本期概要
1、跨学科综述：融合人工智能和地球物理见解进行地震预报
针对地震预报可靠性不足难题，该研究综述了人工智能与地球物理知识融合进展。提出整合多源前兆数据、优化损失函数及评估指标，构建基于物理信息的人工智能预报模型。强调跨学科合作，为提升预报准确性提供新路径。
2、2024年花莲7.3级地震前的无震滑移和地震群
研究人员通过分析2024年花莲7.3级地震前2000-2024年的重复地震与震群序列，发现2021年起无震滑移加速，并在最终的2024年破裂中累积了约30 kPa的正应力。揭示超压流体与深部断层蠕变共同作用促成主震触发。无震过程应纳入碰撞断层系统地震危险性模型，为灾害评估提供依据。
3、利用单台闭路电视摄像机直接估算地震震源特性
该研究利用 2025 年缅甸 7.7 级地震近距离闭路电视视频，直接测量断层滑移速率函数，获取局部滑移持续时间 1.4 秒、累计滑移 3 米。验证滑移脉冲弹性动力学破裂模型脉冲式破裂模型，为地震震源物理研究提供地面实测约束，开创视频监测新途径。
跨学科综述：融合人工智能和地球物理见解进行地震预报
地震预报是最艰巨的科学挑战之一，因为目前的方法不足以提供足够的可靠性，以产生明确、切实可行的社会效益。传统模型主要基于过去的地震活动和地质力学数据，难以捕捉地震模式的复杂性，往往忽视了地球物理异常、地球化学异常和大气异常等有价值的非地震前兆。将这些多样化的数据整合到预报模型中，再加上人工智能（AI）技术的进步，将为地震预报提供一条充满希望的路径。
研究人员论证了将AI与地球物理知识相结合，以创建稳健的、基于物理信息的预报模型的重要性。他们探讨了当前的AI方法、输入数据类型、损失函数以及模型开发的实际考虑因素，以为地球物理学家和AI研究人员提供指导。将专业的地球物理知识融入AI模型，有望克服数据不平衡和时空聚集带来的局限性。
该研究强调跨学科合作的重要性，建议地球物理学家对AI架构进行深思熟虑的实验，并鼓励AI专家加深对地震学的理解。通过连接这些学科，可以开发出更准确、更可靠、更具社会影响力的地震预报工具。相关研究发表在2025年11月的Earth-Science Reviews。
尽管地震预报研究已持续数十年，但现有方法难以提供可靠、可操作的成果。传统模型主要依赖历史地震与地质力学数据，受制于地震过程的复杂性与随机性，到目前为止，预报结果改善有限。这些方法忽视了关键的地震前兆，为突破局限，学界逐渐重视将非地震与非力学信息纳入预报模型。
多源数据融合能够为地震活动的理解提供一个整体视角，然而，这些数据庞杂且关联复杂，传统统计方法难以有效处理。AI凭借强大的数据挖掘与模式识别能力，可整合多维信息、捕捉细微规律。将AI技术与地球物理知识深度结合，不仅可提升预测准确性，还能揭示地震前兆和机理。研究人员探讨了AI技术在地震预报中的应用，重点关注AI与地震学知识结合的潜力。
1. 地震预报
地震预报涉及地震目录、模型定义、检验评估等方面。地震目录记录地震的起源时间、经纬度、深度和震级，确保数据一致性尤为重要。其中，定位误差直接影响震群分析和时空预报的准确性，必须根据网络几何与速度模型进行修正。
“预测”（prediction）与“预报”（forecast）有所不同，预测聚焦于单次事件的精确确定（如时间、地点、震级），预报侧重估计一定时空和震级范围内的地震发生概率。相比而言，预报的要求更温和且更易实现，进而使其成为备灾和减轻风险的更为实用的工具。
明确的参数、客观的标准和先验数据的使用是检验地震预报模型的三个关键原则。严格的前瞻性或伪前瞻性检验对于评估地震预报模型的实际效用至关重要，回顾性检验只有以无偏见的方式进行，才能获得可靠见解。流行型余震序列模型（ETAS）是统计地震预报（statistical earthquake forecasting）的金标准，可用于检验基于AI的地震预报模型。
