Microearthquake Detection and Its Tectonic Implications in the Eastern Segment of the East Kunlun Fault Zone
-
摘要: 本文整理了一套包括微震检测、地震去噪、震相拾取和地震定位的构建高精度地震目录数据的处理流程。收集了青海省内东昆仑断裂带东段20个数字地震台站记录的2009—2018年的连续地震数据，并应用该流程进行微震检测、去噪和定位。首先，从台网中心提供的
3198 个地震事件目录中筛选出1200 个信噪比高且震相较为明显的地震事件作为模板事件，利用基于图像处理器加速的模板匹配定位方法（GPU-M&L）进行遗漏地震的检测与识别，然后利用基于神经网络的地震波形去噪方法进行去噪处理，再结合基于深度学习的震相拾取技术和双差定位方法对去噪后的地震事件进行震相拾取和定位。使用GPU-M&L共检测出13318 个地震事件，约为台网地震目录事件数量的4.2倍；去噪后得到7514 个地震事件，约为台网地震目录事件数量的2.3倍，完备震级从台网目录的ML 1.5降低至ML 0.9。定位后共获得7247 个地震事件，精定位结果显示，东昆仑断裂带东段的地震以中小震为主，在空间上呈窄条带状或簇状分布，震源深度的优势分布深度为0～15 km；在101°E附近地震的空间展布发生变化，主要沿阿万仓断裂带向东南展布；在玛沁-玛曲段可能存在地震空区。本研究的微震结果为研究东昆仑断裂带东段地震活动性、发震断层的深部构造等提供了重要的数据基础。Abstract: To comprehensively analyze the seismic activity of the East Kunlun Fault Zone from 2009 to 2018, we developed a procedure encompassing microearthquake detection, seismic denoising, seismic phase picking, and seismic location to construct a seismic catalog. We collected continuous waveforms recorded by 20 stations in the eastern segment of the East Kunlun Fault Zone from January 2009 to December 2018. From the3198 seismic events listed in the China Earthquake Networks Center (CENC) catalog, we selected1200 events with clear seismic phases and high signal-to-noise ratios as template events. Using the Graphics Processing Unit-based Match and Locate (GPU-M&L) method, we detected a total of 13,318 earthquake events, including the template events, which is roughly 4.2 times the number of events in the CENC catalog. Next, we employed the neural network-based seismic waveform denoising technique (DeepDenoiser) to extract seismic signals from the noise. By examining the time-domain and frequency-domain characteristics of noise and seismic signals, we further identified and confirmed 7514 seismic events, approximately 2.3 times the number reported by the CENC. The complete magnitude of the detected catalog decreased from ML 1.5, as given by the CENC, to ML 0.9 in this study. Subsequently, we applied the deep neural network-based seismic arrival-time picking algorithm (PhaseNet) to pick the seismic phases. Finally, using the double-difference localization method (hypoDD), we finely located 7247 events. The results show that earthquakes in the eastern segment of the East Kunlun Fault Zone are linearly distributed or clustered, with focal depths predominantly ranging from 0 to 15 km. East of 101°E, the spatial distribution of earthquakes mainly spreads southeastward along the Awancang Fault Zone. Additionally, our results indicate a possible seismic gap in the Maqin-Maqu segment. This study provides an important database for further research on seismic activity and deep seismogenic faults in the eastern segment of the East Kunlun Fault Zone. -
