本期概要

1、基于Transformer的异构环境下的实时地震检测框架

研究者提出了一种基于Transformer架构的TFEQ模型，用于异构物联网环境下的实时地震检测。该模型通过多头自注意力机制同时分析P波和S波，显著提升了早期预警能力。实验表明，TFEQ在低信噪比条件下优于传统CRNN和MCNN模型，且能准确识别持续700秒的地震事件。

2、解读地球的震颤：一种区分地震和爆炸的机器学习方法

意大利研究者提出了一种通过分析体波震级（mb）和面波震级（Ms）区分天然地震与地下核爆炸的机器学习方法。该方法利用国际地震中心（ISC）的历史数据，在mb-Ms二维空间中训练模型，并引入普拉托变换提供预测概率。结果显示高分类准确率，仅少数边界案例存在误判。

3、北美活跃克拉通减薄的地震全波形层析成像：支持俯冲诱发的滴落机制

研究者通过北美全波形地震层析成像（SATONA）模型，发现美国中部克拉通岩石圈正发生大规模减薄，表现为高波速物质以“滴落”形式向地幔过渡带迁移。地球动力学模拟表明，下地幔法拉隆板块的俯冲引发水平地幔流，驱动克拉通底部弱化物质向下运移。该研究揭示了克拉通减薄是深部板块牵引与岩石圈预弱化共同作用的结果，为理解克拉通演化提供了新机制。

基于Transformer的异构环境下的实时地震检测框架

地震检测是地震学研究的基础，近年的研究进展凸显了深度学习技术相较于传统方法的卓越性能。然而，在高度异构的环境中部署这些技术面临着巨大的挑战，这主要是由于数据集的多样性和评估方法的多样性。值得注意的是，现有模型通常侧重于检测更明显的S波，而忽略了至关重要的P波的早期检测。为了解决这个问题，来自韩国的学者引入了TFEQ，这是一个基于Transformer（一种深度学习架构）的模型，目的是在多样化的物联网环境中进行实时地震检测。TFEQ有一个非常独特的特点，其可以同时分析不同域中的P波和S波。研究人员对通过CrowdQuake计划收集的MEMS传感器数据进行案例分析，进一步证实了TFEQ的有效性和广泛的适用性，证明了其可靠性和泛化能力。相关研究成果发表在2025年3月的Scientific Reports。

地震的发生是由于地壳能量的突然释放，导致地震波在地面传播。地震事件的震级和影响程度各不相同，因此需要强大的检测和监测系统来减轻潜在的危害。在复杂的噪声环境中快速准确地检测地震是实时地震预警（EEW）系统面临的重大挑战之一。在过去的十年中，MEMS（微机电系统）加速度传感器因其低成本和易于安装操作而在物联网（IoT）系统中得到了广泛应用，进而推动了结构检测、社区地震网络等的发展。对于实时EEW系统而言，使用物联网系统的数据时，可靠地区分地震和非地震信号至关重要。然而，预警的提前时间与地震信息可靠性之间的权衡对地震预警系统构成了重大挑战。

幸运的是，信号处理技术的进步为从物联网系统捕获的大量地震数据集中提取隐含信息铺平了道路。深度学习已在EEW系统中得到广泛应用。其中，CrowdQuake网络使用智能手机进行数据处理，并开发了卷积循环神经网络（CRNN）模型。该模型通过处理流式时间序列数据自动识别地震信号，展现出卓越的检测性能。最新的CrowdQuake+还引入了多列卷积神经网络（MCNN），用于提取多尺度的高维数据，进行地震信号检测。

研究人员提出了一种基于Transformer架构的实时地震检测模型——TFEQ，旨在应对异构环境中由MEMS传感器所采集地震信号中存在的高噪声和多样性问题。该模型基于注意力机制，采用多头自注意力（MHA）结构。为验证模型的性能，研究者使用了多个真实地震数据集，并设计了在线和离线两种学习框架进行测试。另外，研究人员还调查了模型对P波和S波的敏感性，以期能够基于两个基本信号分量进行准确的地震检测。

图1  用于实时地震检测的TFEQ模型框架。（a）总体框架；（b）TFEQ编码器模块的详细结构；（c）多头注意力（MHA）的详细结构；（d）自注意力的详细结构；（e）TFEQ解码器的详细结构