2. AI算法在地震预报中的应用
传统的机器学习模型，如决策树、支持向量机、K近邻、朴素贝叶斯、多元回归、混合回归等，已被用于地震数据分析。深度学习方法，尤其是卷积神经网络（CNN）和循环神经网络（RNN）以及混合模型，因其在处理时空复杂数据方面的优势，逐渐成为地震预报的重要工具。这些算法通过自动学习数据中的复杂模式，提高了预报准确性。
此外，神经点过程（NPP）模型被认为是突破性的创新，具备更强的灵活性和特征自动学习能力，适用于复杂的非线性问题或高维问题。同时，需要注意的是，许多AI模型面临数据不平衡和时空聚集问题，导致部分研究可能忽略了地震学的基本物理过程。
3. 从地震学视角分析基于AI的地震预报模型
许多AI模型的研究缺少与地震学模型（如ETAS模型）的系统比较，从而使得AI模型在地震预报中的突破性应用变得不确定。现有的AI模型评价往往聚焦于AI算法本身，而忽视了模型的地震学意义和对地震过程的反映。
（1）AI模型的多样性。分析表明，基于AI的地震预报模型在输入、输出、损失函数和评估指标方面存在显著的多样性。这种多样性既反映了研究人员的创造性，也增加了不同模型之间进行有意义比较的难度。标准化输出、数据集和评估指标对促进这些模型的有效发展至关重要。该研究基于先前工作介绍了相关模型和基准框架，为未来研究提供了初步标准。可用于模型比较的基准有两个，一个是ETAS模型，一个是基于全卷积网络（FCN）建立的AI模型。基准数据集EarthquakeNPP可作为地震学和机器学习社区的协作空间，以提高地震的可预测性。
（2）AI模型的输出。AI模型的输出涉及地震的震中位置、发生时间和震级等关键属性。确定性模型认为地震是由强非线性的确定性弹性动力学过程引发的，未来地震可被预测。随机模型将地震视为随机事件，着重预测地震发生的概率。相比而言，随机模型或概率模型更加实际，适应了地震过程的固有不确定性，提供了有价值的概率预测，可帮助制定政策和管理社区风险。
研究人员归纳了基于AI的地震预测/预报模型输出的九大主要类别及二十个子类别。结果表明，超过三分之二的模型仅专注于预测地震震级或概率。同时，并非所有输出类型都能提供地震四大关键要素（震级、震中、发震时间及震源深度）的完整信息。
图1 不同类型输出的累积频率
（3）AI模型的输入。除了地震的时间、位置、震级、深度信息外，经典统计地震学参数（用于描述地震时空变化）在基于AI的地震预测模型中的应用比非地震类参数更为频繁。在调查的142项研究中，115个仅使用地震类参数作为输入，8个仅使用非地震类参数（如地震电信号、氡浓度变化）作为输入，19个同时使用地震类和非地震类参数作为输入。
作为基于AI的地震预测模型的输入，应严格遵守模拟真实地震预测的原则。所以，应该只使用到预测时刻为止的可用历史数据。模型的输入涉及各种地震特征，为了解各种特征对预测的贡献，研究建议计算夏普利值（shapley value）、开展消融实验来评估它们的重要性。
（4）损失函数。损失函数不仅决定了网络的优化策略，还定义了模型的预期学习内容，不同的损失函数可能会导致同一网络的训练结果大不相同。现有的基于AI的地震预报模型主要借鉴了图像分类领域的原理，然而，图像分类中正负样本的比例通常保持平衡，而地震样本高度不平衡，负样本的数量远超正样本，且正样本（地震）在时空上表现出强烈的聚集性。因此，将地震预测视为一个简单的二元分类问题过于简单化。在这种情况下，使用交叉熵作为损失函数，同等对待假阳性和假阴性结果，会造成训练过程中的不平衡。
简而言之，损失函数在基于AI的地震预报模型中的作用和重要性在很大程度上被低估了。研究建议修正损失函数，以提供一种将领域特定知识直接融入优化过程的方法，未来应优先开发专为地震预测任务而设计的高级损失函数。通过不断完善损失函数并整合更深入的领域见解，将可使模型更好地捕捉地震活动的复杂动态。
