本期概要

1、基于图的概率性地震聚类与预测——以苏门答腊为例

针对苏门答腊俯冲带构造复杂、台站稀疏问题，研究提出GRETAS方法，结合图论与ETAS模型实现概率性地震聚类。结果表明该方法聚类效果优于传统窗口法，且b值在该区域无稳定前兆意义，强调需采用区域校准的概率分析工具评估地震危险性。

2、2025年堪察加8.8级地震的前震迁移：来自单台站观测的认识

研究利用单台站方法分析2025年堪察加8.8级地震前震迁移，发现前震以约7.0 km/d速度向主震方向迁移，与慢滑事件速度相当。前震活动可能伴随无震滑移，通过渐进式应力传递促进主震成核，为俯冲带大震孕育过程提供新认识。

3、DeepSubDAS：海底分布式声学传感数据的震相拾取器

针对海底DAS数据特点，研究开发DeepSubDAS模型，基于DeepLab v3架构并利用全球5700万条标注数据训练。该模型可精准识别海底DAS数据中的P波和S波，在多种海洋环境下表现稳健，为提升海底地震监测与海啸预警能力提供新工具。

基于图的概率性地震聚类与预测——以苏门答腊为例

地震丛集是地震活动的基本特征，也是许多短期预测模型的基础。然而，基于固定时空窗口的传统聚类技术在构造复杂区域往往失效，如苏门答腊俯冲带，该地区的地震活动分布不均匀，近海台站覆盖稀疏，且位置不确定性较大。研究人员针对苏门答腊地区构建了一种具有区域特异性的物理约束型地震聚类与预测框架，该框架结合了随机建模与经验性时空约束。研究采用的方法称作GRETAS（GRaph-based approach to ETAS）——一种基于传染型余震序列（ETAS）模型的图论聚类方法，并通过具有物理机制的筛选加以增强。与传统的基于窗口的方法相比，GRETAS能够生成更紧凑、物理上更一致的聚类结果，并且在轮廓系数（Silhouette coefficient）和DB指数（Davies–Bouldin index）衡量时的表现更好。研究还利用概率加权的增强型正向b值（b-more-positive）估计器评估了古登堡-里克特b值的预测潜力，这一方法考虑了分类不确定性和震级目录的不完备性。结果表明，背景事件和触发事件的b值之间没有统计学上的显著差异，并且在大地震发生前也没有一致的前兆趋势。这些发现强调了在复杂构造环境下，采用概率性的、针对区域的专门方法进行稳健地震分析的重要性。相关研究发表在2026年3月的Tectonophysics。

地震通常在时间和空间上形成前震、余震和震群等丛集现象，理解这些地震丛集的成因与结构是地震学的重要目标。统计模型，尤其是ETAS模型及其扩展为地震活动丛集的识别提供了重要参考。但是，许多广泛使用的方法依赖于固定的时空窗口或经验规则，缺乏物理学基础，并且很少考虑目录的不确定性。这些问题在构造复杂、近海地震多、探测能力空间差异显著的区域尤为突出，比如苏门答腊。与此同时，数据驱动和机器学习方法在目录不均一、区域异质性强的情形下面临可迁移性和可解释性不足的问题，而监督学习的标签又常依赖既有去丛假设，可能继承方法偏差。另一个存在长期争议的问题是，古登堡-里克特的b值能否作为大震前兆，且b值变化还可能受到目录不完备性、区域异质性和去丛假设的影响。

研究聚焦苏门答腊地区地震的聚类识别与预测分析，并检验了b值的预测作用。具体而言，先对来自印度尼西亚气象、气候与地球物理局（BMKG）的地震目录进行震级统一、完备性检验和重复事件清理，然后基于ETAS模型开展随机去丛，并提出GRETAS方法识别地震丛集，同时，结合聚类评价指标和加权的增强型正向b值估计方法，分析不同类型地震的b值差异及其震前变化。

图1  BMKG目录的震中位置。点的大小与震级成正比，黄色星号表示7级以上事件

研究针对苏门答腊俯冲带开发的GRETAS模型是一种新的地震活动聚类和预测框架，其将地震相互作用的随机建模与基于图的分类技术结合在了一起。通过将概率触发与经验校准的时空约束相结合，GRETAS克服了传统基于窗口的聚类方法的关键局限性，并提供了一种更灵活、更符合物理规律的地震序列识别方法。

为提高结果的空间合理性，在无约束的GRETAS模型基础上，研究应用经典Uhrhammer算法的修正版本，在空间尺度上额外加入55 km容差，以适应苏门答腊海域较大的震源定位误差，从而使丛集更紧凑、异常点更少。为检验经验时窗规则的效果，研究构建了一个基于窗口的对比聚类方案，涉及位于一定空间半径内且离主震时间在T内的全部事件。结果一致表明，在研究区内，苏门答腊俯冲带以及菲律宾海沟附近更容易发生7级以上强震，其中，菲律宾海沟序列的主震与最强余震的震级差较小，危险性更高。

