本期概要
1、基于多模态深度学习的快速实时地震震级分类框架：在地震预警中的应用
针对地震预警中震级快速判别的难题，研究提出多模态深度学习框架（MDLFrame），融合时域/频域波形与地面运动参数，结合随机滑动窗口技术扩充数据。结果表明，模型分类准确率达96.11%，P波到达3秒内即可实现小震/大震高效区分，为地震预警提供快速可靠的智能判别工具。
2、利用机器学习预测米级实验室地震
研究将随机森林等机器学习方法应用于米级岩石摩擦实验，仅凭前震目录信息即可提前几毫秒至几十秒预测主震破裂时间。分析表明，前震间隔缩短、地震矩增大等统计特征是预测关键，且数值模拟验证了蠕滑区剪切应力演化是前兆驱动机制，为天然地震短期预报提供物理依据。
3、气球地震学实现无地面台站条件下的地下反演
研究利用平流层气球记录的次声信号，采用贝叶斯-MCMC框架联合反演震源位置与地下速度结构。结果表明，仅凭4个气球数据即可约束地壳界面及上地幔剪切波速，反演结果与地面台站一致。该方法为金星内部探测及地球偏远地区地震监测提供了无需地面部署的新途径。
基于多模态深度学习的快速实时地震震级分类框架：在地震预警中的应用
快速、准确地判断地震事件的大小对于地震灾害分析和地震预警系统（EEWS）预测目标区域的潜在破坏至关重要。然而，由于缺乏震源先验信息以及大地震波形数据有限导致的类别不平衡，这项任务面临着巨大挑战。为了解决这一问题，研究人员应用随机滑动窗口技术扩展了大地震的波形数据。同时，开发了一个多模态深度学习框架（MDLFrame），利用来自日本和中国的数据集来区分小地震（M<5.5）和大地震（M≥5.5）。MDLFrame能够从输入的三分量波形和地面运动参数中提取有用的时间特征和空间特征。测试结果表明，MDLFrame在震级分类的及时性和准确性方面均优于传统的经验方法和单模态深度学习模型。具体而言，MDLFrame的准确率达到了96.11%。为了进一步验证MDLFrame在震级分类方面的鲁棒性，研究分析了其在220个独立地震事件中的表现。结果表明，在P波到达后3秒内，MDLFrame对小地震的分类准确率达到98.68%，对大地震的分类准确率达到93.21%。该研究表明，多模态深度学习在地震预警和地震学领域具有巨大的应用潜力。相关研究发表在2025年10月的Bulletin of the Seismological Society of America。
数字革命使开发准确的地震早期预警系统（EEWS）成为地震学家确保公共安全的首要目标。震级估计是EEWS的最关键挑战之一，尽管已有峰值位移（Pd）和能量等方法，但这些方法依赖单一参数，准确性有限。人工智能（AI）技术可以直接从原始地震波形中自动提取有用的特征，用于震级估计，从而提高预测准确性。然而，大地震波形的有限可用性可能导致小地震震级高估和大地震震级低估。
在地震发生后，预先判断地震是大地震还是小地震，可以减轻地震灾害的破坏性，并提高结构地震分析的有效性。参考已有研究，该研究也将5.5级作为区分小地震和大地震的分界线，这不仅有助于减少对小地震的高估和对大地震的低估，还能为应急响应争取宝贵时间。另外，近期研究发现，融合多模态数据能够显著提升深度学习模型的预测性能。
图1 地震震中和台站位置分布。（a）、（c）日本和中国的地震震中位置分布；（b）、（d）日本和中国的地震台站位置分布
研究人员开发了一种多模态深度学习框架（MDLFrame），用于区分日本和中国的小地震和大地震信号。来自两国的地震数据的震级范围为2~7.4级，由于地震数据主要由小地震构成，研究采用随机滑动窗口技术，补充了更多数据（尤其是大地震数据），以扩大数据集的规模和多样性。MDLFrame以时域波形、频域波形和地面运动参数作为输入，通过不同的特征提取器自动提取空间和时间特征，然后将多模态特征连接到输出层，以提高最终的分类性能。此外，研究还将MDLFrame与单模态深度学习和Pd模型进行了比较，并讨论了多模态深度学习的优势和泛化能力。
分析结果表明，MDLFrame仅使用时域波形、频域波形和地面运动参数，无需震源信息，即可实现高准确性（96.11%）的震级分类。这表明，MDLFrame能够在地震发生后快速准确地判断事件是小地震还是大地震，这有助于减轻地震灾害的破坏，并提高结构地震分析的有效性。
图2 多模态深度学习框架。输入层包含三分量时域波形、三分量频域波形和十个地面运动参数，特征提取层由两个CNN模块和一个LSTM模块组成，输出层包含三个全连接层（FCL）和两个dropout层
