English | 中文 | 舊版

近年地震科技研究進展

地震是人類面臨的最爲強大的自然災害之一。從古至今,人類一直在竭盡所能來應對地震帶來的風險和破壞。近年來的一系列強震——2008年汶川大地震、2011年東日本大地震等,使人們不斷警醒——地震的短臨預測難以准確實現。于是,地震預警開始備受關注1。隨著高性能計算、人工智能長足發展,地震預警、監測、模擬和數據等地震科技研究不斷進步,使人類能夠更好地准備並進行應急響應,減少甚至避免不必要的人身、財産損失。

1  地震預警:潛力與局限的討論

在地震預警系統發出警報的時候,一般有兩種策略。一種是在有微小震動的時候就發出警報,並盡可能提供較長的預警時間,但是存在發出多次警報卻沒有發生破壞性地面晃動的情況;另一種是僅在可能發生破壞性地面晃動的時候發出警報,但是警報發出的時間會比較晚,而且用戶采取應急行動的時間會相應地大幅縮短。

美國地質調查局(USGS)的科學家及其合作夥伴通過分析地震規模隨時間的增長變化、以及地震波到達用戶所在位置的時間,從而計算了地震預警系統可能向人們提供的預警時間(預警級別從輕微震動一直到強烈晃動)。2018年發表在Science Advances上的這一研究[1]有助于設計地震早期預警系統的警報策略,如USGS正爲美國西海岸開發的ShakeAlert

現代地震預警系統可以監測不斷變化的地表破裂情況,進而向預計會發生一定程度震動的地區發出警報。如果地震破裂增強,受影響區域擴大,警報可能會更新並擴展到新的位置。但是,只有在地震增強到足夠大的程度,並且斷層破裂接近用戶所在位置時,用戶才會感受到非常強烈的地面運動。而人類目前無法預知某次地震開始後其最終規模會有多大。因此,該研究的合作者USGS地震學家Annemarie Baltay表示,對那些在收到低級別地面震動警報後能夠采取保護措施的人群而言,地震預警系統具有最大潛在收益。如果警報只在強烈震動時發出,人們將沒有多少時間來響應並采取緊急行動。

20192月,研究人員在Scientific Reports發文[2]進一步指出,多數情況下,地震預警系統未發出警報,但用戶卻可能遭遇具有破壞性的震動,因此,當用戶決定忍受誤報,即選擇接收造成損害的可能遠低于預期地面運動級別的警報時,地震預警系統才可以顯著減輕地震損失,而這是地震預警系統的最佳警報策略

2  地震模擬:物理模型再現統計模型結果

地震給全世界的人員和城市帶來了重大威脅,但是,通過一系列正確的減災措施——從嚴格的建築要求到精心的規劃,可以在一定程度上有效控制地震造成的道路和建築物的災難性損壞和人員傷亡。然而,所有這些措施都依賴于高質量的地震災害模擬分析。目前的模型依賴于一系列不確定的假設,由于大地震之間的時間間隔很長,很難在現實世界中對預測進行測試。

美國哥倫比亞大學拉蒙特—多爾蒂地球觀測站、南加州大學、加州大學河濱分校和美國地質調查局的研究人員共同提出了一個物理模型,再現了加州地震統計模型的預測結果。研究人員表示,這標志著地震預報的轉折點已經到來。相關研究成果[3]2018822日發表在Science Advances上。研究人員在超級計算機上模擬了近50萬年來的加州地震,並將其與當前最完美的地震統計模型(基于100年的儀器測量數據)得到的評估結果相比較。結果發現,兩者相互匹配。這一相互驗證的結果增加了對加州當前地震風險預測的支持,有助于整個加州設定保險費率和建築標准。同時,結果還表明,這一基于物理的模型在預測地震災害和評估加州及其他地震多發區的風險模型的作用會越來越大。