（5）评估指标。对基于AI的地震预报研究的调查表明，评估指标的选择与输出类型直接相关。对于预测地震发生的输出类型，通常会选择为分类任务设计的评估指标，对于地震震级预测等回归任务，通常使用均方误差（MSE）、平均绝对误差（MAE）等特定指标。
地震表现出明显的时空特征，使得许多流行的AI评估指标不适用于地震预测模型。为了解决数据不平衡问题，AI社区开发了诸如敏感性、特异性等评估指标，旨在减少样本不平衡的影响。但是，仍然需要专门针对地震预测任务的独特特征制定评估指标，整合地震学和AI的见解，以确保进行有意义的性能评估。
4. 间接预测方法
间接预测方法通过关注地震前的物理或化学预兆，提供了另一种可提供地震警报的思路。这些研究旨在检测与地震相关的非地震性警报信号，主要的间接预测方法有两种，分别是背景场方法和直接特征提取方法。前者利用AI构建一个背景场来模拟没有地震活动时信号的正常分布，当观测到的信号偏离背景场，并超过预设阈值时，就标记为可能与地震相关。后者使用AI直接从原始数据中提取与地震相关的特定预兆，尤其是与已知地震相关的信号特征。
5. 展望
（1）将地震预报问题置于AI技术之上。许多研究者过于关注AI技术的复杂性和创新性，而忽视了这些技术旨在解决的核心问题。在很多研究中，人们更多关注如何设计或引入新的学习架构，而缺乏与传统地震学模型的对比。未来的研究应直面问题本身，而非设计愈发复杂的神经网络或没有目的的移植最新的AI技术。
（2）地震数据的特征识别与处理。在训练和评估机器学习模型时，首先必须了解数据集的特征，然后选择适当的损失函数和评估指标。然而，地震数据往往不平衡且具有时空聚集性，如何仔细考虑这些特征，利用AI模型有效地处理数据，是改善预测准确性的关键。
（3）数据质量挑战。干净、完整、及时且具有物理意义的地震活动数据是一种理想化数据，实际观测数据或地震目录远未达到这一要求。二者间的差距可能误导模型开发（常依赖于理想化数据），夸大或扭曲模型的性能评估。只有扎根于地震学专业知识和现实的数据质量，基于AI的地震预报才能为科学进步做出贡献。
（4）下一代地震目录背景下AI的机遇。相对于传统统计地震学模型，机器学习的一个关键优势是，其能够有效处理不完整的、有噪声的数据。这使得下一代地震目录的创建成为可能，将使地震数据的数量和丰富性发生指数级增长。基于规模庞大的数据，利用AI技术将可更有效地分析地震活动的复杂性。
（5）整合AI技术与地震学知识。地震学专业知识与AI技术的结合有望进一步提高基于AI的地震预测模型的准确性、效率和可靠性。研究人员提出了三种策略：①利用专业知识从原始数据中提取关键特征，改善AI模型的表现；②基于地震物理过程设计更好的网络结构；③设计损失函数或优化目标，以融入先验知识。
（6）发现地震活动的未知模式。将AI模型视为独立的“科学家”，利用其计算和信息处理能力，从人类难以分析的庞大复杂数据集中提取未知知识，或修正损失函数，学习超出参考范围的新见解。
总之，将人工智能融入地震预报将通过解决数据复杂性、提升知识整合能力、突破传统限制以及实现实时预测等方式，发挥其变革该领域发展的潜力。随着AI技术的不断进步，它将在完善现有模型和发现地震现象的新见解方面发挥越来越关键的作用。
来源：Ying Z, Congcong W, Didier S, et al. Integrating artificial intelligence and geophysical insights for earthquake forecasting: a cross-disciplinary review. arXiv preprint arXiv:2502.12161, 2025.
