本期概要

1、基于GIS-AHP综合评估阿曼马斯喀特市住宅建筑的地震脆弱性和风险

本研究构建了一个融合地震、岩土、结构、环境与社会经济等多维指标的GIS-AHP综合评估框架，对阿曼马斯喀特地区开展地震脆弱性与风险微区划。结果识别出五个风险等级区域，揭示工业区与居民区混杂显著加剧次生灾害风险。该成果为阿拉伯地区首例系统性城市地震风险评估。

2、火星600公里固态内核的地震探测

通过分析“洞察号”火星地震数据，研究人员首次确认火星存在半径约613±67公里的固态内核，并识别出PKKP和PKiKP等关键震相。内核边界P波速度跳变约30%，表明轻元素（如硫、氧、碳）富集。该发现为理解火星热演化、磁场消失机制及行星内部动力学提供了关键约束。

3、用于稳健区分地震和爆炸的不确定性感知深度学习方法

针对传统深度学习模型过度自信的问题，研究开发了BCNN和DropCNN两种不确定性感知模型，用于地震与爆炸事件分类。模型在保持高精度的同时，能对低信噪比或分布外样本输出高不确定性值，从而自动触发人工复核。该方法显著提升分类可靠性，为地震编目与核爆监测提供可信赖的智能工具。

基于GIS-AHP综合评估阿曼马斯喀特市住宅建筑的地震脆弱性和风险

来自阿曼卡布斯苏丹大学地震监测中心的研究人员联合其他学者提出了一个用于评估阿曼首都马斯喀特Al-Seeb地区居民区地震脆弱性和风险的前沿框架。研究人员基于包含地震、岩土、结构、环境和社会经济参数的丰富数据集，运用基于地理信息系统（GIS）的层次分析法（GIS-AHP），绘制了主题脆弱性地图。这些地图被系统地整合后，生成了综合风险矩阵。研究发现，鲁塞尔（Rusayl）工业区由于工业设施和加油站聚集在人口稠密区附近，加剧了灾害的发生概率，因此成为关键热点地区。物理脆弱性模式在很大程度上反映了岩土特性，但进一步受到城市密度和基础设施质量的影响。研究人员为每个网格单元推导出一个风险指数，从而绘制出详细的微分区地图——Al-Seeb地区被划分为五个不同的风险区域。像Al-Hail North这样的中心城区和Old Al-Khoud的部分地区属于最高脆弱性类别，而Al-Mawaleh North的部分地区则呈现出高风险和极高风险的混合状态，这主要是由于基础设施老化和改造不足导致。有趣的是，Al-Maabilah表现出结构韧性的迹象，60%的建筑物受到轻微损坏，只有20%受到重大影响。由此生成的强大数据库为政策制定者、规划人员和利益相关者提供了重要见解，可作为明智决策的战略工具。该研究成果与阿曼2040愿景高度契合，并直接有助于实现联合国可持续发展目标中概述的可持续与抗灾城市发展目标。针对以往研究的不足和滞后，该研究是阿拉伯地区首例此类研究，对建立可持续、有韧性的阿曼社会做出了重大贡献。相关研究发表在2025年8月的Scientific Reports。

全球每年都会发生重大地震，灾后城市环境的恢复力变得越来越具挑战性。阿曼Al-Seeb地区拥有住宅区、商业办公楼和旅游景点，人口十分稠密。为了确保像Al-Seeb这样的城市地区的安全和可持续性，实施稳健、前瞻性的城市规划和风险评估势在必行。建筑材料的选择和建筑工程原理对地震期间的潜在破坏有着重要影响，公用事业管线（如电网）的布置和协调直接决定震后受损程度和经济损失。同时，医院和消防站等基本设施的存在对于救援和医疗援助至关重要。为全面了解城市住宅建筑面临的风险，必须综合考虑多种风险评估标准。此前，沙特阿拉伯、阿联酋、伊朗和土耳其等国已开展研究，应用GIS-AHP方法整合地质、岩土和地震参数，进行了地震微分区。然而，许多此类研究在分析中缺乏结构脆弱性指标、暴露要素和震后恢复因素。

