[论文解读] Breaking Cascadia's Silence: Machine Learning Reveals the Constant Chatter of the Megathrust
本研究采用监督式机器学习方法，从温哥华岛的原始数据中提取连续的震颤样地震信号，揭示了卡斯卡迪亚俯冲带断层在慢滑移周期中持续释放低幅值地震信号，其能量释放与断层滑移速率精确同步。该信号的能量比已记录的震颤事件高出多达300倍，为断层滑移动力学提供了实时、高分辨率的洞察，开辟了研究巨型俯冲带物理机制及潜在地震前兆的新途径。
Tectonic faults slip in various manners, ranging from ordinary earthquakes to slow slip events to aseismic fault creep. The frequent occurrence of slow earthquakes and their sensitivity to stress make them a promising probe of the neighboring locked zone where megaquakes take place. This relationship, however, remains poorly understood. We show that the Cascadia megathrust is continuously broadcasting a tremor-like signal that precisely informs of fault displacement rate throughout the slow slip cycle. We posit that this signal provides indirect, real-time access to physical properties of the megathrust and may ultimately reveal a connection between slow slip and megaquakes.
研究动机与目标
- 识别并量化卡斯卡迪亚俯冲带中可能解释慢滑移事件中能量缺失的连续地震信号。
- 开发一种机器学习框架，利用连续地震数据以高于全球定位系统（GPS）的时间分辨率估算断层位移速率。
- 探究该持续性地震信号是否源自与已知震颤爆发相同的物理过程。
- 评估该信号是否可作为断层滑移动力学的实时代理，从而改善对锁固区应力传递的监测。
- 探讨从实验室实验到天然构造系统的慢滑移物理规律的尺度关系。
提出的方法
- 将监督式机器学习应用于加拿大国家地震仪网（CNSN）提供的40 Hz连续地震数据，以GPS反演的位移速率作为标签目标。
- 从地震数据的每小时至每日时间窗中提取统计特征——振幅、频率和能量特性。
- 训练随机森林回归模型，将地震特征映射至GPS位移速率，并通过独立测试数据验证模型性能。
- 在2009–2012年数据上进行模型训练，2013–2017年数据上进行测试，固定时间窗长度为1–60天。
- 将基于完整连续数据的预测结果与仅限于已记录震颤事件的预测结果进行对比，以分离背景震颤的贡献。
- 量化连续信号的能量，并与已记录震颤事件的累积能量进行比较，以评估能量缺失问题。
实验结果
研究问题
- RQ1连续地震数据能否以高于全球定位系统（GPS）的时间分辨率揭示断层位移速率？
- RQ2卡斯卡迪亚巨型俯冲带中是否存在一种与慢滑移速率相关联的持续性、低幅值地震信号？
- RQ3该连续信号的能量是否能解释GPS测量位移与已记录震颤能量之间的差异？
- RQ4持续信号与经典震颤事件背后的物理机制是否相同？
- RQ5机器学习能否从未经处理的地震数据中提取出传统事件型目录所遗漏的有意义地球物理信号？
主要发现
- 该连续地震信号以小时级时间分辨率高度精确地追踪断层位移速率，优于GPS，后者在亚日时间尺度上噪声过大，难以分辨。
- 该信号的能量约为已记录震颤事件的300倍，解决了能量预算计算中长期存在的能量缺失问题。
- 连续信号的归一化能量与已记录震颤能量在慢滑移峰值期表现出强烈相关性，表明其可能具有相同的物理起源。
- 该信号在非震颤期仍持续存在，表明震颤并非间歇性，而是持续或近乎连续的，挑战了以往的假设。
- 该信号的统计指纹与实验室中慢滑移的观测结果一致，提示其潜在摩擦物理机制可能从实验室尺度延伸至地球尺度。
- 基于连续数据训练的模型在预测位移速率方面优于仅使用已记录震颤事件数据的模型，表明非事件数据中包含关键信息。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。