2024年花莲7.3级地震前的无震滑移和地震群
了解无震滑移在地震周期中的作用对于评估地震灾害和短期地震预报至关重要。台湾东部的缝合带（菲律宾海板块在此处向欧亚板块下方俯冲）频繁发生6级及以上地震，且无震滑移普遍存在，使其成为研究地震触发过程的理想自然环境。研究人员通过分析24年的重复地震序列（RES）和震群目录，论证了无震形变如何促成2024年4月3日的花莲7.3级地震。研究发现，在纵谷（Longitudinal Valley，LV）北部的震中区域，九个震群中有六个伴随着无震滑移速率的增加，这可以从向西倾斜的中央山脉断层（Central Range Fault，CRF）上的RES得到证实。全球导航卫星系统（GNSS）信号和从RES推导出的滑移速率的加速，以及持续四个月的高扩散率（约5.2 m2/s）震群序列表明，2021年存在一次显著的无震滑移事件，这揭示出了超压流体和深部断层蠕变的共同作用。在此次事件之后，2022年发生了一系列6.0级以上地震，同时，从2023年开始地震活动和无震滑移都逐渐增加。库仑应力模型表明，2021年以来累积的无震滑移和地震滑移在最终的2024年破裂中产生了高达约30 kPa的正应力，促进了断层弱化和浅源地震活动。该研究为无震滑移所诱发应力触发大地震提供了有力证据，并强调了将无震过程纳入碰撞断层系统地震危险性模型的重要性。相关研究发表在2025年10月的Nature Communications。
理解慢滑与常规地震之间的相互作用是增进地震成核过程认识的关键，但是，关于普遍存在的前兆慢滑（触发或抑制大地震）的有力证据仍然有限。台湾的构造变形迅速、地震频发且地震仪器密集，因此成为一个调查地震过程的天然实验室。重复地震序列（RES）和震群是两个互补“指标”，被用于分析台湾东部2024年花莲地震前的无震滑移行为。RES反映局部断层蠕变，对无震荷载的变化很敏感，震群通常反映瞬态无震滑移和/或流体超压，对应力和孔隙压力的细微变化高度敏感。
2000年以来，台湾东部活跃的纵谷（LV）缝合带沿线发生了多次震级大于6级的强震，并表现出复杂的断层相互作用。2024年4月3日，台湾花莲发生7.3级地震，此次地震可能起源于纵谷断层（LVF）。该地震发生后一个月内发生了2次6~7级和25次5~6级余震，表明纵谷断层北部和中央山脉断层（CRF）存在共轭破裂。
研究人员对2000—2024年的RES和震群目录进行汇编后，分别量化了无震滑移速率的变化，分析了震群的迁移和动力学，识别了全球导航卫星系统（GNSS）观测到的慢滑事件，并评估了主震前的地震活动率变化。最后，通过库伦应力变化的累计效应，分析了无震滑移和地震事件的共同作用如何促进2024年7.3级花莲主震的触发。
图1 构造背景、大地震及重复事件。（a）台湾构造背景；（b）2000年以来台湾东部Mw≥6主震的分布；（c, d）25 km宽区域（b图中灰色虚线括号）内的A-A’和B-B’剖面图
RES是一组几乎具有相同波形、震级和位置的事件，代表同一断层区段的重复破裂，较短的重现期意味着周围无震滑移的快速加载。RES分析结果显示，在纵谷南段，最显著的无震滑移速率峰值出现在2003年6.8级池上地震之后，与RES活动率的提升相对应。在纵谷北段，RES活动率一般高于纵谷南段。2019年4月18日6.1级花莲地震之后，CRF的无震滑移加速最为明显。但是，并不是所有台湾东部的大地震都会影响无震滑移，上述无震滑移加速仅限于震源附近。
对震群的分析表明，震群主要分布在5~22 km的深度，与RES的深度（13~22 km）部分重叠。对最长震群序列（序列9，发生在2021年）的分析表现，震群具有双向（向上、向下）迁移特征，且具有很高的扩散率。所有震群的累积地震矩与最大震级、震群持续时间正相关，与b值负相关。在所有震群序列中都观察到了迁移，但未显示出一致的方向性。尽管如此，空间集中的震群显示出标准差更低的扩散率。