与传统地震网络不同，物联网（IoT）传感器兼具双重角色，既是独立的地震传感器，又是客户端-服务器地震系统中的遥感组成部分。强大的计算能力使其能够在EEW系统无法到达或未覆盖的地区建立预警系统。相比于MyShake探测系统，本研究中的CrowdQuake系统拥有更广泛的覆盖范围，它是一个实时地震探测系统，由部署在韩国各地不同环境中的8 000多个MEMS物联网传感器组成。这些传感器实时将数据传输到服务器，然后对其进行预处理，并做出实时预警决策。之前的研究分别利用基于S波的CRNN和MCNN，为CrowdQuake系统开发了不同的实时探测模型。然而，如果能够实施实时地震探测，优先探测最初到达的P波，则可以显著节省地震发生时的疏散时间，明显提高EEW系统的效率和实用性。另外，由于多源噪声数据干扰，在异构环境中找到一套通用的最佳模型架构十分困难，从而使得MEMS传感器和专业地震仪之间的区别变得更为复杂。

图2  三个数据集的波形：水平（X）和垂直（Z）分量

为此，研究引入了TFEQ，这是一个针对实时地震检测优化的二分类模型。TFEQ不仅实现了高检测精度，还能有效降低误报率，并增强在不同条件下的泛化能力。该模型支持训练样本的并行处理，从而实现高效的批量操作。TFEQ的架构摒弃了循环结构，转而采用基于注意力的机制。这种方法使模型能够自主识别输入数据的全局依赖关系，全面提取潜在的地震特征，并为这些特征分配不同的权重。TFEQ包含几个关键组件：输入和位置嵌入层、编码器层、多层感知器（MLP）层、解码器层和输出层。

对于多头注意力机制而言，自注意力（SA）网络是MHA机制的基础组成部分。SA为输入序列的不同部分提供不同的权重，以提取时间序列的本质特征。MHA机制相当于集成多个不同的SA，并行执行注意力函数。这种方法使模型能够捕获不同位置的注意力，并在不同的子空间中阐明它们之间的相关性。SA网络的计算过程大致可分为以下三个步骤：

（1）生成Query（Q）、Key（K）、Value（V）三个向量；

（2）使用缩放点积（scaled dot-product）计算Q与K的相似性，并通过softmax得到注意力权重；

（3）根据注意力权重加权Value，得到输出。

通过引入多头来形成不同的子空间，TFEQ能够关注信息的不同方面。对于每个初始输入样本，MHA机制需要并行运行i次SA，然后将MHA的输出连接起来。

MHA还包含Add和norm层，其中Add模块类似于残差运算，旨在解决深度学习中的退化问题。Norm层根据样本本身的均值和标准差进行归一化，提升模型训练的稳定性，加快收敛。另外，MHA还包含前馈网络（FFN）层，它是一个浅显的多层感知器（MLP）。它首先将多头注意力机制得到的精炼向量映射到更大的空间，利用Relu激活函数提取足够的数据信息，然后进行线性变换，映射到原始空间。

图3  线上和线下两种评估框架

利用来自日本国家地球科学与灾害防御研究所（NIED）的地震数据集、美国斯坦福大学的地震数据集（STEAD），以及研究人员收集的来自物联网的MEMS传感器的数据集，研究人员进行了比较试验。数据中包含震级在2~3级的地震，特别关注这一震级范围，主要是因为MEMS传感器主要在这个范围内捕捉地震事件。

NIED数据集以高信噪比为特征，基于该数据集的测试表明，相较于MCNN和CRNN，TFEQ具有最好的准确率。在低信噪比环境下，利用STEAD和MEMS数据进行的测试表明，相较于MCNN和CRNN，TFEQ具有最好的准确率、精确率和召回率。模型对P波和S波的敏感性分析表明，CRNN和MCNN模型更依赖于振幅较大的S波进行检测，TFEQ具有同时识别两种波型的能力，展现出良好的应用潜力。此外，研究采用蒙特卡洛dropout方法来评估模型的不确定性，发现TFEQ能够准确识别持续时间长达700 s的连续数据中的地震事件。

图4  2022年4月16日韩国地震期间，不同MEMS传感器记录的波形在不同模型上的表现。(a)和(c)分别展示了CRNN和MCNN模型的结果，(b)和(d)展示了所提出的TFEQ模型生成的结果

整体上，基于Transformer的模型的TFEQ可用于物联网系统中的实时地震探测。TFEQ的探测结果与CRED（一种卷积单元和递归单元的深度残差网络，用于地震信号检测）、EQtransformer（一种深度卷积模型，旨在提取地震信号，并在60 s的波形中检测P波和S波）和CRNN等方法相当，证明了其对2 s（分析过程中，提取数据的时间窗口）信号的可靠探测能力。TFEQ能够同时探测P波和S波，标志着一项重大进展，而其跨数据集的灵活性确保了其在实际场景中的实用性。

