[论文解读] The contribution of pattern recognition of seismic and morphostructural data to seismic hazard assessment

Antonella Peresan, A. I. Gorshkov+2 more|arXiv (Cornell University)|Jan 1, 2015

earthquake and tectonic studies参考文献 82被引用 29

一句话总结

本文提出一种基于多尺度模式识别的方法，整合形态构造数据分析与时间依赖性地震活动性预测（通过CN和M8S算法）及neo-确定性地震危险性评估（NDSHA），以改进地震危险性制图。结果表明，该方法能更准确地识别高风险区域，并成功前瞻性预测重大地震事件，例如2012年伊特拉莫地震（M=6.1），而传统概率地震危险性评估（PSHA）则低估了该区域的危险性。

ABSTRACT

Experience from the destructive earthquakes worldwide, which occurred over the last decade, motivated an active debate discussing the practical and theoretical limits of the seismic hazard maps based on a classical probabilistic seismic hazard approach (PSHA). Systematic comparison of the observed ground shaking with the expected one, in fact, shows that such events keep occurring where PSHA predicted seismic hazard to be low. Amongst the most debated issues is the reliable statistical characterization of the spatial and temporal properties of large earthquakes occurrence, due to the unavoidably limited observations from past events. We show that pattern recognition techniques allow addressing these issues in a formal and testable way and thus, when combined with physically sound methods for ground shaking computation, like the neo-deterministic approach (NDSHA), may produce effectively preventive seismic hazard maps. Pattern recognition analysis of morphostructural data provide quantitative and systematic criteria for identifying the areas prone to the largest events, taking into account a wide set of possible geophysical and geological data, whilst the formal identification of precursory seismicity patterns (by means of CN and M8S algorithms), duly validated by prospective testing, provides useful constraints about impending strong earthquakes at the intermediate space-time scale. According to a multi-scale approach, the information about the areas where a strong earthquake is likely to occur can be effectively integrated with different observations (e.g., geodetic and satellite data), including regional scale modelling of the stress field variations and of the seismic ground shaking, so as to identify a set of priority areas for detailed investigations of short-term precursors at local scale and for microzonation studies. Results from the pattern recognition of earthquake prone areas (M>=5.0) in the PO Plain (northern Italy), as well as from prospective testing and validation of the time-dependent NDSHA scenarios are presented, including the case of the May 20, 2012 Emilia earthquake.

研究动机与目标

• 解决经典概率地震危险性评估（PSHA）在低危险区域预测大地震时的局限性，特别是在近期破坏性地震事件发生后，其预测结果与实际不符的情况。
• 通过开发形式化、可检验的方法，克服历史地震数据稀疏带来的挑战，以识别地震易发区域并预测即将发生的强震。
• 将地质与地球物理数据的模式识别与时间依赖性NDSHA情景相结合，生成更可靠、更具预防性的地震危险性地图。
• 通过识别优先监测区域，实现高分辨率微区划与短期前兆研究。

提出的方法

• 应用模式识别技术于形态构造数据（如构造断裂线、断层系统、地壳非均质性）中，定量识别具有大地震（M≥5.0）高风险的区域。
• 利用CN和M8S算法检测在空间与时间上具有统计验证性的前兆地震活动模式，提供中等尺度的强震前瞻性预测。
• 将识别出的高风险区域与大地测量及卫星数据相结合，监测区域尺度上的应力场变化与地表形变。
• 将模式识别结果与neo-确定性地震危险性评估（NDSHA）方法结合，基于地震波传播的物理建模，模拟真实地面运动情景。
• 利用历史数据（包括2012年伊特拉莫地震）对时间依赖性NDSHA情景进行前瞻性测试与验证。
• 采用多尺度框架，将区域应力场建模与局部微区划及短期前兆研究相衔接。

实验结果

研究问题

• RQ1 能否通过形态构造数据的模式识别可靠地识别构造活跃区域中M≥5.0地震的高风险区域？
• RQ2 CN和M8S算法在中等时空尺度上，能在多大程度上提供有效且前瞻性的强震预测？
• RQ3 将模式识别与NDSHA相结合，相较于经典PSHA，如何提升地震危险性地图的准确性？
• RQ4 所提出的多尺度方法能否有效优先确定用于详细短期前兆监测与微区划研究的区域？
• RQ5 2012年伊特拉莫地震（M=6.1）是否可通过所提出的模式识别与NDSHA框架被预见？

主要发现

• 对波河平原地区形态构造数据的模式识别成功识别出M≥5.0地震的高风险区域，为危险区划提供了定量依据。
• 对CN和M8S算法的前瞻性测试表明，其能够检测到重大地震事件（包括2012年伊特拉莫地震）前的前兆地震活动模式。
• 基于模式识别信息的时间依赖性NDSHA情景准确再现了2012年伊特拉莫地震期间观测到的地表运动强度，验证了该方法的有效性。
• 将形态构造模式与大地测量及卫星数据相结合，成功识别出与即将发生的地震事件相关的区域应力场变化。
• 多尺度框架成功将特定区域（如2012年伊特拉莫断层破裂附近区域）优先确定为需进行详细局部尺度监测与微区划研究的重点区域。
• 结果表明，该方法通过整合实时与历史数据中的物理与统计约束，克服了PSHA的关键局限，实现了更可靠的危险性评估。