研究中使用的地震模擬器RSQSim通过消除许多假设——评估特定区域发生特定地震的可能性,进而简化了加州的地震统计模型。该模拟器基于相对基础的物理学知识编程实现,再现几十年来稳定改进的统计模型的分析结果后,现在地震學家可以使用其来测试统计模型针对特定区域的预测。准确的灾害评估对于洛杉矶和旧金山等高风险城市的政府监管机构尤其重要,因为他们将根据最新科学进展编写和修订建筑规范。在住房严重短缺的州,监管机构面临着巨大压力——要求建筑物足够坚固,能够承受剧烈震动,同时还要降低建筑成本。现在,确认灾害评估的第二个工具使数字增加了可信度。

RSQSim的一個特征是它使用速率和狀態相關的摩擦來近似模擬真實斷層如何破裂,並將應力轉移到其他斷層,有時這會引發更大地震。RSQSim由加州大學河濱分校十多年前開發出,並在當前研究中得到進一步完善,同時也是第一個再現加州最新破裂預測UCERF3(第三版加州地震斷裂預測模型)的物理模型。當這兩個模型的結果被輸入到加州的地面震動統計模型中時,他們得出了類似的災害情況。隨著計算能力的增長以及軟件中更多物理特性的添加,模型將不斷得到改善。研究人員計劃利用該模型更多地了解余震,以及它們如何破壞加州的斷層,同時還要將該模擬器整合到基于物理的地面運動模型(CyberShake)中,以查看其是否可以從當前統計模型中重現震動評估結果。未來,隨著科學家在模擬中不斷改進物理學要素,計算機將變得更加強大,人類將有機會更好地了解真正具有破壞性的地震可能發生的地點和時間。

3  地震監測:光纜的創新性利用

20世紀90年代,美國在地下部署了大量的光纜,近十年來,數據傳輸方面的巨大突破減少了對所有這些光纜的需求,因此這些沒有被實際用于數據傳輸的光纜被稱爲“暗光纖”(Dark Fiber)。201712月,來自美國能源部勞倫斯伯克利國家實驗室、斯坦福大學和佛羅裏達大學的研究人員在Geophysical Research Letters上發表文章[4]指出,利用暗光纖並結合“分布式聲學傳感”(DAS技術可進行地震監測,其監測結果與常規地震儀監測結果相媲美。

DAS技術通過在光纖上拍攝極短的激光脈沖來測量地震波場。光纖中的微小雜質將導致激光散射,如果光纖是靜止的,反向散射信號保持不變。但是,如果光纖在某些區域開始拉伸,信號將由于振動或應變而發生改變。DAS技術的基本思想是當光纖變形時,將看到反向散射光線中的畸變,並且從這些畸變中,能夠測量光纖本身是如何被擠壓或拉伸的。研究團隊在加利福尼亞的兩處地點和阿拉斯加的一個區域對光纖陣列分別進行了獨立測量,結果表明,在這三種情況下,盡管DAS的噪聲水平較高,但DAS被證明與常規地震儀一樣敏感。由于使用DAS的成本相對便宜,因此可以快速建立低成本、高密度的監測網絡。

相比之下,德國地學研究中心(GFZ)科學家的研究更具實踐創新意義。他們通過一條光纖發出激光脈沖——這條光纖位于冰島西南部雷克雅內斯半島(Reykjanes Peninsula)的電信網絡內,是1994年部署的15 km長光纜的一部分,穿越了歐亞大陸和美洲板塊間Reykjanes Oblique裂谷中的地質斷層,然後,分析光信號並與來自密集地震儀網絡的數據集比較。20187月,發表于Nature Communications的相關研究成果[5]指出,專家們獲得了令人驚訝的結果:該方法獲得的地下結構特征具有前所未有的分辨率,其信號等效于每4米一個數據點,這比全世界任何地震網絡的密度都要高。雖然這種方法在其他應用中並不是新穎(多年來一直用于鑽孔,進行油藏監測),但該團隊是世界上第一個在地面上以地震學研究爲目標進行這種測量,並且還是在如此長的光纜上。