与美国的MyShake相比，CrowdQuake的传感器网络覆盖范围更广，但在处理噪声数据方面也存在挑战。研究人员通过集成先进的噪声滤波器，提升了其在低信噪比数据集中的性能。尽管TFEQ具有很强的鲁棒性，但仍需要在各种场景下进行进一步验证，以持续改进。TFEQ使用P波和S波均可提供及时警报，但其在低信噪比条件下对微地震的检测性能仍需进一步验证。

此外，基于PGA选择2 s窗口提取P和S相是基于研究区域内的经验测试。选择此窗口是为了在大多数地震场景中平衡计算效率和捕捉相到时的准确性。具体而言，2 s窗口与中等震中距离内区域事件的P波和S波典型到时一致。然而，这种固定时长策略存在固有的局限性，尤其是在应用于远震或低震级事件时。在这种情况下，传播速度和衰减效应的变化可能导致相位到时超出2 s窗口，从而可能导致漏检或不准确检测。未来的研究应探索自适应窗口，以实时地震速度模型或机器学习算法为指导，根据地震特定参数（例如距离、震级或初步速度估计）动态调整窗口大小。

来源：Wu A, Khan I, Kwon Y W. A transformer-based real-time earthquake detection framework in heterogeneous environments. Scientific Reports, 2025, 15(1): 8422.

解读地球的震颤：一种区分地震和爆炸的机器学习方法

有效区分地震和爆炸至关重要，特别是在《全面禁止核试验条约》（CTBT）核查制度的背景下。来自意大利的研究者介绍了一种支持向量机（SVM）算法，该算法专门用于辨别天然地震产生的地震记录和地下核试验引起的地震记录。在分析过程中，其选择每个事件的mb和Ms震级（分别为体波和面波震级）的注册值（registered value）作为特征向量。这些震级值直接提供在每个地震事件的官方公报中，因此，无需进行初步计算，这使得该研究方法易于实施。通过利用多样化的数据集和采用最先进的机器学习算法，该方法在区分这些事件方面表现出了惊人的准确性。此外，研究还提供了一个后验概率来估计分类算法所执行预测的准确性。这项工作标志着在提高地震监测系统能力方面迈出了重要一步，从而加强了国际社会在核不扩散和全球稳定方面的努力。相关研究成果发表在2025年3月的Journal of Seismology。

地震监测在地震学、地质学和全球安全等领域具有重要作用，尤其是在《全面禁止核试验条约》（CTBT）核查制度背景下。有效的条约执行依赖于精准的地震监测系统，该系统要能够准确地区分由自然地震和人为活动（如地下核爆炸）引发的地震事件。

传统的地震事件区分方法依赖人工分析和经验规则，这些方法在复杂情况下存在局限性，且容易受到主观因素的影响。随着地震数据量的增加，传统方法面临效率低下和准确性不足的问题。

机器学习，尤其是监督学习算法，因其能够通过分析大量历史数据来识别复杂模式，成为解决这一问题的有力工具。随着技术的进步和数据的不断积累，机器学习算法在地震事件分类中的应用日益广泛，已经成为地震监测系统的重要组成部分。支持向量机（SVM）算法被广泛用于地震事件的分类。

该研究提出了一种基于支持向量机（SVM）算法的监督机器学习技术，通过使用体波和面波的震级（mb和Ms），有效地区分自然地震与地下核爆炸。通过在mb-Ms二维空间中训练SVM模型，研究者无需依赖复杂的地震波形分析，即可实现高精度的事件分类。同时，引入普拉托变换（Platt Scaling）方法，对SVM输出结果进行后验概率估计，使模型不仅能够判断事件类型，还能提供预测的可信度。该方法简洁、高效，适用于大规模地震监测与核试验识别任务。

图1  对测试数据应用训练好的SVM之后的混淆矩阵（该方法的准确率非常高）

1. 混淆矩阵

混淆矩阵是用于评估分类模型性能的标准工具，对于二分类问题，它包括四个核心指标：

True Positive（TP）：模型正确地将正类（如地震）预测为正类的数量。

True Negative（TN）：模型正确地将负类（如爆炸）预测为负类的数量。

False Positive（FP）：模型错误地将负类预测为正类的数量。

False Negative（FN）：模型错误地将正类预测为负类的数量。

混淆矩阵的单元格通过显示正确和错误预测的数量，清晰地展现了模型的性能。此外，有了混淆矩阵，测量训练模型的准确率变得非常容易。通过这些值，可以计算模型的准确率（accuracy），其公式为：