与依赖单模态数据的方法不同，MDLFrame融合了时域地震波形、频域波形和地面运动参数。这种区别至关重要，因为它能够实现比单模态方法更全面、更稳健的分析。通过整合多种类型的数据，MDLFrame能够有效地捕捉地震信号的时空特征，增强自身稳健性和跨震级分类的泛化能力。消融实验表明，移除任何输入模态，例如时域波形、频域波形或地面震动参数，都会降低震级分类准确性。这些发现凸显了多模态深度学习在提高地震震级分类准确性方面的显著优势。
MDLFrame的核心架构集成了卷积神经网络（CNN）和长短期记忆网络（LSTM），分别用于提取空间和时间特征。这种混合设计利用了每种输入模态的独特特征，可增强震级分类性能。研究人员的改进不仅源于使用多模态数据和混合神经网络，还源于使用整合了日本和中国地震数据的多样化数据集。扩展后的数据集增强了模型的通用性，并展示了模型在多个地震台网中的适用性。
图3 不同模型的预测性能（3s TWL）。（a）多模态深度学习框架（MDLFrame）；（b）Transformer；（c）时域学习框架（TDLFrame）；（d）频域学习框架（FDLFrame）；（e）地面运动参数学习框架（GDLFrame）；（f）峰值位移（Pd）
连续性判定对于地震预警系统至关重要，因为它显著影响震级估计的准确性，以及漏报率和误报率。研究人员训练了10个MDLFrame模型，每个模型采用不同的P波触发时窗长度（TWL），时间间隔为1秒。结果表明，基于1秒P波触发的MDLFrame模型的准确性高于基于10秒P波触发的Pd模型。值得注意的是，所有模型在2≤M<5.5范围内的分类准确性最高，在5<M<6范围内的分类准确性最低。因此，一些震级在5<M<5.5范围内的地震可能会被错误地分类为5.5≤M<6，反之亦然。
研究人员通过提高TWL值，并在一定震级范围内（5<M<6）进行数据扩展，部分缓解了这一问题。对MDLFrame输出的分析表明，可以根据不同地区小地震或大地震的发生频率来调整MDLFrame的阈值。针对独立地震事件的测试表明，MDLFrame对小地震与大地震的分类准确率分别达到了98.68%和93.21%。尽管MDLFrame的分类准确率很高，但仍有一些小地震和部分大地震被错误分类，表明MDLFrame仍需进一步改进。
对MDLFrame小震级事件的泛化能力的测试表明，尽管该模型对之前未遇到的低震级事件仍然具有鲁棒性，但其误报率在接近决策阈值时有所增加。此外，MDLFrame无法处理非地震信号，因为并未针对此类任务进行过训练。在实时地震预警系统中，两阶段架构可以解决这一局限性。在第一阶段，采用专用判别器滤除非地震信号。未来，可将噪声判别和震级分类集成到一个统一的端到端系统中，从而提高实时性能和可靠性。
图4 MDLFrame输出真实小地震和大地震的概率
尽管MDLFrame可以准确地对小地震和大地震进行分类，但它仍存在一些限制。在实时地震预警系统中，准确识别P波到时对于地震参数预测的准确性至关重要。MDLFrame依赖于P波到达的准确检测，未来可尝试基于人工智能技术的P波拾取器（EQCCT）进行P波到时检测，以进一步提升效果。其次，MDLFrame对小震级地震的分类性能和适用范围相对有限，应扩展训练数据集，使其包含更广泛的地震震级范围。此外，还可以使用包含震级低于2级的较小数据集来微调预训练模型，使该框架能够调整权重并提高对小地震的分类性能，而无需从头开始训练。
虽然深度学习模型可以直接从时域波形、频域波形和地面运动参数中提取相关的震级特征，但它们在地震预警和地震学中的应用仍处于起步阶段，需要进一步研究，以提高算法的鲁棒性。首先，深度学习模型本质上是黑箱，未来需要探索其特征提取方式，以及是否能够将学习到的特征可视化。其次，深度学习模型中的隐藏层及超参数设置通常基于经验、试验和错误，需要进一步研究优化模型构建和超参数设置。第三，在面对不平衡数据集时，深度学习模型的性能可能会显著下降。由于现实中小地震发生的概率通常高于大地震，地震数据集的这种不平衡是导致大地震被低估的原因之一。尽管数据增强或迁移学习等方法可以提高预测准确性，但它们无法完全平衡大小地震预测的精确性，通过生成对抗网络（GAN）模拟大地震的地震波形或许可以缓解数据不平衡问题。总之，这些研究对于未来改进MDLFrame以应对地震预警和地震学领域的各种挑战至关重要。
来源：Zheng Z, Chen X, Lin B, et al. A multimodal deep learning framework for rapid real-time earthquake magnitude classification: applications to earthquake early warning. Bulletin of the Seismological Society of America, 2025.