引言
与大震级事件相比，小震往往具有更高的发震频率、更广的分布范围，因此，小震事件检测为诸多地震学研究提供了丰富的数据基础，如刻画断层几何形态（Ross等，2019；Tan等，2021）、理解地震的成核过程（Kato等，2012；Ellsworth等，2018）、监测火山喷发（Chouet，1996）、监测诱发地震（Ellsworth，2013；Bao等，2016）、监测核爆等（Fisk，2006；Zhao等，2008）。但微震检测和定位一直都面临着巨大的挑战，而提高对微震的检测能力更是一项极其重要且极具挑战的工作。
东昆仑断裂带位于青藏高原东北缘，是印度板块向欧亚板块俯冲过程中形成的一条NWW巨型走滑断层，走向近东西向，断层面向北倾斜，长度约达
1500 km。东昆仑断裂带中东部自西向东分别是托索湖断裂、玛沁-玛曲断裂和塔藏断裂。东昆仑断裂带中东部与多条断裂相交，形成了诸多呈帚状发散的尾端构造，如阿尼玛卿山挤压隆起区、西贡周断层交汇区等，其中与阿万仓断裂相交所形成的西贡周断层交汇区将东昆仑断裂玛沁-玛曲段分为玛沁段和玛曲段2条地表破裂段（邓起东等，2003；李陈侠等，2011；张军龙等，2014）。玛沁段长约210 km，整体走向大致为290°，地貌上主要表现为错段特征。阿万仓断裂带是东昆仑断裂带东段的一条重要分支，长约200 km，整体走向约320°，倾向北东。该断裂在西贡周西侧与东昆仑断裂带玛沁-玛曲段呈40°交汇，处于玛沁-玛曲段南侧，久治北侧和若尔盖西侧，具有明显的线性特征，自晚第四纪具有较强的活动性。本文的研究区域主要位于托索湖断裂东段至玛沁-玛曲断裂，其中玛沁-玛曲段较东昆仑东段的其他区域人口最为密集，玛曲段是东昆仑断裂带东段的尾端区域，其构造特征十分复杂，也是人口相对较为密集的地震空区（李陈侠等，2016）。由于研究区域台站分布稀疏，导致很多微弱的小震信号难以被台站监测到，基于传统的地震事件检测方法可能会漏掉部分微小地震。因此，提高该区域地震目录的完备性以及获取高精度的地震定位结果，可为研究该区域孕震结构、断裂带构造变形机制等提供重要基础数据，对分析该地区的地震危险性、实施更加科学有效的防震减灾措施有着至关重要的理论指导与现实意义（李海龙，2016）。本研究为构建完备性地震目录提供了一套完整的数据处理流程。首先在已有的地震目录基础上，利用基于图像处理器加速的匹配定位（GPU-M&L）方法（Liu等，2020）对东昆仑断裂带东段地区20个台站记录到的2009—2018年地震数据进行地震检测与识别，通过基于神经网络的地震波形去噪（DeepDenoiser）方法（Zhu等，2019a）对检测到的地震事件进行去噪，并进一步对检测到的地震事件进行分析确认，利用基于神经网络的震相拾取（PhaseNet）方法（Zhu等，2019b）进行震相拾取，最后采取双差定位方法（HypoDD）对地震事件进行精定位（Waldhauser等，2000），从而获得更为完备的地震目录。
1. 数据
本文研究区域范围为32.65°N～35.95°N，98.8°E～102.25°E，收集了青海省地震局数字化地震台网20个台站记录的连续数据和地震目录，包含12个流动台站和8个固定台站，记录时间为2009年1月1日至2018年12月31日。在中国地震台网中心提供的地震目录（以下简称“台网目录”）所记录的
3198 个事件中（图1），挑选1200 个具有清晰P/S震相的事件作为模板事件。
图 1 研究区域地震事件和台站分布图Figure 1. The distribution of earthquake events and stations in the study area2. 地震完备目录构建方法与流程
高精度的完备地震目录可为研究大地震前震和余震活动性分析、地震触发机制、断层带构造活动特性等提供重要的基础资料，地震目录的完整性和地震事件定位的精准性直接影响后续诸如地震活动性分析等研究的可靠性（朱艾斓等，2005；王同利等，2019）。因此，为获取高精度完备震级目录，本文整理了一套数据处理流程：①微震识别（基于GPU的匹配定位技术GPU-M&L）；②去噪（基于神经网络的地震去噪方法DeepDenoiser）；③拾取震相（基于神经网络的震相拾取技术PhaseNet）；④地震定位（基于双差定位方法HypoDD）。
2.1 GPU-M&L微震检测
目前比较常用的地震目录构建方法有2种：一种是基于震相走时的构建方法（Allen，1982；Withers等，1998）；另一种是基于波形互相关的构建方法（Shelly等，2007；张淼，2015）。基于震相走时的方法对数据的信噪比要求严格，因此，在信噪比较低且多地震事件波形混叠等复杂情况下，基于地震波形的地震目录构建方法有更好的效果。