2. 支持向量机方法

支持向量机（SVM）是一种监督式机器学习算法，适用于二分类问题。在该研究中，SVM被用于根据两个特征（体波震级mb和面波震级Ms）来区分“地震”与“爆炸”两类事件。它的工作过程分为两个阶段：训练阶段和分类阶段。在训练阶段，算法使用一个带标签的数据集（由已知类别的对象和一组相关的判别特征组成），通过最大化与每个组的最近点的距离来确定将类分开的“决策边界”（超平面）。设训练集：

其中，xi是第i个样本的特征向量，是一个p维实向量，其坐标表示判别特征。yi是指示点xi所属类别的标签，yi=+1是地震事件，yi=﹣1是爆炸事件。因为研究中有两个判别特征，即mb和Ms，所以p=2，表示特征向量的维度是2。

SVM的目标是找到一个超平面（决策边界）：

其中，w是权重向量，b是偏置项，是特征映射函数。

在分类阶段，在给定一个新的样本时，通过以下决策函数判断其类别：

如果f(x)大于0，预测为地震；如果f(x)小于0，预测为爆炸。

SVM通过优化以下问题寻找“最大边际超平面”（maximum-margin- hyperplane）：

这个优化目标旨在最小化模型复杂度，并最大化分类边界到样本的距离。该问题通过拉格朗日乘子法（KKT条件）求解，最终得到决策函数（仅依赖于少数支持向量）。另外，由于实际数据往往非线性可分，SVM引入了核函数，该函数将输入从原始空间映射到高维空间，使其线性可分。虽然传统SVM是“硬分类器”（只输出类别），但该研究中采用Platt Scaling方法，将SVM输出映射为概率估计。

3. 将SVM应用于全球地震和爆炸数据集

图2  表示在mb、Ms笛卡尔空间中的测试数据及其分类

该研究使用的地震数据来自国际地震中心（ISC）公报，数据收集要求为：在以内华达试验场坐标为中心、半径为1 000 km的圆形区域内选择事件，收集时间跨度为1960—1999年，震源深度为5~200 km，震级为3.5~9级。根据此请求，在公报中发现了7621次地震。由此选择产生的最深地震为47 km，最大震级分别为6.5级和5.8级（分别对应mb和Ms）。值得注意的是，缺少47 km以下的地震，对于该研究来说影响不大，因为在这样的深度不可能发生爆炸。

此外，该研究的主要重点是探索仅基于震级（而不考虑深度）区分事件类型的可能性，因为这两个参数是独立参数，它们的可辨别性通常需要分析震图（这超出了该研究的范围）。其次，值得注意的是，大多数公报中的爆炸深度固定为零（这不是定位事件细节的人发现的真实值）。同时，在机器学习算法中添加错误的参数值会导致误导性解读。

关于爆炸事件，研究进一步请求ISC公报并再次提取以内华达、哈萨克斯坦、穆鲁罗阿（Mururoa）、罗布泊和朝鲜试验场为中心，半径为100 km区域内的事件。在这种情况下，深度设定在0~2 km之间，震级设定在3.5~9级之间，时间间隔为1960—2017年。同时，还考虑了Kebeasy（1998）报告的来自世界各地的所有地震和爆炸事件。

图3  概率空间。从图中可根据训练好的SVM识别出一条直线，将地震与爆炸区分开来，图中所示的点包括训练数据和测试数据

分析采取了以下步骤：

（1）摘录所有数据。

（2）所有包含爆炸和地震的公告数据均被纳入考量范围。

（3）如果出现重复数据，则优先考虑由“ISC”署名的，然后是“NEIC”，如果没有说明作者，则应用下一点中指定的其他标准。最终，数据集中共有319个条目。

（4）对数据进行唯一性测试，在消除重复数据后，数据集减少到366个条目（225次地震和141次爆炸）。在此阶段，研究采用随机选择策略。

（5）随后，将SVM应用于改进后的数据集，最初将其拆分为约80%用于训练（293个条目）和20%用于测试（73个条目）。所执行代码确保了分层随机分割，从而在训练和测试数据中保持一致的地震和爆炸事件百分比。

图4  SVM算法错误分类测试数据的概率空间

分析结果显示，45次地震中有一次被错误地归类为爆炸，而28次爆炸中有3次被错误归类为地震。进一步来看，四个错误的分类数据（有三个点，因为有两个事件具有相同的Ms和mb）都在分割区域附近。同时，这三个点的每种情况的概率都接近50%。因此，研究认为除了位于边界区域的数据外，该研究提出的方法是稳健的。

来源：Pignatelli A, Petrucci C, Vignoli V, et al. Deciphering earth's tremors: a machine learning approach to distinguish earthquakes from explosions. Journal of Seismology, 2025: 1-10.