利用机器学习预测米级实验室地震
近年来，人们越来越关注利用机器学习（ML）研究厘米级岩石摩擦实验中剪切滑移破裂（即实验室地震）的可预测性。然而，机器学习在更大规模的实验室地震和天然地震中的适用性仍然存在不确定性，因为在这些情形中，关键时间尺度相差可达数个数量级。研究人员将一种先进的机器学习方法应用于米级实验室地震数据，该数据具有前震活动加速的特征，表现为微小声发射事件数量的增加。研究证明，经过训练的基于事件目录网络表示的机器学习模型可以准确预测米级主震的破裂时间，预测时间范围从主震即将发生前的几毫秒到几十秒。这些时间尺度大约对应于大地震中数周到数十年的时间尺度。将该研究结果与能够复现实验数据的剪切破裂动态模型进行比较后发现，通过声发射事件间接追踪蠕变断层区域的剪切应力演化（而非名义剪切应力），机器学习能够预测数值模拟地震和实验室地震。这些发现为实现自然地震的短期预报提供了断层条件方面的关键见解。相关研究发表在2025年10月的Nature Communications。
地震的可靠预测是地震学中的重大未解难题，其中部分原因是地壳发震带难以接近以及原位数据匮乏。观测研究表明，大地震与小地震在破裂开始停止前几乎不可区分，且前兆阶段发生的各种过程对最终动态破裂的规模影响甚微。另外，许多潜在前兆（比如慢滑事件）往往只能在震后识别，而且只有一小部分与大地震的发生有关。
近年来，机器学习方法在实验室断层模拟中取得了很大进展。人们通过分析声发射（AE）和超声脉冲信号，成功预测了实验室地震的发生时间和剪切应力演化，这表明某些前兆信号可能可以作为前震活动开始的标志。然而，目前仍存在三大挑战：厘米级岩石样本或亚米级凝胶模型的尺度依赖性限制了其向天然断层的扩展；在实验室地震临震前极短时间窗口内的预测能力不足；机器学习模型预测能力的内在机制仍不明确，尤其是在理解物理过程和断层条件演化时。
该研究以米级尺度的岩石摩擦实验为基础，探讨了机器学习在实验室地震短期预测中的可行性及其物理基础。对前震事件的时间间隔和地震矩等特征进行提取后，研究采用随机森林模型来预测实验室地震的发生时间和剪切应力演化。之后，研究构建了简化的地震周期数值模型，生成与实验条件相似的合成地震序列，以对比分析机器学习在实验数据与模拟数据中的表现，从而识别对预测起关键作用的前兆特征。
1. 机器学习预测米级实验室地震的发生时间和名义剪切应力演化
图1 实验装置及随机森林模型对测试集中实验室地震发生时间的预测。（a）、（b）：米级岩石摩擦实验的概念图，其中a为实验装置示意图，b是对断层表面的模拟，断层泥分布不均匀；（c）、（d）：分别为训练好的随机森林模型对数十秒尺度和事件数尺度实验室地震发生时间的预测
研究人员将机器学习方法随机森林应用于米级尺度的岩石摩擦实验，结果表明，训练后的机器学习模型能够成功预测实验室地震的发生时间，预测的时间范围为地震前几毫秒到几十秒不等。特别是，仅依赖微小前震的当前目录信息和历史目录信息，模型便可在下次地震发生前在毫秒级精度内做出预测，尽管这些前震在时间和空间上分布稀疏，且事件目录可能并不完整。同时，用于预测地震发生时间的有效特征同样能够预测名义剪切应力的演化。此外，研究还训练了一个简单的深度学习（DL）模型来预测地震发生时间和名义剪切应力，其预测准确度与机器学习模型（指随机森林，下同）相当，说明无论采用何种模型，结果都具有鲁棒性。这些发现表明，经过充分训练的机器学习模型或深度学习模型能够仅凭事件目录数据，在长、短时间尺度上推断断层的当前状态，也说明前震统计特征中蕴含着断层状态信息。
2. 事件间隔和地震矩的演变推动准确预测的实现
图2 准确预测实验室地震和名义剪切应力的重要特征的分布。（a）、（b）：重要特征随时间的分布；（c）、（d）：重要特征随名义剪切应力的分布