震群和M≥6事件可能存在触发关系，而RES加速与M≥6事件之间的联系较为松散。2019年的震群出现在当年6.1级地震后约四个月，在距其南侧约30 km处观测到约10 mm的东向和南向位移，同时，在2021的震群序列中观测到约15 mm的东向位移。研究人员认为这主要是震后形变与无震形变共同作用的结果。对地震滑移和无震滑移的相互作用进行分析后发现，2019年以来CRF被RES和震群活动逐渐激活。
库伦应力模型分析表明，无震事件与地震事件的共同作用很可能在2024年7.3级地震的应力触发中起到了关键作用。最终破裂处的累积库仑应力增加了30 kPa是这一认识的有力证据，而如此程度的应力增加将使地震发生时间大幅提前。此外，加上流体向上运移导致的断层弱化，最终促成了2024年7.3级主震的成核。
图2 从RES推导出的台湾东部的无震滑移速率。（a）2000年以来，CRF上的纵谷北段的RES震级、发生率和滑移速率；（b）2000年以来，LVF上的纵谷南段的RES震级、发生率和滑移速率
在2021年的震群中，研究推断出的扩散率为5.4 m2/s，这需要孔隙压力从约22 km深处快速扩散到近地表。孔隙压力的增加会破坏流体饱和带内已存在的裂缝，从而引发地震。较高的扩散率存在较大的不确定性，变异系数在41 %~57 %之间。尽管扩散速率的简化近似捕捉了大多数触发前沿，但震群事件的时空演化仍然呈现出明显的迁移趋势。
日本东北部和台湾纵谷东北部的震群扩散率都与持续时间负相关，符合幂律关系。该研究推断的扩散速率高于大多数自然震群以及不同构造环境下大多数震群的观测结果，这可能归因于高渗透率环境下无震滑移诱发的应力与流体快速运移的综合效应等。RES反映的无震滑移速率的同步加速以及慢滑的大地测量数据表明，快速迁移不仅需要流体运动，还需要触发地震活动的无震滑移。
区分流体辅助型震群和滑移驱动型震群的一个关键参数是迁移速度。已有研究提出了两种活动模式：慢滑驱动型序列，迁移速度可达每天数十千米；流体诱发型序列，迁移速度为每天数百米。该研究中，大多数向上迁移序列位于两种模式边界附近，表明两种机制均有贡献。因此，必须考虑大量慢滑移（有深部RES证据支撑）对流体诱发过程的促进，这可能导致该研究中震群事件的快速传播。
纵谷北部是一个碰撞-俯冲过渡带，菲律宾海板块最西端在此俯冲到欧亚板块之下，大量地震发生在向西倾斜的CRF。大多数RES和震群都沿CRF分布，表明这两种无震现象在空间上相互联系，在时间上也存在相关性。在2021年中期的震群活跃期间，研究识别出大量低频震群，表明纵谷下方11 km以下存在富含流体的地质体。浅层CRF周围流体的存在与震群位置相吻合，这些流体也可能在剥露过程中释放，在浅层形成动态的构造-热液流体系统，促进无震滑移。另外，更深层的无震滑移脉冲也可能改变孔隙流体压力，促进流体运动。
图3 RES与震群的时空关系。（a）纵谷北部的RES和震群；（b）震群出现前后180天内的无震滑移速率变化；（c）震群的时间演化以及平均无震滑移速率
总之，欧亚板块和菲律宾海板块发生弧陆碰撞而形成的台湾东部缝合带频繁发生大地震和无震滑移，构成了重大地震灾害。对2024年花莲7.3级地震前的无震滑移分析发现，大多数震群发生在纵谷北部的2024年震中区，9个震群序列中有6个与无震滑移的加速相吻合。2021年发生了一次显著的震群事件，表现出双向迁移（扩散率高达约5.2 m2/s）。此事件之后，2022年发生了多次6级以上地震，2023年滑移和地震活动再次增加。这种加速现象不能仅用附近6.1级地震的余滑来解释，表明由于震群和RES的共同作用，CRF被逐渐激活。
应力模型显示，2021—2022年期间的无震滑移和地震滑移在最终破裂处累积了约30 kPa的正库仑应力。这些过程与流体驱动的CRF弱化共同作用，可能促进了浅源地震活动，并促成了2024年主震的发生。这些结果凸显了无震滑移和流体在台湾地震触发和灾害评估中的作用。
来源：Peng W, Chen K H, Bürgmann R, et al. Aseismic slip and seismic swarms leading up to the 2024 M7. 3 Hualien earthquake. Nature Communications, 2025, 16(1): 9066.