北美活跃克拉通减薄的地震全波形层析成像：支持俯冲 诱发的滴落机制

大陆克拉通的特点是拥有厚的岩石圈根，这些岩石圈根在数十亿年的时间里依然保持完整。然而，一些克拉通根似乎在过去的地质时期已经变薄或完全消失。对于这些过去的事件，变薄的机制一直难以辨别。多名学者联合建立了一个北美全波形地震层析成像模型，该模型能够分辨精细结构，并揭示正在进行的大规模克拉通减薄事件。地震图像显示出广泛的滴状（dripping）特征，表明岩石圈物质从美国中部克拉通底部向地幔过渡带迁移，从而引发了活跃的岩石圈减薄。地球动力学模拟表明，这种滴状流动可能是由目前位于下地幔的法拉隆板块下沉导致的大规模地幔流引起的。同时，先前的岩石圈弱化可能进一步促进了岩石圈的滴状流动。研究人员对克拉通岩石圈广泛减薄的地震学观测支持了这样一种认识，即岩石圈移除可能是外部地幔过程（研究假设其中可能包括俯冲的深地幔效应）的结果。相关研究成果发表在2025年3月的Nature Geoscience。

克拉通是古老的区域，约占大陆岩石圈的60%，并且其通常被厚的岩石圈所覆盖。人们认为克拉通在数十亿年间总体上是稳定的，然而，华北克拉通在中生代失去了根部，这表明克拉通的稳定性并不是普遍的。对于克拉通岩石圈的消失，人们提出了不同的机制，但是这些例子来自地质历史时期，区分不同的机制相对较难。因此，对正在进行的克拉通减薄事件的观察将可能为解答这一难题提供独特视角。

北美是研究克拉通现今行为的理想之地。尽管美国的大多数克拉通地区在18亿至13.5亿年前的元古代时期已经稳定下来，但其仍然与太古代克拉通区域有着一些共同的关键特征，包括非常厚的岩石圈和周围的金伯利岩火山作用。同时，得益于密集的地震仪部署，如今可以对美国中部和东部的克拉通进行详细的地震研究。

研究人员提出了一个北美全波形层析成像模型，即北美地震伴随层析成像（Seismic Adjoint Tomography of North America，SATONA）。与现有的北美层析成像模型相比，SATONA更侧重于在相对较高的频率下拟合波形的详细形状，以更好地揭示精细尺度的结构。该模型可清晰揭示克拉通的岩石圈-软流圈边界（LAB），以及克拉通下方从LAB到地幔过渡带（MTZ）的高震速物质。研究人员基于研究区域内所有可用地震台站的数据，通过地球动力学模拟测试了下地幔法拉隆（Farallon）板块对上地幔对流的影响。在分析过程中，使用SpecFem3D Globe软件计算了合成地震图和伴随核函数。每次迭代中，基于地震事件的一个子集，采用mini-batch算法进行分析。

图1  200 km深处的各向同性VS分布（黑色虚线表示克拉通根）

1. 滴落的克拉通岩石圈

SATONA成像结果显示，在200 km深度处，模型能够很好地成像克拉通岩石圈——美国中部和东部广泛区域表现为高S波速度（VS）区域，这显示出了深层克拉通根的地理分布。LAB在S波速度（VS）和P波速度（VP）中都表现为200 km左右深度的速度降低，这一特征十分明显。在LAB以下，存在广泛的高VS异常区，一直延伸至地幔过渡带，这些异常在本研究的数据集与反演策略下可被良好成像。

为了确定这些高VS异常是否源自克拉通岩石圈，将VS和VP异常转换为温度和成分扰动。结果表明，相较于VS，VP在300~500 km深度的异常更弱，这与卡斯卡迪亚（Cascadia）俯冲带中VP异常很强的情况不同，说明这些高VP异常可能具有不同的组成成分。另外，发现高VS区域在所有深度都比背景地幔多20%~50%的克拉通成分。特别是在350 km深度，这些滴状高VS异常区域的成分中位值具有比背景地幔高45%的克拉通成分，表明其具有更“克拉通”的成分特征。研究认为，这些成分异常显著、温度略低的高波速体可能是源自岩石圈深部的“滴落物”，并将其称为“滴落异常体”（dripping anomaly）。