模板匹配技术（Shelly等，2007；李璐等，2017）作为常用的小震监测方法之一，将台站各分量记录到的模板信号与含有潜在微震信号的连续波形进行互相关，并对互相关的波形叠加进行判断。但该方法中互相关和叠加过程耗费时间，且无法对检测到的地震事件进行定位。针对模板匹配技术的诸多局限性，张淼（2015）提出匹配定位法，考虑了检测事件与模板事件的位置差，在检测的同时提供位置信息，但需要消耗大量时间。GPU-M&L方法在匹配定位方法的基础之上，增加了权重因子，根据波形的信噪比计算权重因子；并运用GPU的快速并行处理方式进行加速，因此提高了微震检测的计算效率和检测能力。
该方法的具体处理步骤如下：首先，对模板波形和连续波形进行减采样，采样率从100 Hz降低到20 Hz，以此减小运行内存、提升计算效率。然后对连续波形和模板波形实施2～8 Hz带通滤波以提高波形的信噪比。其次，设置连续波形记录当天的零时刻作为参考时间，并将开始时间设置为同一值，同时保持与采样率精度一致的精度，以避免在波形互相关值计算过程中发生错位，导致互相关值出现误差。同时，在扫描过程中，程序会自动将某天记录中时长最短的连续波形确定扫描长度，因此剔除了时间过短的连续数据波形，避免大量遗漏地震事件。本文挑选了三分量完整且震相清晰的
1200 个事件作为模板事件，应用Taup软件进行理论到时计算，并手动校正P波、S波到时。将模板波形 S 波初至的前1 s至后5 s当作时间窗口，计算模板和连续波形之间的互相关系数。设置潜在地震事件位置的网格搜索区域为5 km×5 km×5 km，在经度和纬度上搜索间隔为0.005°。最后，参考已有研究和本文中的数据，设定当检测事件的平均滑动互相关系数大于预设的经验阈值（一般为0.19），或者平均互相关系数超过绝对偏差中值的9倍时，则将该事件认定为一个潜在地震事件。如图2所示，模板事件为2017年1月8日ML2.0地震事件（模板事件：20170108183954.000），平均互相关系数为0.3970 ，绝对偏差中值为21.8600，检测到的一个地震事件为2017年2月22日ML1.52地震（检测事件：20170222183605.550）。
图 2 利用GPU-M&L方法检测到的地震事件Figure 2. An example of earthquake event detection by using GPU-ML最终共检测出
13318 个地震事件（图3），大致为台网中心提供目录事件数量的4.2倍。图4展示了检测事件与台网目录在不同震级上的地震数量对比，可以看出，基于GPU-M&L技术能检测出大量遗漏事件，大多数遗漏的事件震级偏小，以ML2.0以下的微震为主。
图 3 台网目录事件（黑色圆点）与GPU-M&L检测地震事件（红色圆点）震中分布图Figure 3. Distributions of events （the black dots）from the catalog and the events （the red dots） detected by GPU-M&L
图 4 台网中心地震目录与GPU-M&L检测结果的地震事件对比Figure 4. The comparison of magnitude–frequency between the catalogue events and the detected events2.2 DeepDenoiser地震去噪
地震记录到的信号存在各种噪声干扰，当地震信号能量较弱或者与噪声信号量级相当时，通常很难从噪声信号里识别地震信号，因此，需要对地震资料进行去噪处理。在以往的研究中，一般通过波形包络线等方法对检测到的地震事件进行简单的辨识（Wu等，2017；Liu等，2019）。但由于检测到的地震事件信噪比往往较低，大部分地震事件的震相信息难以提取，进而会影响到微震事件的精定位结果。因此，本研究采用了一种基于神经网络的地震波形去噪工具（DeepDenoiser）对检测到的地震事件进一步辨认。该方法是在已经训练好的神经网络模型中输入带有噪声的地震事件数据，输出为2个单独的模块，分别为地震信号和噪声的映射，通过映射和原输入数据可以恢复时间域的地震波形和噪声波形。
首先，使用TauP对GPU-M&L检测到的地震事件计算理论到时，截取P波理论到时前20 s至后70 s共90 s的时间窗口作为输入，通过神经网络模型，输出为地震和噪声对应的时间域和频率域。频率域模块展示了信号与噪声的时频分布，即不同时间和频率的能量强度，通过时频分析，我们可以清晰地观测地震信号与噪声的能量；时间域模块则分别展示了分离后的地震信号波形与噪声波形。因此，我们可以从时间域和频率域分别对检测到的地震事件可靠性进行确认。
图5展示了经过DeepDenoiser去噪后保留下来的地震事件（1.58级）及其对应时频图。图6为2010年11月29日发生的2.0级地震事件在经过1～10 Hz带通滤波后按震中距排列的地震波形图，该地震事件通过GPU-M&L技术检测到，未被原始地震目录收录。由图5、图6可以看出，经过DeepDenoiser去噪可以从干扰较强的背景噪声中提取到更加清晰的波形，不仅能够提高信噪比，也为后续的震相拾取工作提供了良好的数据基础，进一步验证了检测的地震事件的正确性。
图 5 1.58级地震事件波形去噪前后对比Figure 5. The waveform comparison of a ML 1.58 event before and after denoising
图 6 利用DeepDenoiser对不同台站记录到的同一个地震事件Z分量去噪前后波形对比Figure 6. The waveform comparison of Z components before and after denoising本研究采用DeepDenoiser去噪，最终从
