wayneweiqiang/DeepDenoiser，GitHub-wayneweiqiang/PhaseNet).