利用单台闭路电视摄像机直接估算地震震源特性
估算断层界面滑移的时空演化对于理解地震周期中的地壳变形至关重要。研究人员通过2025年3月28日缅甸曼德勒（Mandalay）Mw7.7地震期间记录到的天然同震破裂，直接测量获得了滑移速率函数。该测量利用了距离断层迹线仅数米远的闭路电视（闭路电视）摄像机拍摄的地表破裂视频。通过直接图像分析，研究人员测量了每个时间步长的相对滑移量，并推导出滑移速率。结果显示，局部滑移持续时间为1.4 s，累计滑移量约为3 m，地表滑移速率在破裂前缘通过时达到峰值，约为3.5 m/s。这些发现表明，记录位置的地震破裂具有脉冲式特征。利用滑移脉冲弹性动力学破裂模型，研究获得了该脉冲的完整力学性质，包括能量释放率。该研究为地震破裂物理学提供了地面实测约束，为验证数值模型和地震演化模型提供了关键基准，并有助于弥补地震科学中长期存在的观测空白。相关研究发表在2025年10月的Science。
由于滑移发生在极端深部条件，通过现场观测估算断层界面滑移的时空演化比较困难，反演建模的分辨率和复杂性又限制了对断层动力学和应力演化的理解。2025年3月28日，缅甸曼德勒附近发生了一场矩震级达7.7级的毁灭性地震，造成了灾难性破坏。美国地质调查局（USGS）推导出的矩源函数（moment source function）表明，破裂传播持续约120 s。此外，这次地震还提供了一个前所未有的科学契机：首次利用距离地表破裂带仅数米的闭路电视摄像机，实时捕捉到了地震断层活动期间的地面形变。这段影像直接观测到了同震地表位移，使人们能够提取特定断层点的滑移时程和滑移速率。
研究人员基于闭路电视影像资料，分析了地震时的视频，通过图像分析技术追踪特征标志物（landmark）的相对滑移，进而获得滑移速率函数。为进一步理解破裂动力学，研究应用自愈滑移脉冲模型，通过反演滑移历史和剪切应力演化，估算了断层的力学特性。
图1 2025年曼德勒地震的位移场、矩率函数和局部滑移速率函数。（A）从哨兵2号光学影像的亚像素相关性得到的南北向位移场；（B）来自USGS和SCARDEC的矩率函数；（C）由USGS有限断层模型推导出的局部滑移速率函数
1. 地震期间局部滑移速率的测量
摄像机安装在断层东侧，大致朝向西南方向。为了估算局部滑移速率，研究人员追踪了断层两侧的几个显著的视觉标志物。主要标志物有3个，一个是位于断层西侧的混凝土或金属柱R0，另外两个是位于道路旁和立柱栅栏后的小杆R1和R2。对于每个标志物，在断层东侧选择了一个附近视觉稳定的参考点：R0′（一个垂直墙）及R1′和R2′（栅栏的立柱）。同时，为了量化断层运动，定义了两条与垂直标志物相交、与断层平行的线，即L1和L2。
测量得到的滑移历史显示，从R0获得的曲线提供了最可靠的估计，这主要是因为运动的开始和停止在视频中均清晰可见。R1和R2估计值的时间和斜率与R0一致。滑移量在约1.4 s内从0 m平滑增加到3 m，之后停止。通过数值微分得到了滑移速率函数，该函数略微不对称，对应的平均滑移加速度为5.8 m/s²，平均滑移减速度为3.5 m/s²。分析表明，滑移持续时间的最稳健估计值为1.4 s。
图2 标志物追踪方法。（A）放大视频帧后的追踪标志物及对应的参照对象；（B）运动追踪图；（C）沿L1测量的R0和R0′的像素位移；（D）沿L2测量的R1、R1′、R2和R2′的像素位移
2. 滑移速率函数的持续时间和形状
局部滑移持续时间（1.4 s）远小于总破裂持续时间（100~120 s）。这清楚地表明，至少在该段断层的表面，破裂具有脉冲式特征，也称为自愈脉冲。就曼德勒地震而言，预计破裂会迅速使发震宽度（seismogenic width）达到饱和，从而在测量位置产生较大的长宽比。在这些条件下，预计会自然出现脉冲式破裂。然而，其他滑移愈合机制也能解释此处观察到的1.4 s的滑移持续时间，特别是薄泥层内孔隙流体的热增压机制——可在破裂尖端后方引发快速的再强化。