13318 个检测到的地震事件中筛选出7514 个地震事件，约为台网目录事件数量的2.3倍。台网目录事件中震级大于2的事件全部被检测到，2级以下的地震事件检出率大于95%，部分事件由于震级过小，检测出的事件时间和震级存在波动，因此漏检。为了更直观地看出检测前后地震事件相应震级数量的对比，绘制去噪后地震目录与原始台网目录地震事件频度-震级关系图（图7），可以清晰地看出，去噪后得到的地震目录较原始目录多了震级小于零的事件，且台网目录中大于2级的地震事件全部被检测筛选出，其中，由于检测出的地震事件在震级上有些许波动，存在一定震级误差，因此3级以上地震事件多于台网中心，遗漏地震事件主要以2级以下的微震为主。
图 7 台网中心地震目录与去噪后地震事件震级-数量对比Figure 7. The magnitude–frequency comparison between the catalogue events and the denoised events完备震级（Magnitude of completeness，MC）是表示地震台网监测能力的重要参数，通常定义为覆盖范围内的地震事件能够被监测到的最小震级（Gutenberg等，1944）。本文利用最大曲率法获取DeepDenoiser去噪后得到的检测目录以及台网目录的完备震级，通过二者地震事件频度与震级关系的对比（图8），可以清晰的看到，经过去噪后，最小完备震级由台网目录的1.5级降为检测目录的0.9级，有效提升了地震目录在小震级范围的完备性。
图 8 去噪后目录与原始目录最小完备震级对比Figure 8. The MC comparison between the original and denoised catalogues2.3 PhaseNet震相拾取
地震震相拾取是地震数据处理的重要环节，这项工作最早依靠专家多年的经验手动挑选，时间成本高，工作量大且效率低，不同人员挑选地震震相存在主观性，导致挑选的结果存在较大的不确定性，直接影响后续事件定位处理的性能。本研究中，利用基于神经网络的震相拾取方法对去噪后的波形进行P波、S波震相自动识别和到时拾取，将地震事件波形输入到神经网络中，经过一系列卷积和反卷积层，输出P波和S波的概率值。
输入的事件波形时长为30 s，采样率为100 Hz，设置P波和S波的概率阈值为0.5。图9为PhaseNet震相拾取实例，台站CA.63105记录到一个发生在2017年1月2日震级为1.81的地震事件。经过PhaseNet对震相拾取后，地震事件的走时曲线呈现出较好的线性分布（图10），红线斜率表示P波速度在6.15 km/s左右，黑线斜率表示S波速度在3.5 km/s左右，与该区域的速度结构相符，由此也证明了PhaseNet拾取的震相到时比较精准。
图 10 去噪后的地震事件P波和S波走时曲线Figure 10. The time-distance curves for P and S waves, as illustrated in the left and right panels respectively2.4 HypoDD地震定位
地震双差定位法是一种对速度模型依赖较小的相对定位方法，消除了震源至台站共同的传播路径效应，可有效减少由于地壳结构不精细而引起的定位误差。该方法将相邻两个地震事件到同一地震台站的理论走时与观测走时之差定义为双差，基于双差对地震事件进行初始相对定位校正，进而得到精度较高的地震事件相对位置。因此，在使用HypoDD进行定位时，精准的震相识取最为关键（赵明等，2021）。在本研究中，我们将PhaseNet拾取到的震相作为双差定位的输入。考虑到P波震相走时精度通常高于S波震相走时，本文对P波震相赋予1.0的权重，S波赋予0.5的权重。在定位过程中经过数次迭代（包括求解双差、重新计算权重）更新震源信息以及计算结果残差。
本研究采用双差定位方法对研究区域内去噪后的
7514 个地震事件进行重新定位，共获得7247 个重新定位结果。由图11可知，重定位后的地震事件分布较为密集，沿断层呈现条带状分布或簇状分布，显示出地震活动与断层构造联系十分密切。
图 11 台网目录事件（灰色圆点）与新目录地震事件（红色圆点）重定位后分布对比Figure 11. The event distribution given by the CENC catalogue （gray dots） and the relocated catalogue （red dots）图12为精定位后的震中分布及沿AA'、BB'、CC'剖面的震源深度剖面图，AA'沿玛沁-玛曲断裂带长轴走向，BB'垂直于玛沁-玛曲断裂长轴走向，CC'垂直于阿万仓断裂带长轴走向，筛选距其约20 km范围内的地震事件。在平面上，东昆仑断裂带东段地震事件重定位后的空间分布更加集中，大部分地震沿着NWW-EW断层走向呈线性分布，在断层交汇处地震事件较为集中，在经过101°E附近2条断裂带发生交汇，地震展布随之发生改变，交汇处以西的区域地震分布更密集，呈现出沿阿万仓断裂带向南展布的情形。在深度上，剖面BB'显示玛沁段地震震源深度主要分布在0～15 km，倾向NE，且断层倾角较高（图12（c））。剖面CC'显示阿万仓断裂带震源深度相比玛沁段有所加深，震源深度主要在0～30 km，倾向NE（图12（d）），结合前人研究发现，这是由于阿万仓断裂带与东昆仑断裂带发生了构造转换，吸收了东昆仑断裂带的左旋走滑位移（李陈侠等，2016），因此，阿万仓断裂带地震活动性相对较强。重定位结果也显示，东昆仑断裂带东段玛沁-玛曲段存在明显的地震空区现象（图12（a）中绿色框区域），剖面AA'（140～180 km）可清晰看出地震空区位于玛曲段（图12（b）），且研究表明近10年玛沁-玛曲段地震空区现象仍在持续。整体来说，定位后的地震沿着研究区域主要断裂带走向呈条带状分布，震源深度主要位于上地壳0～30 km区间，其中优势分布层为0～15 km，且震级主要为2级以下的微震。本研究印证了东昆仑断裂带玛沁-玛曲段由于受到阿万仓断裂带的吸收转换而产生地震空区的观点，玛沁-玛曲段地震空区的存在表明该区域具有孕育较大地震的可能性。