研究人员引入了一个全面创新的框架，将层次分析法（AHP）与基于GIS的空间分析相结合，以评估马斯喀特Al-Seeb地区的地震脆弱性。研究综合考虑了六大类指标：地震、岩土、物理、结构、环境与社会经济要素，通过多准则决策分析对其进行加权与空间叠加。利用快速视觉筛查（RVS）和多源地理数据，研究构建了主题脆弱性图与风险矩阵，进而生成了详细的地震微区划图。

1. 多准则脆弱性评估

AHP是一种广泛采用的多准则决策分析方法，首先需定义脆弱性主题与子主题，在确定主题与子主题后，需要对它们进行系统的成对比较，以确定相对重要性。最后，检验成对比较判断的一致性，以确保权重结果的可靠性。

地震脆弱性评估表明，地图上从西南部（脆弱等级极低）向东北部逐渐过渡至低、中、高脆弱等级。值得注意的是，在Al-Seeb海岸附近存在局部的高地震脆弱性延展区域。

岩土脆弱性评估表明，Al-Seeb西部区域的岩土脆弱性较高，而东部区域表现出低至极低的脆弱性。然而，在某些特定区域，仍可观察到局部的极高岩土脆弱性，这些现象通常与不良的地质条件、地形起伏或潜在地震活动有关。

图1  基于地震相关参数的地震脆弱性地图

基于物理参数的脆弱性评估主要包括靠近危险设施（如加油站）的脆弱性和靠近关键生命线设施（如消防站）的脆弱性两个方面。结果表明，北部与东南部区域的脆弱性梯度最为显著，暴露度高，风险集中。向Al-Maabilah西北延伸的鲁塞尔（Rusayl）工业带表现出极高的风险聚集现象，这主要源于工业设施和加油站在高密度居民区附近的集中分布，使得危险源与人口聚集区之间的距离极短，从而加剧了潜在的次生灾害风险。同时，与重要设施的距离表明，该区域的应急响应能力并不均衡。

研究将Al-Seeb区划分为十个功能区，分析结果揭示了Al-Seeb各区域在资源配置与基础设施建设方面存在的不平衡，凸显了差异化干预的必要性。基于“重要设施可达性”的物理脆弱性综合图显示，研究区中超过一半的区域可在约2756~3843 m的范围内获得基本服务。其中，Al-Maabilah工业区与关键设施的空间分离度最大。

对岩土与物理两类主题的对比分析发现了脆弱性分布的显著差异，这种差异体现了地质条件与城市建成环境的双重影响。综合来看，岩土脆弱性具有更强的决定性特征，而物理脆弱性则具有更强的动态性，受城市规划、建筑质量及防灾措施等人为因素的影响较大。

研究区存在各种类型和用途的建筑，结构脆弱性的空间分布表明，整体脆弱性存在地区差异，这强调了有针对性的城市规划与基础设施升级的重要性，尤其是在历史发达或工业化区域，其结构脆弱性更为明显。

环境脆弱性主要通过NDVI（归一化植被指数）的空间分布来反映。结果表明，工业区与快速城市化区域呈现混合模式，发展压力可能正在减少自然土地覆盖，使这些地区进一步面临环境脆弱性。Wadis（干河谷）网络在干旱地区的可持续城市规划中具有核心地位，它不仅能控制洪水，还能促进地下水补给与生态平衡，保护低降雨但暴雨频发地区的环境安全。

图2  综合地震脆弱性地图

社会经济脆弱性评估表明，Al-Seeb地区呈现出多样化的社会经济格局：一方面存在如Muscat Hills等高收入社区，居民生活水平较高；另一方面，诸如Al-Mawaleh与Old Al-Khoud等区域以中低收入群体为主，基础设施较为有限。

在研究的最终阶段，通过叠加各主题的结果，直观地揭示了多维度脆弱性的空间聚集特征。这为综合识别高风险区提供了依据，有助于制定差异化的减灾策略和城市规划决策。

2. 多准则风险评估

图3  综合地震风险矩阵

同时考虑地震脆弱性与岩土脆弱性对于全面理解风险分布具有重要意义，只有如此，方可揭示地面条件和地震灾害如何与各种类型的脆弱性相互作用并放大这种作用。依据风险矩阵（地震脆弱性和岩土脆弱性为一级脆弱性，其他脆弱性为二级脆弱性），为研究区每个网格单元计算了综合风险指数，从而将Al-Seeb地区划分为五个风险等级，揭示出Al-Seeb地区风险分布的空间差异性：核心城区的高风险区域亟需土地利用政策与基础设施的紧急优化；外围区域则应维持现有的地质稳定性与可持续发展策略，并加强地震灾害防范意识。此外，不同地区建筑损坏比例的对比结果表明，在高风险区域开展有针对性的加固与改造工作对降低地震脆弱性至关重要。

