[论文解读] Slow slip detection with deep learning in multi-station raw geodetic time series validated against tremors in Cascadia

Giuseppe Costantino, Sophie Giffard‐Roisin+4 more|arXiv (Cornell University)|May 31, 2023

earthquake and tectonic studies被引用 4

一句话总结

本研究提出了首个针对原始多站GNSS时间序列中慢滑移事件（SSEs）的端到端深度学习检测器，采用物理信息合成训练数据集与混合CNN-Transformer架构。该方法在卡斯卡迪亚地区（2007–2002年）检测到78次SSE，恢复了87.5%的已知事件，并发现慢变形与震颤活动之间存在长达一天的时间延迟，提示SSE可能触发附近的非震裂变破裂。

ABSTRACT

Slow slip events (SSEs) originate from a slow slippage on faults that lasts from a few days to years. A systematic and complete mapping of SSEs is key to characterizing the slip spectrum and understanding its link with coeval seismological signals. Yet, SSE catalogues are sparse and usually remain limited to the largest events, because the deformation transients are often concealed in the noise of the geodetic data. Here we present the first multi-station deep learning SSE detector applied blindly to multiple raw geodetic time series. Its power lies in an ultra-realistic synthetic training set, and in the combination of convolutional and attention-based neural networks. Applied to real data in Cascadia over the period 2007-2022, it detects 78 SSEs, that compare well to existing independent benchmarks: 87.5% of previously catalogued SSEs are retrieved, each detection falling within a peak of tremor activity. Our method also provides useful proxies on the SSE duration and may help illuminate relationships between tremor chatter and the nucleation of the slow rupture. We find an average day-long time lag between the slow deformation and the tremor chatter both at a global- and local-temporal scale, suggesting that slow slip may drive the rupture of nearby small asperities.

研究动机与目标

• 开发一种系统化、自动化的慢滑移事件（SSEs）检测方法，用于原始大地测量时间序列，克服人工方法及依赖预处理方法的局限性。
• 通过生成具有空间相关性和数据缺失的物理基础真实感合成GNSS数据集，解决SSE检测中标签数据稀缺的问题。
• 提升对低震级SSE（Mw < 6）的检测能力，这些事件常被标准大地测量分析中的噪声所掩盖。
• 通过独立的震颤目录验证模型，并评估SSE与震颤活动之间的时序关系。

提出的方法

• SSEgenerator通过在断层面模拟慢滑移形变，结合空间相关性、季节信号和真实数据缺失，生成逼真的多站GNSS时间序列。
• SSEdetector采用混合深度学习架构，结合一维卷积神经网络（CNN）进行局部特征提取与自注意力机制（Transformer）以捕捉跨站点的长程时间依赖性。
• 模型在未经预处理的原始GNSS位置时间序列上端到端训练，无需预滤波，使其能够学习噪声特征并区分真实形变瞬变。
• 信号的空间堆叠基于SSE的物理知识，根据站点与俯冲带的距离及其预期形变模式对站点数据进行对齐。
• 模型输出一个概率时间序列，表示每个时间步发生SSE的可能性，随后通过阈值化处理识别事件。
• 验证方法采用SSE检测结果与每日震颤计数之间的互相关性，通过统计过滤（相关系数 > 0.4）确保关联关系具有意义。

Figure 1: Schematic architecture of SSEgenerator and SSEdetector. (a) Overview of the synthetic data generation (SSEgenerator). In the matrix, each row represents the GNSS position time series for a given station, color-coded by the value of the position. The 135 GNSS stations considered in this stu

实验结果

研究问题

• RQ1 在合成物理基础GNSS数据上进行训练的深度学习模型，是否能够在未经预处理的原始时间序列中检测到真实的慢滑移事件？
• RQ2 在卡斯卡迪亚地区，慢滑移形变与震颤活动之间的时序关系在全球与局部时间尺度上如何变化？
• RQ3 该模型在多大程度上能从现有目录中恢复已知SSE？其性能与人工或基于滤波的检测方法相比如何？
• RQ4 该模型能否提供SSE持续时间的可靠估计，其与其它事件的时间重叠情况如何？与独立观测结果相比有何差异？
• RQ5 观察到的慢滑移与震颤活动之间的时间延迟是否暗示因果关系，例如SSE引发附近非震裂变破裂？

主要发现

• 该模型在2007至2022年间成功检测到卡斯卡迪亚地区的78次慢滑移事件，恢复了87.5%的已知事件。
• 所有检测到的SSE均发生在震颤活动的峰值期间，证实了慢滑移与震颤信号之间存在强烈的时空相关性。
• 在全球与局部时间尺度上，均观察到从慢变形开始到震颤活动峰值之间存在一致的约一天时间延迟。
• 该模型能提供SSE持续时间的可靠代理指标，经统计显著性过滤后，推断的持续时间与观测到的震颤脉冲宽度一致。
• 检测事件之间的重叠百分比表明，26%的事件存在显著时间重叠，提示存在复杂且可能相互作用的形变过程。
• 本研究证明，基于逼真合成数据训练的深度学习模型可在原始大地测量数据中检测到低震级SSE，突破了传统方法在信噪比方面的限制。

Figure 2: Performance of SSEdetector on synthetic data . (a) The blue curve represents the true positive rate (probability that an actual positive will test positive), computed on synthetic data, as a function of the magnitude. (b) Map showing the spatial distribution of the magnitude threshold for