滑移速率与大地震期间的同震滑移速率一致。直接测量的断层滑移速率远高于基于远震反演数据的估算值，同时，记录的局部滑移持续时间（1.4 s）远小于反演估计值（16 s，从USGS运动学模型获得）。对破裂过程进行建模存在相当大的不确定性，上述差异凸显了直接观测天然地震期间的滑移过程的价值，未来可将其作为验证和改进大震震源模型的经验基准。另外，在该研究中，平滑后的滑移速率函数呈现出简单的形式，可以描述为一个非对称三角形，加速阶段的持续时间约为减速阶段的60%。
针对III型自愈脉冲，前人研究提出了一种滑移速率函数的解析形式。该形式也被称为Yoffe函数，其特征是无限陡峭的起始段、尖锐的峰值以及斜率可变的长尾。从动态破裂模型推导出的Yoffe函数的正则化形式与该研究观察到的滑移速率函数更为接近，尽管其仍表现出更大的不对称性。
图3 在摄像机位置测量的滑移和滑移速率函数。（A）破裂传播过程中的断层滑移；（B）推导出的滑移速率函数
3. 基于断层滑移速率的动态源参数估算
正如脉冲式破裂预期的那样，研究观察到应力下降之后出现了一个再强化阶段，该阶段持续了约17%的脉冲长度。剪切应力演化对破裂速度的依赖性也符合预期：较低的破裂速度需要更大的强度下降（strength drop，最大剪切应力与最小剪切应力之差），才能与测量的累积滑移量和滑移速率相匹配。
该研究获得了闭路电视数据中观测到的滑移脉冲的完整力学表征。推断的强度下降为5 MPa，应力下降为2 MPa，相应的滑移弱化距离约为2.5 m。这些数值与基于滑移的模型的估计一致，但滑移弱化距离除外。最终，计算得到能量释放率（G）为5.8 MJ/m2。研究人员直接估算了天然断层的局部破裂能Gc，推定G=Gc。这一能量释放率与弹性动力学估算的断裂功（breakdown work）Wb=7.7 MJ/m2处于同一量级。尽管二者相关，但并不等价——对于经历了完全摩擦弱化的破裂，Gc预计小于Wb。
前述Gc值与曼德勒地震的规模和几何形状的预期相符，但远大于断层实验（采用模拟材料或地壳岩石样本）的报告值。这种差异主要归因于推断出的滑移弱化距离较大（与室内地震实验结果相比），然而，该滑移弱化距离与在上地壳应力条件下高速摩擦实验中测得的值相符，并且与大地震的地震运动学反演结果一致。
图4 破裂速率和能量释放率的估算。（A）最佳拟合标度的网格搜索；（B）滑移量（虚线）和滑移速率（实线）的观测值与滑移脉冲最佳拟合模型的模拟值的比较；（C）摩擦强度随滑移量的变化
曼德勒地震是一个特例，这些直接测量数据为地震震源建模提供了一个难得的经验基准。与传统运动学和动力学反演（受数据覆盖范围和建模假设限制）不同，从视频推导出的滑移量和滑移速率函数为大地震背后的物理过程提供了真实的约束。
该研究凸显了地震科学中一种新型观测方法的潜力：在活跃的浅层断层附近策略性地部署闭路电视摄像机或高帧率摄像机，不仅可以捕捉到快速的同震断层滑移，还能记录无震形变或震后蠕变。视频监测系统成本相对较低、应用广泛且易于部署，可作为扩展断层监测能力的理想补充工具。通过适当的部署和校准，这些设备可以对断层在各种滑移模式下的行为提供直接、高分辨率的约束，从而为研究地震物理学开辟新的途径。
来源：Latour S, Lebihain M, Bhat H S, et al. Direct estimation of earthquake source properties from a single CCTV camera. Science, 2025, 390(6772): 463-467.
主送：中国地震局领导
编发：中国地震局地震预测研究所