图4  地震风险微区划图

与全球其他城市的地震微区划研究不同的是，Al-Seeb的风险特征更突出地体现了“靠近危险工业设施”这一影响因素，而此类因素在传统微区划研究中往往被忽视。由于Al-Seeb的土地利用模式中，工业区与居住区高度混合，该因素成为造成风险差异化的关键。与国际研究相同的是，该研究通过GIS-AHP多准则方法将多维灾害因子进行集成，实现了脆弱性格局的全面空间化表达，从而为差异化防灾策略提供了有力支持。

来源：Ansari A, El-Hussain I, Deif A, et al. Integrated GIS-AHP based assessment of earthquake vulnerability and risk for urban residential buildings in Muscat, Sultanate of Oman. Scientific Reports, 2025, 15(1): 31995.

火星600公里固态内核的地震探测

对于岩石行星，固态内核的存在对内核的组成和热演化以及行星的磁场历史具有显著影响。地球物理观测已经证实，火星核至少部分是液态，但部分是否为固态尚不清楚。研究人员通过深入分析美国国家航空航天局“洞察”号（InSight）探测器记录的火星地震数据，首次确认火星内部存在一个半径约600 km的固态内核。研究确定了两个震相，即深核穿透相PKKP以及内核边界反射相PKiKP，由此表明了固态内核的存在。反演分析将火星内核的半径限制在613±67 km，内核边界（ICB）的压缩波速跳变约为30%，这一结果得到内核其他相关震相的支持。这些特性意味着内核中集中了与外核成分不同的轻元素，这些元素通过结晶与外核分离。该发现为理解火星的热状态和化学状态提供了一个关键锚点。此外，内核形成与火星磁场演化之间的关系，或许能为理解行星体内部发电机的产生提供新的见解。相关研究发表在2025年9月的Nature。

内核（IC）的存在对行星演化至关重要，其增长直接影响行星的热状态和地球动力学过程。行星内核的物理状态和大小反映了其热量和成分特性。地球的内核结构已经明确，但其他行星的内核尚未得到确认。火星的核结构可能与地球大不相同，因为它们有着不同的磁场历史。尽管火星古老的地壳被强烈磁化，但当前火星缺乏全球性发电机场，表明火星过去的磁场发电机活动已经停止。同时，发生在火星核（简称火核）中的过程（包括潜在的结晶）及其对磁场的影响仍然不清楚。

大地测量观测排除了火核完全为固态的可能性，宇宙化学数据和“洞察”号火星探测任务的最近发现表明，火核可能是液态的。同时，低密度液态核的发现，意味着火核中除了硫外，还含有轻元素，如碳、氧和氢等，这提高了在火核条件下发生结晶的可能性。然而，火星是否拥有固态内核仍然没有答案。

幸运的是，“洞察”号探测任务获得的短距离地震数据提供了检验火星是否存在固态内核的机会。火星的地震波数据，包括地表反射波和核幔边界反射波等，它们提供了独特的机会来分析火星内核的深层结构，进一步揭示火星与地球在核演化方面的差异。

研究人员通过分析火星“洞察”号探测器获得的地震数据，确认火星拥有一个固态内核，并进一步探讨了火星内核的结构、成分和物理特性。分析过程中，利用阵列分析法生成波形数据，并通过反演计算火星内核的尺寸和物理特性。之后，通过对地震波的走时差和慢度的分析，精确反演出内核的尺寸和波速。

图1  不同火核震相的传播路径。（a）无内核的模型；（b）有内核的模型；（c）用于速度谱分析的火星地震位置（白色圆圈）、两次撞击事件（红色圆圈）、四次远距离事件（紫红色和蓝色圆圈）和“洞察”号地震仪（红色三角形）

1. 火星内核相的证据

为了更好地捕捉弱的核相并减少来自地幔相的干扰，研究利用了大量的火星低频地震数据。通过波形或包络数据的阵列分析，生成了倾斜叠加速度谱（vespagram），从而有效地分离出不同震相。