图 12 精定位后震中分布及震源深度剖面图Figure 12. The distribution of relocated events and the focal depths for different profiles3. 总结与讨论
东昆仑断裂带是位于巴颜喀拉地块与昆仑柴达木地块交汇处的一条活动断裂，玛沁-玛曲断裂带作为东昆仑断裂带东段的重要分支，又恰处于巴颜喀拉地块北边界东段的地震空区，因此，其潜在的大震危险性一直是被广泛关注的研究热点。地震学家Mogi（1979）将地震空区分为2类，第1类为在活动断裂带和板块边界带附近很长一段时间内没有发生较大地震破裂，将来有概率会发生大地震来填补该空区，又被称为大地震空区；第2类为某一区域在未来发生大地震前，小震活动或中强地震活动相对平稳，这个区域会将断层的潜在破裂段作为中心，发展为孕育大震的震源区，即地震活动平静区，又被称为前兆空区。徐锡伟等（2002）甄别出东昆仑断裂带为第1类地震空区，2008年汶川地震的发生导致玛沁-玛曲段的库伦应力增加，使该区域的地震危险性急剧增大（闻学泽等，2009）。本研究获取的定位结果及更为完备的地震目录可为探讨该区域可能存在地震空区提供数据支撑，揭示了未来的强震区域可能位于东昆仑断裂带的地震空区，本研究的微震检测及精定位结果为研究东昆仑断裂带东段及邻区地震活动性、地震灾害和风险性评估等提供了重要的数据基础。
本文利用GPU-M&L对东昆仑断裂带东段区域内遗漏的地震事件进行扫描检测，相较于常规的基于波形互相关的检测方法，GPU-M&L的优势在于：①可根据模板事件波形每个分量的信噪比增加不同的权重因子， 极大的提高了检测能力；②利用图像处理器提速，节约了大量时间成本，提升了运行效率。因此，该方法可以应用于长期大量的观测数据处理。GPU-M&L检测到的地震事件通过DeepDenoiser去噪，DeepDenoiser的优势在于：①实现连续波形中噪声和有效信号的精准分离，最大程度地降低噪声影响；②对比原始目录与去噪后地震目录所包含地震事件的震级与数量，2级以上地震事件数量差异小，且原始目录中事件全部被检出，增加了检测信号的可靠性。利用PhaseNet对去噪后的地震事件进行震相拾取，PhaseNet的优势在于：①可实际应用于区域地震台网的检测，所训练模型具备较高的泛化能力，适用于不同条件下的相位识别，尤其是在低信噪比数据波形和微震震相检测上有极其稳定的表现；②可直接对连续地震波形数据进行扫描检测，且误检率低；③相位识别快速。最后，利用HypoDD进行地震事件的精定位，HypoDD相较于其他定位方法的优势在于有效消除震源至台站共同的传播路径效应，减少对地壳结构了解不精细而引起的定位误差，更加适用于震源分布相对集中的地震群。与前人研究所使用的地震资料相比，我们通过GPU-M&L与DeepDenoiser相结合得到的地震目录更加完整，小震数据更加丰富，PhaseNet震相拾取与HypoDD双差定位有效减少定位误差，提高了构造分析的可靠性。构建了从GPU-M&L检测与定位、DeepDenoiser深度去噪、PhaseNet震相拾取到HypoDD双差定位的技术路线，并将之应用于东昆仑断裂带东段地区，效果显著，也为其他地区开展高效、高质的微震检测与定位提供了一套可参考的流程。
本研究从中国地震台网目录中
3198 个地震事件中挑选了1200 个震相清晰的地震事件作为模板事件，对东昆仑断裂带东段地区20个台站记录到的十年连续波形数据进行扫描，共识别出13318 个地震事件，约为台网中心提供目录的4.2倍，且对小震级事件更为敏感。通过DeepDenoiser将扫描出的地震事件信号与噪声分离，进一步对扫描出的地震事件进行确认，得到了7514 个地震事件，约为台网中心提供目录的2.3倍。检测和去噪后的地震目录的完备震级由台网目录的ML 1.5降为ML 0.9。利用PhaseNet对去噪后的地震事件进行震相拾取并利用双差定位方法进行精定位，共获得7247 个重定位结果。精定位后的结果显示，东昆仑断裂带东段的地震以中小震为主，在空间上呈窄条带状或簇状分布，分布宽度约为 30 km， 0～15 km为震源深度的优势分布深度；托索湖段及玛沁-玛曲段的地震总体沿NWW-EW向呈线性分布；在101°E附近地震的空间展布发生变化，主要沿阿万仓断裂带向东南展布。致谢 感谢青海省地震局为本研究提供的地震数据。
-
图 1 研究区域地震事件和台站分布图
Figure 1. The distribution of earthquake events and stations in the study area
图 2 利用GPU-M&L方法检测到的地震事件
Figure 2. An example of earthquake event detection by using GPU-ML
图 3 台网目录事件（黑色圆点）与GPU-M&L检测地震事件（红色圆点）震中分布图
Figure 3. Distributions of events （the black dots）from the catalog and the events （the red dots） detected by GPU-M&L
图 4 台网中心地震目录与GPU-M&L检测结果的地震事件对比
Figure 4. The comparison of magnitude–frequency between the catalogue events and the detected events
图 5 1.58级地震事件波形去噪前后对比