为理解机器学习模型输入特征与预测结果之间的关系，研究应用了核密度估计的方法，将输入数据的分布表示为概率密度。分析表明，随着实验室地震的临近，事件间隔明显缩短，而地震矩逐渐增大，体现了逆大森定律型的特征和古登堡-里克特定律中b值随时间降低的特征。这些输入特征使模型能够有效捕捉并量化前兆地震活动的统计特征，从而解释了为何仅利用地震目录信息，模型就能准确预测米级实验室地震的发生时间。相比之下，名义剪切应力与机器学习模型的输入特征并不存在显著相关性，表明其并非地震可预测性的直接控制因素。进一步而言，机器学习的预测优势主要源于捕捉其他特征细微演化的能力，而非仅依赖于名义剪切应力。
3. 地震周期模型生成的合成地震活动
图3 数值模型的设置及随机森林对测试集中合成地震和剪切应力的预测。（a）：全动态地震周期模型的概念图；（b）：断层表面，对速度强化摩擦和速度弱化摩擦的非均匀分布进行了参数化；（c）、（d）和（e）：合成地震发生时间、平均剪切应力以及VS区剪切应力的预测结果
为探究机器学习模型为何能够准确预测实验室地震的发生时间，研究人员通过一个全动态地震周期模型对实验室地震过程进行数值模拟，生成了与实验数据相一致的合成地震序列，然后将该地震序列应用于训练后的机器学习模型。结果表明，与实验室地震结果类似，训练后的机器学习模型能够在几毫秒到几十秒的范围内准确预测合成地震的发生时间。对于剪切应力而言，显著的预测偏差主要出现在平均剪切应力（类似于实验室地震中的名义剪切应力）的负峰值时期和速度强化（VS）剪切应力的正峰值时期，但总体上预测结果准确。机器学习模型能够准确追踪应力演化（尤其是VS剪切应力），说明模型中的大多数决策树给出了高度一致的预测结果。
4. 追踪蠕变断片上剪切应力的演变
尽管研究过程中对数值模拟进行了简化，但合成数据与实验室数据在特征演化上表现出高度相似性。对模型输入特征与VS剪切应力之间关系的分析表明，前震活动主要由VS剪切应力的增加驱动，而非断层名义剪切应力，进而使机器学习模型能够准确预测合成地震。对滑动速度与VS剪切应力之间关系的分析发现，前兆地震活动是由蠕滑障碍上（creeping barrier）局部应力的持续升高所系统性驱动的，这些应力变化间接反映在地震活动目录的网络表征中。
5. 讨论
基于实验室实验与数值模拟结果的一致性，研究人员提出了机器学习预测实验室地震的合理解释。在地震周期开始时，前震以零星方式发生，主要出现在应力集中的位置。随着断层逐渐接近临界应力状态（即断层名义剪切应力达到临界值），前震成核与VS区的持续蠕滑形成正反馈机制，加速向实验室地震的演化。这一前兆阶段具有若干显著特征：名义剪切应力出现停滞、前震活动区不断扩展、遵循逆大森定律且b值降低，同时，蠕滑区的剪切应力快速升高。在这一过程中，某些前震成核破裂逐渐突破前震区的限制，最终发展为主震。之后，类似的过程再次重复。
图4 机器学习预测主震的概念模型。（a）、（b）和（c）：在单个实验室地震周期中，断层面上可能发生的各种情景的现象学描述；（d）、（e）：与前兆地震活动出现相关的关键物理参数的演变
若将训练后的机器学习模型应用于大型地震，预测时间尺度将相应地扩大至数周到数十年，可为自然发生的强震提供短期预警。值得注意的是，相较于自然断层而言，研究中的实验室断层和数值模拟断层都具有高度理想化的特征。评估分析表明，只要前震的物理机制相同，该方法在不同摩擦异质性下仍具适用性，但在破裂障碍的作用增强，缺乏明确主震的情况下，预测能力发生下降。天然断层的另一项复杂性在于存在未延伸至断层边缘的受限破裂现象，分析表明只要受限破裂的震级-频率分布与前震其他部分存在显著差异，机器学习仍能有效应用于此类破裂。
将机器学习方法推广至天然断层还面临着其他挑战，比如需考虑断层外的地震活动、缺乏跨越多个主震周期的地震活动目录等。未来，可尝试通过连续波形分析、迁移学习及对慢地震的精细观测来提升对大地震的预测潜力。
来源：Norisugi R, Kaneko Y, Rouet-Leduc B. Machine learning predicts meter-scale laboratory earthquakes. Nature Communications, 2025, 16(1): 9593.