尽管通过单站定位火星地震存在较大的后方位角误差，但震中距离较为精确。同时，将P波作为参考相，相对较小的深度不确定性对核相的走时和慢度影响较小。通过极化波形、时域包络分析和频率相关的极化分析，进一步验证了核相的存在。分析表明，PKKP相的到达时间比液态核模型预期的早，这暗示火核可能具有较大的速度梯度或存在固态内核。

之后，在PKiKP相（固态内核标志）的分析中，发现其存在一个明显的到达时间，约在P波后604±2秒。对单个事件的自举（bootstrap）测试和波形分析证实了PKiKP相的稳健性。此外，PKKP和PKiKP波具有相反的极性，振幅比为0.5，符合理论预测，进一步支持了固态内核的假设。

图2  火星内核相的识别

2. 火星内核结构反演

通过测量穿越固态内核的PKKP、内核边界所反射相PKiKP和外核过渡相的走时，可以反演出火星内核的大小和速度。该研究重点是反演火核的P波速度，而不是进行完整的火星速度结构反演。为了减少地幔结构的影响，研究测试了多种地幔模型，结果一致表明地幔结构的联合反演对最终火核模型的影响较小。此外，研究采用核相和P相之间的差分时间，而不是绝对走时，可以减少可能的位置误差带来的影响。

结果显示，固态内核的半径平均为613±67 km。然而，三维地幔结构或外核速度的不确定性可能会增加所估计内核大小的不确定性。从有限的核相测量中得出的地震核模型可能面临很大的不确定性，但研究反演得到的火星外核半径（平均为1799 ± 66 km）与参考文献一致。

图3  火星内核地震速度反演

3. 内核模型的更多证据

在反演过程中，研究排除了来自超过反演范围的内核震相，以避免地幔异质性对走时的影响。研究评估了固态内核模型对这些震相的预测效果，通过分析三个事件，发现它们在预测时间的±10秒内出现了明显的PKiKP相。同时，观察到P′P′r_df相在更广泛的震中距离范围内存在。已有研究表明，若存在高速的固态内核，P′P′r_df可能会更早到达并延伸至更远的距离（与没有内核的模型相比）。

此外，从速度谱中识别出了来自内核边界的底部反射——PKIIKP相，其振幅只有PKKP的一半。研究还通过分析PKKP与PKiKP的振幅比来约束火核的密度变化，结果发现，类似于在地球中观测到的、可能存在的内核各向异性和散射体可能影响内核边界密度跳变（density jump）分析时的准确性。

4. 对火核成分和动力学的影响

研究识别出的火星内核半径约为火星半径的0.18倍（与地球的0.19倍类似），这确认了火核中结晶的存在。通过反演得到的P波速度和密度跳变，研究人员进一步约束了火核的组成。结果表明，纯固态Fe-Ni（铁镍）内核无法解释观察到的内核特性，内核中必定含有大量轻元素（如硫、碳、氧和氢）。尽管氢可能存在，但其大量存在会显著降低铁的熔点，可能会抑制固态内核的形成。因此，分析模型主要关注硫、碳和氧。

图4  地球与火星内部结构对比

根据实验结果，含有12~16 wt%硫、6.7~9.0 wt%氧和不超过3.8 wt%碳的模型更能解释火星的固态内核结晶。这些模型预测的内核边界处的密度和速度跳变与观察数据一致，并且内核的速度也与观测值匹配。

尽管火核的温度尚不确定，但Fe-O-C-S系统的液相线表明，即使火核温度比当前估计高10%，FeO仍能结晶形成固态内核。然而，鉴于火星内核条件下对轻元素分配、弹性和熔融行为的限制有限，其他成分情景仍然存在可能性，应在未来的分析中予以考虑。研究还表明，尽管火核可能曾结晶并驱动过早期的热对流发电机作用，但目前由于结晶过程过慢或晶体的形成缺乏密度差，火星不再具备驱动今天地球型对流发电机的能力。

进一步的研究需要提升对火星核的组成和地幔粘性的理解，以揭示火星内核的形成及其对发电机机制演化的影响，这对于理解其他行星体（如水星、木卫三）的发电机作用也至关重要。

来源：Bi H, Sun D, Sun N, et al. Seismic detection of a 600-km solid inner core in Mars. Nature, 2025, 645(8079): 67-72.