放眼世界,密集的電信網絡中有無數的光纜遍布全球,所以這一新方法有很多優點。特別是在具有高地震風險的大城市,例如舊金山、墨西哥城、東京或伊斯坦布爾,以及許多其他地方,這種光纜可以爲現有的地震測量裝置提供低成本且覆蓋面廣的補充信息。同時,其還存在許多其他潛在應用,包括城市地震危險性分析、全球地震成像、海底火山探測、海底地震、海底板塊運動、核爆監測和微地震表征等。

4  地震數據分析:人工智能的初步介入

通常情況下,人們先提出假設,然後再進行檢驗,但是,借助人工智能2,可以以最少的人力投入獲得傳統方法難以獲得的新發現。

在對美國加州間歇泉地熱區的研究中,哥倫比亞大學的研究人員彙編了含有46000次地震的地震目录,且每个都以能量波形在震动图中表示,在此基础上绘制出地震波频率随时间变化的图谱——这是一种以声音波动变化来表示地震波变化的图谱,而通常情况下地震學家通过分析震动图来评估地震的震级和震源,然后,借助机器学习工具中的聚类算法将这些图谱分组形成簇,并与间歇泉的每月平均注水量3進行匹配。20185月,研究人員在Science Advances發表文章[6]指出,他們發現了該區域的地震模式:在冬季,城市向間歇泉區域輸送更多水流,因此出現高注入率與更多的地震;在夏季,低注入率對應較少的地震;春季和秋季則處于過渡狀態。由此說明,這一區域的地震複發模式似乎與水流入地下熱岩的季節性上升和下降一致,因此,研究人員認爲,水的運移與引起岩石滑動或破裂的機械過程相關,進而引發地震。

另一項研究中,人工智能則被應用于余震位置的預測。大地震發生後,經常還會發生較大余震4,雖然科學家們已經發現了一些經驗性規律,如定律和Ohmori定律,並利用其來描述余震的可能大小和時間,但預測其位置的方法仍難以掌握。在谷歌研究人員的建議下,美國哈佛大學地球與行星科學系研究人員嘗試利用人工智能技術來解決這一問題。在獲取至少199次大地震後的觀測數據的基礎上,研究人員使用深度學習算法,比對分析了來自世界各地的地震數據所形成的數據集,試圖預測余震可能發生的位置,並開發出了一個系統。20188月,發表于Nature的相關研究成果[7]指出,雖然該系統仍然不夠精確,但能夠比隨機分配更好地預測余震。研究者所開發系統證實偏應力張量的第二不變量(簡稱J2)具有更好的可預測性,這顛覆了傳統的主要理論5。研究者認爲,這說明神經網絡沒有發現一些瘋狂的東西,它發現了一些高度可解釋的東西,識別出了應該關注的物理特性。

201812月,Nature Geoscience在線發表了兩篇涉及機器學習與地震研究的論文[8-9]。這兩篇論文的主要研究者來自美國洛斯阿拉莫斯國家實驗室(LANL),同時還有來自賓夕法尼亞州立大學(PSU)的合作者。研究人員利用機器學習方法檢測地震信號,准確地預測了卡斯卡迪亞(Cascadia)斷層的緩慢滑動——這種破裂在其他俯沖帶發生大地震之前曾觀測到。因此,著眼未來,人工智能方法是研究地震的全新方式,其在原始數據中發現了非常細微的差異,進而獲得了前所未有的發現。與此同時,人工智能還幫助研究人員建立了地震與其他因素(如第一項研究中的注水量波動)的聯系,從而爲新研究結果的解釋提供了幫助。此外,其還有助于研究人員在人工智能所獲新發現的基礎上進行假設和推斷,進而幫助減少觸發較大地震的可能性,也可幫助預測地震風險以及相關預防及應急措施的准備。