气球地震学实现无地面台站条件下的地下反演
地球内部结构主要源于地面地震仪记录的数据，这类仪器可为了解金星的组成和演化提供关键信息，但金星恶劣的地表环境阻碍了它们的部署。气球地震学提供了一种替代方案，它能够捕捉上层大气中地震波的次声特征。基于印度尼西亚弗洛勒斯海（Flores Sea）一次大地震后四个平流层气球记录的次声信号，研究人员对地下地震波速度和震源位置进行了联合反演。为对联合定位和地下速度的估算进行平衡，研究利用马尔可夫链蒙特卡罗（MCMC）采样法进行了贝叶斯反演。结果表明，反演得到的地震参数与地面地震仪的结果一致。这项无需地面部署即可估计震源和速度参数的实验，有望推动金星震声探测概念的进一步发展，并为地球偏远地区的地震勘探提供新的机遇。相关研究发表在2025年11月的Communications Earth & Environment。
探索金星内部结构有望为理解其演化历史和当前动力状态提供关键信息，但其过高的表面温度使传统地面地震仪难以长期运行，严重制约了地震学研究的开展。近年来，气球搭载的微气压计具备了探测地震波声学特征的潜力。通过地表与大气的机械耦合，地震波可转化为次声波，并向上传播至高空被气球探测。尽管如此，气球次声数据在多大程度上能够同时约束地震震源位置与地下地震速度结构仍有待验证。同时，震源参数、大气条件与地下速度模型之间的关系，使传统反演方法存在较大不确定性。
在行星探测中，由于缺乏地下结构和震源位置的先验知识，需要对地下结构与震源进行联合反演。此外，地球（可能还包括金星）上气球网络稀疏，需要对震源坐标的不确定性进行仔细评估。为解决这一震源-速度的病态反演问题，研究尝试采用贝叶斯反演框架，通过MCMC方法在模型空间中进行全局搜索。
具体研究过程如下：首先，使用地面台站识别的2021年印度尼西亚弗洛勒斯海7.3级地震的P波、S波和瑞利面波（LR）到时，对反演方法进行测试；然后，使用从Strateole-2项目的气球记录中识别的到时进行测试；最后，量化反演得到的震源位置和地震波速度的不确定性，分析反演方法的灵敏度。
1. 基于地震数据反演震源和地下参数
研究利用11个地震台站的到时数据对震源和地下参数进行参考联合反演，并通过MCMC模拟得到一组震源和地下参数的集合，形成后验概率分布。为解释这些结果，研究通过计算边际分布和最大后验概率（MAP，后验分布函数的最大化解）来降低后验分布的维度。
MAP显示，震源位置较真实震中向南偏移约13 km，震源起始时间比参考起始时间提前约2±2 s，震源深度比参考值深约50 km，但深度不确定性较大。震源参数的边际分布遵循高斯分布，且变量间的权衡较弱。
图1 利用11个地震台站反演震源。（a）：地面台站分布情况；（b）：震源位置的边际分布；（c）：震源起始时间直方图
在地下参数中，剪切波速（vs）和泊松比（υ）在约500 km深度范围内得到有效约束。MAP与基于全球地震层析模型构建的中值剖面高度吻合，在剪切波速方面的一致性尤为突出。剪切波速后验值的1‒σ不确定度（σ为标准差）在地壳和上地幔层约为±0.1 km/s，在顶部沉积层约为±0.6 km/s。泊松比在0.21~0.29之间，在100~400 km深度段，其不确定度较大，说明约束有限。层厚度反演可转换为更直观的地下界面深度分布，分析表明，存在三个较为明确的界面或强速度梯度区，分别位于地壳20±4 km深处，地幔150±30 km及500±70 km深处。另外，在约4 km深处存在一个浅层界面。
2. 基于气球数据反演震源和地下参数
基于Strateole-2项目4个气球观测到的次声，研究人员进行了联合反演。结果表明，气球反演结果很好地拟合了到时数据。但是，受限于少量且不确定性较大的到时，震源定位精度有限，MAP震中偏离真实位置约35 km。尽管气球次声信号的信噪比较低，反演框架仍能准确确定震源位置的特征，这在观测网络稀疏或源-站方位分布不理想时尤为有用。