图2  滴落的克拉通岩石圈。（a）、（b）不同纬度高速滴落异常体的VS扰动剖面；（c）300~500km深度的平均VS扰动，灰色虚线为克拉通根，黑色虚线为在此深度范围明显存在高速滴落体的区域；（d）、（e）350 km深处经转换后的滴落体组分和温度扰动图

2. 深部板块诱导的滴落作用

本研究提出一个新的机制，即深部的法拉隆板块可能是滴落作用的主要驱动因素，尽管它目前位于下地幔中，与地表并不相连。为评估法拉隆板块的动力学影响，研究人员使用地幔流动建模方法，计算了两种不同密度结构下（包含法拉隆板块的地幔和不包含法拉隆板块的地幔）的地幔流动情况。

图3  法拉隆板块俯冲引起的地幔流。（a）法拉隆板块存在时，深度300~500 km范围的径向流速；（b）驱动地幔流的输入密度异常的横截面；（c）、（d）与（a）、（b）相同，但基于没有法拉隆板块的输入模型

结果显示，大规模的地幔流动受法拉隆板块强烈控制，其牵引来自东部、西部和北部的浅部地幔物质向滴落区域流动，在滴落区域，这些地幔物质向下流动。只有在模型中包含法拉隆板块时，才预测出这种大范围流动；在不包含时，这种流动则消失。法拉隆板块可能在距下沉点3000多公里宽的范围对水平地幔流动产生影响，与之相关的剪切流可能侵蚀克拉通底部，并造成物质损失。

由于滴落物质的成分比周围地幔更具克拉通特征，它的有效负浮力可能被削弱。为评估法拉隆板块驱动的流动是否足够强大，能将这些物质向下牵引，研究人员将SATONA模型中的VS异常与全球层析模型结合，以估算不同密度异常对流动的影响。在一个极端情形中，研究假设滴落体的密度与速度负相关，即它们具有正浮力。虽然在这种假设下，滴落速度明显减慢，但仍观察到该区域存在向下的地幔流。这部分原因在于法拉隆板块驱动的强烈水平地幔流持续汇聚到滴落区域。因此，一旦岩石圈物质开始运移，即使其浮力接近中性甚至略为正，也可被板片牵引，向下进入深部地幔。

3. 克拉通减薄的复合过程

克拉通岩石圈的减薄不仅受深部板块牵引（如法拉隆板块）驱动，还依赖于克拉通底部的事前弱化。深部板片在下地幔中的下沉引发大规模水平地幔流，能够“活化”并下拉克拉通底部物质，形成“滴落”现象。这一过程的发生需要克拉通底部具备较低的力学强度。地质和地震学证据显示，克拉通通常存在双层结构，其中下层更易发生变形，显示出较弱的力学稳定性。

过去的俯冲活动还可能通过释放挥发物来促进软流圈对流，并进一步削弱岩石圈。当俯冲板片进入MTZ时，由于脱水或脱碳反应，会释放出挥发性物质。这些挥发物随后可能因俯冲引发的极向流（poloidal flow）上升，或者因含水相分解和重新氧化作用而进入上部地幔，进而降低软流圈的整体粘度，甚至在LAB下方形成含水的碳酸熔体，进而形成“熔体池”（melt pond）。

另外，历史上克拉通边缘的火山活动（如金伯利岩的存在）也佐证了此类富挥发物质的存在。同时，过往的地幔柱活动和热点轨迹可能在克拉通下方造成弱化。综上，研究人员认为，在深部具成分差异性的克拉通岩石圈正被板块诱导的地幔流所牵引而滴落。滴状物之间约60℃的微小温差表明，它们可能来自克拉通底部，该底部可能因上述过程而被削弱。这些底部物质不断被板片引发的水平流动夹带、移动，并聚集在滴状物区域，然后它们跟随向下的地幔流到达更深处。

图4  北美克拉通减薄过程示意图。（a）连续的、由板块诱发的克拉通改造过程；（b）深部板片引发的岩石圈滴流

来源：Hua J, Grand S P, Becker T W, et al. Seismic full-waveform tomography of active cratonic thinning beneath North America consistent with slab-induced dripping. Nature Geoscience, 2025: 1-7.

主送：中国地震局领导

编发：中国地震局地震预测研究所