5  展望

2015年,美國加州大學洛杉矶分校(UCLA)的理論物理學家William Newman(一直從事計算和應用數學研究,而且還把數學應用于自然災害研究,如地震和氣候變化)指出[10],當前最有可能做到的是——對一定時間窗口內的某一地理區域做出災害高風險評估,但永遠不會精確地知道發生的時間,對地震而言,好的預測前景甚至比氣象預測更難以期待(混沌動力學和複雜性)。

那麽,爲什麽還要試圖預測地震呢?對于這樣一個問題,很多人會選擇逃避。但是,數學家、計算機科學家、物理學家、地質學家、工程師和社會科學家都在這個問題上進行了共同努力、並做出了貢獻,每個新的發現都能改善科學界對這個非常複雜的問題的認識。隨著儀器的日益精確化、地震數據的激增、高性能計算的發展、人工智能技術的應用,科學家們對地震將有更好的了解。

了解爲什麽地震發生,以及地震是如何發生的,可以幫助專家建立更好的模型,即使它不能告訴人們一個精確的日期和時間,但隨著知識的增加,同時加上最佳的地震預警策略,就可以更好地准備並進行地震應急響應,進而獲得整體上的最佳收益表現。

趙紀東 撰稿)

參考文獻

[1]      Minson S E, Meier M A, Baltay A S, et al. The limits of earthquake early warning: Timeliness of ground motion estimates[J]. Science advances, 2018, 4(3): eaaq0504.

[2]      Minson S E, Baltay A S, Cochran E S, et al. The Limits of Earthquake Early Warning Accuracy and Best Alerting Strategy[J]. Scientific Reports, 2019, 9(1): 2478.

[3]      Shaw B E, Milner K R, Field E H, et al. A physics-based earthquake simulator replicates seismic hazard statistics across California[J]. Science advances, 2018, 4(8): eaau0688.

[4]      Lindsey N J, Martin E R, Dreger D S, et al. Fiber-optic network observations of earthquake wave fields[J]. Geophysical Research Letters, 2017, 44(23): 11,792-11,799.

[5]      Jousset P, Reinsch T, Ryberg T, et al. Dynamic strain determination using fibre-optic cables allows imaging of seismological and structural features[J]. Nature communications, 2018, 9(1): 2509.

[6]      Holtzman B K, Paté A, Paisley J, et al. Machine learning reveals cyclic changes in seismic source spectra in Geysers geothermal field[J]. Science advances, 2018, 4(5): eaao2929.

[7]      DeVries P M R, Viégas F, Wattenberg M, et al. Deep learning of aftershock patterns following large earthquakes[J]. Nature, 2018, 560(7720): 632.

[8]      Hulbert C, Rouet-Leduc B, Johnson P A, et al. Similarity of fast and slow earthquakes illuminated by machine learning[J]. Nature Geoscience, 2019, 12(1): 69.

[9]      Rouet-Leduc B, Hulbert C, Johnson P A. Continuous chatter of the Cascadia subduction zone revealed by machine learning[J]. Nature Geoscience, 2019, 12(1): 75.

[10]    Earthquakes expose limits of scientific predictions,http://www.nsf.gov/discoveries/disc_summ.jsp?cntn_id=135034&WT.mc_id=USNSF_58&WT.mc_ev=click.

 

(版權說明:轉載請聯系本中心、並請備注來源及作者信息。) 


1 2009年,中國國家地震烈度速報與預警工程項目的預研工作啓動,20187月該項目正式開始實施。同期,大洋彼岸的美國加州,ShakeAlert的第一階段建設已初步完成。
2人工智能包括機器學習、自然語言處理等研究領域,深度學習是一種實現機器學習的技術,其利用深度神經網絡來解決特征表達。
3 發生在地熱能開發過程中。

4 这些余震可能使已经遭受破坏的社区瘫痪,并严重阻碍灾后恢复工作。

5 J2在冶金學和其他理論中經常被使用,在地震學中罕見。

附件下載