Figure 5. The waveform comparison of a ML 1.58 event before and after denoising
图 6 利用DeepDenoiser对不同台站记录到的同一个地震事件Z分量去噪前后波形对比
Figure 6. The waveform comparison of Z components before and after denoising
图 7 台网中心地震目录与去噪后地震事件震级-数量对比
Figure 7. The magnitude–frequency comparison between the catalogue events and the denoised events
图 8 去噪后目录与原始目录最小完备震级对比
Figure 8. The MC comparison between the original and denoised catalogues
图 10 去噪后的地震事件P波和S波走时曲线
Figure 10. The time-distance curves for P and S waves, as illustrated in the left and right panels respectively
图 11 台网目录事件（灰色圆点）与新目录地震事件（红色圆点）重定位后分布对比
Figure 11. The event distribution given by the CENC catalogue （gray dots） and the relocated catalogue （red dots）
-
邓起东,张培震,冉勇康等,2003. 中国活动构造与地震活动. 地学前缘,10(S1):66−73. doi: 10.3321/j.issn:1005-2321.2003.z1.012Deng Q. D., Zhang P. Z., Ran Y. K., et al., 2003. Active tectonics and earthquake activities in China. Earth Science Frontiers, 10(S1): 66−73. (in Chinese) doi: 10.3321/j.issn:1005-2321.2003.z1.012 李陈侠,徐锡伟,闻学泽等,2011. 东昆仑断裂带中东部地震破裂分段性与走滑运动分解作用. 中国科学:地球科学,41(9):1295−1310. doi: 10.1007/s11430-011-4239-5Li C. X., Xu X. W., Wen X. Z., et al., 2011. Rupture segmentation and slip partitioning of the mid-eastern part of the Kunlun Fault, north Tibetan Plateau. Science China Earth Science, 54(11): 1730−1745. (in Chinese) doi: 10.1007/s11430-011-4239-5 李陈侠,袁道阳,杨虎等,2016. 东昆仑断裂带东段分支断裂−−阿万仓断裂晚第四纪构造活动特征. 地震地质,38(1):44−64. doi: 10.3969/j.issn.0253-4967.2016.01.004Li C. X., Yuan D. Y., Yang H., et al., 2016. The tectonic activity characteristics of Awancang fault in the late quaternary, the sub-strand of the eastern Kunlun fault. Seismology and Geology, 38(1): 44−64. (in Chinese) doi: 10.3969/j.issn.0253-4967.2016.01.004 李海龙,2016. 鲜水河、东昆仑断裂新构造变形研究与对比. 北京:中国地质大学(北京).Li H. L. , 2016. The study on the neotectonic deformation of the Xianshuihe and East Kunlun faults. Beijing: China University of Geosciences (Beijing). (in Chinese) 李璐,王宝善,侯金欣,2017. 模板匹配滤波技术在地震数据处理中的应用. 中国地震,33(1):14−22.Li L. , Wang B. S. , Hou J. X. , 2017. Applications of matched filter technique in seismic data processing. Earthquake Research in China, 2017, 33 (1): 14−22. (in Chinese) 王同利,刘敏,李红谊等,2019. 阿拉善左旗 M S5.8地震前后地震活动性分析和重定位. 地球物理学报,62(6):2038−2047. doi: 10.6038/cjg2019N0024Wang T. L., Liu M., Li H. Y., et al., 2019. Relocation of the aftershock sequence and activity of the M S5.8 Alxa earthquake. Chinese Journal of Geophysics, 62(6): 2038−2047. (in Chinese) doi: 10.6038/cjg2019N0024 闻学泽,张培震,杜方等,2009. 