楊少博 王炳文 高 級 張海江

1）中國科學技術大學地球和空間科學學院, 合肥 230026

2）安徽蒙城地球物理國家野外科學觀測研究站, 合肥 230026

引言

地震事件檢測與定位是很多地震學研究的基礎。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）、到時拾取（Zhu 等，2019；Mousavi 等，2020；Xiao 等，2021）、震相關聯(lián)（McBrearty 等，2019；Ross 等，2019b）等，這些自動化方法能夠達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）進行震相關聯(lián)并初定位，使用VELEST 算法（Kissling 等，1994）優(yōu)化定位結果，使用相對定位算法hypoDD（Waldhauser 等，2000）進行重定位。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 到時構建了2019 年加州Ridgecrest 地震序列目錄。趙明等（2021b）對PhaseNet 做遷移學習，進而用于構建長寧地震的前震目錄。Ross 等（2018）使用基于深度神經(jīng)網(wǎng)絡的Generalized Phase Detection 算法進行地震事件檢測及拾取，使用PhaseLink（Ross 等，2019b）進行震相關聯(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)需耗費大量時間。因此，首先使用一個輕量的神經(jīng)網(wǎng)絡CNNDetector（Yang 等，2021）進行地震事件檢測，然后使用PhaseNet 對檢測到的事件進行到時拾取，最后使用傳統(tǒng)方法進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)生構造變形與隆升；漸新世晚期-中新世早期，祁連山地區(qū)構造穩(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，斷裂帶轉變?yōu)樽笮呋瑸橹骷婢吣鏇_運動，調整著青藏高原東北緣地殼物質向東運動，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）。

晚第四紀以來，在印度板塊向歐亞板塊NNE 向持續(xù)的構造推擠過程中，青藏高原東北緣受北側阿拉善地塊和東側鄂爾多斯塊體的阻擋，在NE 向或NEE 向擠壓作用下，構造變形十分強烈。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，在調節(jié)高原東北緣地殼物質相對于阿拉善地塊的向東運動中起重要作用。

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、金強河斷裂和托萊山斷裂構成長約 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，斷裂活動性質以左旋走滑為主，兼有正斷層分量，晚第四紀時期主要表現(xiàn)為左旋走滑運動，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。上寺斷裂段以疊瓦狀逆沖斷構造為特征，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)域精細的斷裂結構，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)進行預處理，包括去均值、去線性化及重采樣至100 Hz。圖1 中藍色三角表示臺站，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)處理流程和結果

參考Wang 等（2020）的數(shù)據(jù)處理流程，若直接使用PhaseNet 進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 的服務器上處理240 個臺站24 h 的數(shù)據(jù)需耗費約36 h。相比PhaseNet，CNNDetector 僅用于檢測地震事件，其網(wǎng)絡結構較簡單，檢測效率更高。在同臺服務器中，處理240 個臺站24 h 的數(shù)據(jù)僅需耗費約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)進行3～30 Hz 的帶通濾波后，使用CNNDetector 對每組臺站分別進行檢測。設置閾值時，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)虛假檢測結果，由此將閾值設置為0.5。在同一時窗內，若有2 組以上的CNNDetector 檢測值超過閾值，則認為其為地震事件。在此標準下，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 個地震事件需耗費大量時間，因此使用自動到時拾取算法進行拾取。PhaseNet 是目前應用較多的基于深度學習的到時自動拾取算法（Zhu 等，2019），其訓練數(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 的部分到時拾取結果如圖3 所示（圖1 中白色三角形為對應的接收臺站位置），由圖3 可知，部分信噪比較低的信號也能被準確拾取。

圖3 PhaseNet 到時拾取結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 震相關聯(lián)及初定位

手動拾取到時時會考慮臺站間信號的關聯(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，做進一步的震相關聯(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）進行震相關聯(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。震相關聯(lián)后剩余43 152 個P 波到時及42 414 個S 波到時。震相關聯(lián)后的時距曲線如圖5（b）所示，異常點已剔除，其中灰色圓點為關聯(lián)前的震相散點，紅點為關聯(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 震相關聯(lián)及初定位結果Fig. 5 Seismic phase association and earthquake location results by the REAL algorithm

3.4 重定位

為進一步提高地震定位精度，使用相對定位算法hypoDD（Waldhauser 等，2000）進行重定位。hypo-DD 算法使用地震對的相對到時數(shù)據(jù)進行地震定位，由于震中距遠大于地震對的距離，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、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上，結合傳統(tǒng)定位方法REAL 及hypo-DD，精確地定位出517 個地震，這表明基于深度學習進行地震事件檢測與到時拾取，并在此基礎上進行地震定位是可靠、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。最西側的地震簇和冷龍嶺斷裂相關，走向與斷裂走向類似，呈近NW-SE 向。與地表斷層跡線相比，最西側的地震簇位于斷層東北側，垂向剖面顯示該斷層向EN 向傾斜。與最西側的地震簇相比，東側的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，與最東側的斷層走向一致。地震定位結果表明，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構，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。