利用機器學習自動化密集地震測網的地震目錄生成
廖勿渝1、李恩瑞1、陳達毅2
1國立成功大學地球科學系
2交通部中央氣象署地震測報中心
台灣位處於活躍的弧陸碰撞帶，地質構造複雜，地震活動頻繁。密集的地震測網在孕震構造、地震監測和即時預警中發揮了重要作用，能夠提供更多的地震資料，有助於更準確地了解地震活動和特徵。然而，這也帶來了大量的數據處理需求。透過機器學習，可以減少人工處理的工作量，並提升地震目錄的精確性和生成速度。
在即將到來的清明連假前，2024年4月3日早上，花蓮近海區域發生了一起ML7.2的全台有感地震，隨後在斷層帶上也發生了數個規模6以上及數量龐大的餘震。此外，在這次花蓮地震發生之前後，嘉義布袋區域也在數日內發生了多起規模3的地震。短時間內，全台測網偵測到的地震數量急劇增加，對於地震觀測產生了極大的挑戰。在這樣的情況下，透過機器學習的應用將地震目錄生成自動化，能有效應對挑戰，提供更為精確和即時的地震目錄。
本研究使用全台的地震測網，包括CWASN、TSMIP及BATS觀測網的資料，利用基於深度學習的地震波相挑選模型(RED-PAN, Liao et al., 2022a)在連續資料上進行P波和S波到時挑選，再以Back-projection法在基於三維速度模型的網格上進行波相連結(phase association)，決定地震事件的初始位置和發震時間(Liao et al., 2022b)。接著使用NonLinLoc (Lomax et al., 2014)在三維速度模型上進行絕對定位。進一步的相對定位則是基於波形相似度獲取的波相到時差，使用GrowClust (Trugman et al., 2023)進行三維相對定位，獲得更精細的發震構造。圖一為自動化地震目錄建構流程圖。
本研究使用的挑波模型(RED-PAN)針對觀測到多起地震事件、連續資料上波相挑選和即時P波挑選的情況進行資料增強的訓練，因此在地震活動密集的主餘震序列期間，可提供精準和完整的P和S波到時，有助於地震目錄的建立。透過機器學習，自動化生成2024年3月25日至2024年4月27日期間的全台灣地震目錄，達到50,000筆地震記錄，地震主要活躍區為花蓮及嘉義區域(圖二及圖三)。圖二及圖三顯示本地震目錄與GDMS在震前12年地震目錄及同時間內氣象署的速報結果的比對。本研究的自動化地震目錄建構在地震活躍期間表現良好，更完整的地震目錄將為地震物理及發震構造的分析等不同應用提供研究基礎。
圖一、本研究自動化地震目錄生成流程示意圖。
圖二、2024花蓮ML 7.2地震前後共一個月花蓮地區地震活動分佈。本研究產製的地震目錄與同段時間內氣象署的速報結果、GDMS收錄之12年的歷史地震資料進行對比。
圖三、2024年3月25日至2024年4月27日期間嘉義地區地震活動分佈。本研究產製的地震目錄與同段時間內氣象署的速報結果、GDMS收錄之12年的歷史地震資料進行對比。
參考文獻
Liao, W.-Y., Lee, E.-J., Mu, D., & Chen, P. (2022a). Toward Fully Autonomous Seismic Networks: Backprojecting Deep Learning-Based Phase Time Functions for Earthquake Monitoring on Continuous Recordings. Seismological Research Letters, 93(3), 1880–1894. https://doi.org/10.1785/0220210274
Liao, W.-Y., Lee, E.-J., Chen, D.-Y., Chen, P., Mu, D., & Wu, Y.-M. (2022b). RED-PAN: Real-Time Earthquake Detection and Phase-Picking With Multitask Attention Network. IEEE Transactions on Geoscience and Remote Sensing, 60, 1–11. https://doi.org/10.1109/TGRS.2022.3205558
Lomax, A., Michelini, A., & Curtis, A. (2014). Earthquake Location, Direct, Global-Search Methods. In R. Meyers (Ed.), Encyclopedia of Complexity and Systems Science. Springer, New York, NY, 1–33. https://doi.org/10.1007/978-3-642-27737-5_150-2
Trugman, D. T., Chamberlain, C. J., Savvaidis, A., & Lomax, A. (2023). GrowClust3D.jl: A Julia Package for the Relative Relocation of Earthquake Hypocenters Using 3D Velocity Models. Seismological Research Letters, 94(1), 443–456. https://doi.org/10.1785/0220220193