2008年汶川8.0级地震发生的历史与现今地震活动背景. 地球物理学报,52(2):444−454.Wen X. Z., Zhang P. Z., Du F., et al., 2009. The background of historical and modern seismic activities of the occurrence of the 2008 M S8.0 Wenchuan, Sichuan, earthquake. Chinese Journal of Geophysics, 52(2): 444−454. (in Chinese) 徐锡伟,陈文彬,于贵华等,2002. 2001年11月14日昆仑山库赛湖地震( M S8.1)地表破裂带的基本特征. 地震地质,24(1):1−13. doi: 10.3969/j.issn.0253-4967.2002.01.001Xu X. W., Chen W. B., Yu G. H., et al., 2002. Characteristic features of the surface ruptures of the Hoh Sai Hu (Kunlunshan) earthquake ( M S8.1), northern Tibetan Plateau, China. Seismology and Geology, 24(1): 1−13. (in Chinese) doi: 10.3969/j.issn.0253-4967.2002.01.001 张军龙,任金卫,陈长云等,2014. 东昆仑断裂带东部晚更新世以来活动特征及其大地构造意义. 中国科学:地球科学,44(4):654−667. doi: 10.1007/s11430-013-4759-2Zhang J. L., Ren J. W., Chen C Y, et al., 2014. The Late Pleistocene activity of the eastern part of east Kunlun fault zone and its tectonic significance. Science China Earth Sciences, 57(3): 439−453. (in Chinese) doi: 10.1007/s11430-013-4759-2 张淼,2015. 地震定位和检测. 合肥:中国科学技术大学.Zhang M. , 2015. Earthquake location and detection. Hefei: University of Science and Technology of China. (in Chinese) 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/cjg2021O0271Zhao M., Tang L., Chen S., et al., 2021. Machine learning based automatic foreshock catalog building for the 2019 M S6.0 Changning, Sichuan earthquake. Chinese Journal of Geophysics, 64(1): 54−66. (in Chinese) doi: 10.6038/cjg2021O0271 朱艾斓,徐锡伟,周永胜等,2005. 川西地区小震重新定位及其活动构造意义. 地球物理学报,48(3):629−636. doi: 10.3321/j.issn:0001-5733.2005.03.021Zhu A. L., Xu X. W., Zhou Y. S., et al., 2005. Relocation of small earthquakes in western Sichuan, China and its implications for active tectonics. Chinese Journal of Geophysics, 48(3): 629−636. (in Chinese) doi: 10.3321/j.issn:0001-5733.2005.03.021 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 Bao X. W., Eaton D. W., 2016. Fault activation by hydraulic fracturing in western Canada. Science, 354(6318): 1406−1409. doi: 10.1126/science.aag2583 Chouet B. A., 1996. Long-period volcano seismicity: its source and use in eruption forecasting. Nature, 380(6572): 309−316. doi: 10.1038/380309a0 Ellsworth W. L., 2013. Injection-induced earthquakes. Science, 341(6142): 1225942. doi: 10.1126/science.1225942 Ellsworth W. L., Bulut F., 2018. Nucleation of the 1999 Izmit earthquake by a triggered cascade of