图2 弗洛勒斯海7.3级地震后，气球接收到的次声信号与反演模型预测结果的比较。（a）：根据拾取的到时获得的LR波群的速度；（b）：用于拾取到时的压力波形；（c）：TTL4-15信号的放大图
震源起始时间约比公布值早1±22 s，而利用四个当地地震台站获得的这一数值为9±16 s。震源深度的后验分布在200 km深度内几乎均匀，难以约束——气球数据和当地地震台站数据的反演结果均如此。
由于气球数据仅拾取4个P波，无法有效约束地下泊松比，使泊松比和P波速度的后验分布与先验分布无显著差别。但是，P波、S波和LR波到时为剪切波速的后验分布提供了约束。在10~400 km深度，剪切波速的1‒σ不确定度被限制在±0.3~±0.6 km/s。
从后验分布中估计的界面数量指标（interface count metric）显示了地下物性的变化，尤其是地壳19±6 km深处，这与11个地震台站的反演结果相似。此外，结果还暗示存在三个较深的速度变化区，分别位于420±50 km、60~200 km和800 km深度以下，但置信度较低。这些深度与11个地震台站的反演结果类似（如150±30 km、500±70 km）。但是，界面深度的不确定度较大，这可能反映了速度的逐渐增加，如同对地幔顶部预期的那样。
图3 从4个气球（左）和4个地震台站（右）反演的震源，（a、b）、（c、d）、（e、f）分别为震源位置、深度和起始时间的后验分布
3. 反演方法的敏感性分析
从气球数据中获得的S波到时存在很大不确定性，所以研究人员使用P波和LR波到时进行地下参数和震源参数的反演，并评估了结果对这些到时数据选择的敏感性。结果表明，P波和LR波到时与使用三个波型到时的结果差异不大，主要影响为剪切波速和震源位置的后验不确定度增加（最多50%）。因此，P波和LR波拾取足以约束震源位置和地下主要界面。为进一步评估不同波型对反演结果的影响，分别用LR波到时和P波与S波到时进行反演。两组数据对震源起始时间的敏感性相近，但基于LR波反演的震源起始时间偏晚。同时，两者均对100~400 km深度的剪切波速敏感。
MCMC框架还可对震源-速度反演问题中的参数平衡进行分析，研究发现震源起始时间与震中位置、层厚与速度、泊松比与剪切波速等参数间存在复杂平衡，导致存在大量的可能解。但是，该概率反演框架依然能突出震源位置和地下特征的高概率区域。为改善反演稳定性，可考虑固定部分分辨率较低的参数，降低反演问题的维度。另一种改进思路是重新定义拟合目标函数。
图4 不同数据集的反演结果比较。（a）：所有可用波（黑色）、体波（蓝色）和瑞利波（红色）所反演震源位置的概率密度函数的1‒σ等值线；（b）、（c）：震源深度和起始时间的概率密度函数；（d）：从每次反演的后验分布中提取的剪切波速的1‒σ不确定度
总体而言，该研究成功利用气球平台次声数据反演了地下地震速度剖面，且捕捉到了19 km处的地壳界面，与当地莫霍面深度相符。气球数据反演面临的主要挑战是单分量数据中震相拾取的可靠性，以及受大气扰动和湍流影响，信噪比较低。未来，可以通过改进信号处理方法、在气球上增加仪器等措施来改善。研究验证了气球地震学的可行性，支持其在金星及地球偏远地区的应用。在特定条件下，气球记录的震源附近信号的质量可媲美远距离地震台站，有望补充传统监测网络。
来源：Froment M, Brissaud Q, Näsholm S P, et al. Balloon seismology enables subsurface inversion without ground stations. Communications Earth & Environment, 2025, 6(1): 949.
主送：中国地震局领导
编发：中国地震局地震预测研究所