用于稳健区分地震和爆炸的不确定性感知深度学习方法

可靠的地震事件分类对于精确的地震编目和稳健的灾害评估至关重要。最近，深度学习技术利用其卓越的特征自动提取和识别能力，在地震事件识别方面取得了巨大成功。然而，现有的地震分类深度学习方法完全依赖于确定性模型，这些模型无法量化结果不确定性，从而阻碍了对可靠性评估至关重要的预测置信度的估计。为了解决这个问题，研究人员基于DiTing 2.0人工智能训练数据集，开发了两种用于地震（EQ）与爆炸（EP）分类不确定性感知的深度学习模型：贝叶斯卷积神经网络（BCNN）和基于dropout的卷积神经网络（DropCNN）。同时，研究还建立了一个传统的确定性CNN，以作为比较分析的基准模型。实验结果表明，BCNN和DropCNN都能达到与传统CNN相当的分类精度，同时为预测置信度估计提供了额外的不确定性指标。至关重要的是，在遇到错误分类或分布外的样本时，它们的不确定性分数显著增加（与正确分类相比），从而能够根据不确定性阈值设置自动拒绝不可靠的预测，从而触发人工验证或其他判别方法。之后，研究人员将训练好的模型应用于DiTing 2.0数据集，以分析其中的可疑爆炸事件。BCNN和DropCNN的结果表现出很强的一致性，一致地识别出79个爆炸事件和2个地震事件，并将其余样本标记为不确定类别，以便进一步验证。该研究结果表明，结合不确定性估计的深度学习方法不仅在地震事件识别中保持了高精度，而且还提供了不确定性估计。这种能力显著提高了模型在实际应用中的可靠性和决策价值。相关研究发表在2025年10月的Geophysical Journal International。

近几十年来，地震观测网络性能显著提升，不仅能监测到更多自然地震，也能探测到矿山爆破、坍塌及列车运行等引起的非自然地震活动。准确区分自然与人为事件对地震灾害评估至关重要。地震事件识别方法的发展始于20世纪50年代。现有自动化方法主要分为基于震源参数和基于波形特征两类。前者利用P波初动、破裂方向及震源机制等信息进行分类，物理机制清晰，但计算量大；后者则通过深度学习方法从波形中提取特征，进行分类。

为表征深度学习模型的认知不确定性，常用两种方法：一是蒙特卡罗（MC）暂退（dropout）取样，在训练与推理中进行神经元的随机丢弃，近似于概率性的深度高斯过程；二是贝叶斯神经网络（BNN），将权重表示为概率分布，可反映分析的不确定性。BNN能输出预测结果及其不确定性，提升模型可信度。虽然BNN已被应用于震源定位和震相分析，但尚未用于地震事件分类。

该研究旨在解决用于地震事件分类的深度学习模型的过度置信问题，也称为认知不确定性缺乏。为此，研究人员基于DiTing 2.0数据集（来自中国国家地震科学数据中心）训练了两个神经网络，即DropCNN和BCNN，以估计分类不确定性。然后，比较了这两个模型所估计不确定性的差异，同时还建立了一个确定性CNN，以进行比较。

图1  所选波形中震中距（a）和震级（b）的分布

整体而言，研究基于DiTing 2.0数据集开发了三种深度学习模型（CNN、DropCNN和BCNN），用于区分地震和爆炸。CNN是确定性的，而DropCNN和BCNN都是概率模型。提供两种推理模式：一种是与CNN的纯分类输出类似的模式（无不确定性模式）；另一种是额外提供不确定性估计的模式（不确定性感知模式）。重要的是，这三种模型都实现了相当的分类准确率，并且DropCNN或BCNN在不确定性感知模式下的性能与在无不确定性模式下的性能或与基准CNN的性能相比，均没有下降。

在保持分类准确率的同时，DropCNN和BCNN都能提供对认知不确定性的额外估计。这不仅增强了模型的可解释性，还使它们能够拒绝分布外数据的不确定分类，从而显著提高其可靠性。虽然不确定性估计已应用于地震学中的地震定位和震相分类等任务，但仍然缺乏针对地震事件分类中模型过度置信问题的稳健解决方案。该研究结果支持前人的发现，即softmax函数的输出值不能解释为模型置信度。这凸显了不确定性量化方法的必要性，例如在DropCNN和BCNN中所实现的。