foreshocks. Nature Geoscience, 11(7): 531−535. doi: 10.1038/s41561-018-0145-1 Fisk M. D., 2006. Source spectral modeling of regional P/S discriminants at nuclear test sites in China and the former Soviet Union. Bulletin of the Seismological Society of America, 96(6): 2348−2367. doi: 10.1785/0120060023 Gutenberg B., Richter C. F., 1944. Frequency of earthquakes in California. Bulletin of the Seismological Society of America, 34(4): 185−188. doi: 10.1785/BSSA0340040185 Kato A., Obara K., Igarashi T., et al., 2012. Propagation of slow slip leading up to the 2011 MW 9.0 Tohoku-Oki earthquake. Science, 335(6069): 705−708. doi: 10.1126/science.1215141 Liu M., Li H. Y., Peng Z. G., et al., 2019. Spatial-temporal distribution of early aftershocks following the 2016 MS 6.4 Menyuan, Qinghai, China Earthquake. Tectonophysics, 766: 469−479. doi: 10.1016/j.tecto.2019.06.022 Liu M., Li H. Y., Zhang M., et al., 2020. 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 Mogi K., 1979. Two kinds of seismic gaps. Pure and Applied Geophysics, 117(6): 1172−1186. doi: 10.1007/BF00876213 Ross Z. E., Trugman D. T., Hauksson E., et al., 2019. Searching for hidden earthquakes in Southern California. Science, 364(6442): 767−771. doi: 10.1126/science.aaw6888 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 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 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 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. doi: 10.1785/BSSA0880010095 Wu J., Yao D. D., Meng X. F., et al., 2017. Spatial-temporal evolutions of early aftershocks following the 2013 M W6.6 Lushan earthquake in Sichuan, China. Journal of Geophysical Research: Solid Earth, 122(4): 2873−2889. doi: 10.1002/2016JB013706 Zhao L. F., Xie X. B., Wang W. M., et al., 2008. Regional seismic characteristics of the 9 October 2006 North Korean nuclear test. Bulletin of the Seismological Society of America, 98(6): 2571−2589. doi: 10.1785/0120080128 Zhu W. Q., Mousavi S. M., Beroza G. C., 2019a. Seismic signal denoising and decomposition using deep neural networks. IEEE Transactions on Geoscience and Remote Sensing, 57(11): 9476−9488. doi: 10.1109/TGRS.2019.2926772 Zhu W. Q., Beroza G. C., 2019b. PhaseNet: a deep-neural-network-based seismic arrival-time picking method. Geophysical Journal International, 216(1): 261−273. 期刊类型引用(0)
其他类型引用(1)
-
下载:
下载:
点击查看大图
计量
- 文章访问数: 129
- HTML全文浏览量: 58
- PDF下载量: 24
- 被引次数: 1