图2 （a）网络架构和（b）CNN（顶部）、DropCNN（中间）和BCNN（底部）的图例

为了评估模型的泛化能力，研究使用北美东部边缘社区地震实验数据集（ENAM）的陆上部分对它们进行了测试。由于数据集中没有P波到达注释，研究人员手动识别清晰的P波相位并丢弃模糊波形，得到124个可用的爆炸记录和410个地震记录。对数据进行预处理后，研究测试了基准CNN、BCNN和DropCNN模型的表现。基准CNN的准确率达到74.72%，而BCNN的准确率达到75.47%（无不确定性模式）和76.03%（不确定性感知模式），DropCNN的准确率达到78.45%（无不确定性模式）和77.15%（不确定性感知模式）。与在DiTing2.0测试集上的表现相比，这三个模型的准确率均显著下降。虽然BCNN和DropCNN在ENAM数据集上的表现略优于基准CNN，但贝叶斯卷积层和Dropout层在泛化能力方面仅有微小提升。提升泛化能力的潜在解决方案可能包括将物理机制特征与网络相结合、扩展数据多样性或使用基于物理信息的神经网络。

图3  混淆矩阵：（a）DropCNN（p=0.1）和（b）无不确定性模式下的BCNN；（c）DropCNN（p=0.1）和（d）不确定性感知模式下的BCNN

通过对BCNN和DropCNN模型分类结果的不确定性进行统计分析发现，BCNN的不确定性估计通常高于DropCNN。理论上，这两个模型在预测中都考虑了认知不确定性。研究人员将BCNN较高的不确定性估计归因于两个因素。首先，DropCNN模型使用固定的确定性参数，即dropout在预测过程中随机停止某些神经元的激活，而不会修改权重参数。因此，DropCNN的不确定性完全源于随机特征抑制。其次，BCNN模型在预测过程中从权重参数的后验分布中采样，这会在所有后续神经元激活中引入变化，从而有效引起模型级别的扰动。

对BCNN和DropCNN模型均产生错误分类的几个案例的分析发现，低信噪比信号显示出模糊的波形特征，即使是专家判断也难以识别。一些地震事件被错误地归类为爆炸事件，因为它们显示出类似爆炸的脉冲起始特征；而某些爆炸事件被错误地识别为地震事件，因为它们表现出地震事件特有的P/S振幅比。目前，这些发现背后的确切机制尚不清楚。但值得注意的是，虽然两个模型都错误地分类了这些样本，但它们始终为这些分类赋予了较高的不确定性值。这表明了一种潜在的可靠性增强策略：设置不确定性阈值来标记需要人工审核的案例。其中的最佳阈值需要根据所承担任务的要求进行仔细校准。

图4  CNN（a）、DropCNN（b）和BCNN（c）中典型地震的Grad-CAM测试

在使用训练好的模型验证DiTing 2.0数据集中的疑似爆炸事件时，研究人员在预定标准下实现了BCNN和DropCNN在事件分类方面的强一致性。两个模型不仅得出相同数量的确认事件（79个地震事件和2个爆炸事件），更重要的是，它们在具体事件识别上完全一致。这表明，将疑似爆炸事件分类为地震或爆炸事件的结果具有很高的置信度。该研究使用这些分类结果作为伪标签，通过重新标记样本迭代扩展了训练集。这一策略显著增加了数据集的大小，并且在半监督学习中是有效的。

虽然BCNN和DropCNN模型都能提供预测结果及相应的不确定性，但计算时间成本也是一个需要仔细考虑的关键因素。实验结果表明，在无不确定性模式下，BCNN、DropCNN和CNN模型的推理时间大致相似。然而，在训练模式和不确定性感知模式下，BCNN模型的计算时间明显长于DropCNN和CNN。综合考虑计算效率和模型估计分类不确定性的能力，DropCNN是一个均衡的选择，其不确定性估计能力介于BCNN的综合不确定性估计能力和CNN的计算效率之间。

来源：Zhang Y, Li X, Zeng X, et al. Uncertainty-aware deep learning methods for robust discrimination between earthquakes and explosions. Geophysical Journal International, 2025, 243(1): ggaf303.

主送：中国地震局领导

编发：中国地震局地震预测研究所