图2  对7级及以上主震使用GRETAS方法后，在不同时空滤波水平下识别出的地震丛集。（a）在未应用额外滤波器的情况下得到的地震丛集；部分地震丛集（b-d）包含空间异常值；（b-c）应用修正的Uhrhammer算法去除了远距离异常值，得到了更紧凑的地震丛集

使用轮廓系数和DB指数（前者衡量簇内事件之间的相似性，值越大越好；后者衡量簇之间的相似性，值越小越好）进行的定量基准测试表明，基于窗口的聚类方法往往会将事件过度分配到某一丛集中。特别是，落在任意时空窗口内的背景事件经常被错误地归为余震。这种现象在断层破裂几何形状呈长条状、台站覆盖不均或地震活动时空模式复杂的区域尤为显著。基于GRETAS的方法在较宽范围的尺度因子下，始终优于基于窗口的方法。当空间与时间的比值较小时，无约束的GRETAS方法表现最佳；而当这一比值较大时，加入空间约束的GRETAS方法则更具优势。

研究还表明，GRETAS识别出的地震序列的持续时间通常比经典规则（如Uhrhammer算法）预测的持续时间更短，并且能更好地被经验时间窗口所捕捉。即使使用相同的经验时间窗口和传统的基于窗口的方法，得到的聚类结果也往往比GRETAS方法的结果的持续时间更长、空间分布更分散。这些结果表明，在传统规则不适用的地区，概率性、数据驱动的聚类框架具有很大附加价值。

图3  聚类表现和尺度关系的比较。（a）与7级及以上地震相关的地震丛集中，丛集持续时间与距主震最大距离之间的关系；（b）平均轮廓系数随空间维度的变化；（c）DB指数随空间维度的变化

此外，研究还评估了古登堡-里克特b值的预测潜力。之前的研究表明，b值的系统性下降可能预示着地震危险性的增加。在BMKG地震目录中，研究选取了所有M_w≥4.7且震源深度<70 km的事件。在随机去丛之后，研究重建了每个事件的概率性祖源关系（ancestry），并在不同震级阈值下计算了背景事件和触发事件的b值。结果表明，二者的b值并没有显著的统计差异。

对整个数据集b值时间变化的分析表明，虽然一些主震发生前会出现较低的b值，这或许可以解释为可能的先兆，但这种特征在整个数据集中并不一致。此外，随着时间窗口的缩短，事件数量减少，导致不确定性增大，估计值也更加多变。由此认为，在该地区，b值的波动并不能为大地震提供可靠或一致的预测信号。这些结果强化了先前全球研究的发现，并表明b值的预测效用既依赖于区域，又对方法论假设高度敏感，包括去丛方法和震级完备性等。

在b值分析中，一个关键的方法进步是概率性b值估计器，该估计器纳入了分类不确定性和震级测量误差。研究人员使用来自随机去丛的后验概率来计算背景事件和触发事件的加权b值，先在合成数据上验证了该方法，然后再将其应用于真实数据。

图4  背景事件和触发事件的b值随震级阈值的变化。（a）合成ETAS目录；（b）BMKG目录

总体而言，研究结果强调，需要区域校准、物理信息丰富且概率严谨的工具来分析丛集地震活动并评估地震危险性。GRETAS的灵活性使其适用于其他地区和地震目录，尤其适用于传统聚类方法难以可靠运行的近海或数据稀疏环境。

未来，相关工作应着重于将更多物理约束纳入聚类和预测流程。比如，整合大地测量数据、库仑应力变化和速率-状态摩擦特性，以及探索将统计指标与基于物理的断层加载和破裂成核模型相结合的混合框架。此外，通过集成方法或贝叶斯模型平均将概率框架进行扩展，以在模型结构中明确纳入认知不确定性，可能为构建更稳健、更具普适性的地震预测策略提供路径。

来源：Petrillo G, Gentili S, Dal Zilio L. Graph-based probabilistic earthquake clustering and forecasting in Sumatra. Tectonophysics, 2026: 231137.

2025年堪察加8.8级地震的前震迁移：来自单台站观测的认识

大地震之前通常会发生一些较小的地震，这些地震被称为前震，它们多发生在最终破裂带附近，可以提供有关大地震如何发生的线索。然而，在地震台站数量有限的近海区域，追踪这些小地震十分困难。研究人员利用单台站分析方法研究了2025年堪察加半岛8.8级地震前震的时空演化。结果表明，前震经历了多个阶段，以每天约7.0 km的速度朝西南方向（主震震中方向）迁移，该速度与俯冲带慢滑事件的迁移速度相当，表明前震活动可能伴随无震滑移。前震发生在板块界面运动闭锁（kinematic locking）减弱区的南缘附近，相对年轻且温度较高的板片正在此处俯冲。反复出现的迁移性瞬变可能起到了有效的应力传递作用，这可能与慢滑有关，其通过将应力逐步加载于成核区，促进了破裂的开始，同时也导致了闭锁的巨型逆冲断层的逐渐弱化。综合看来，这些观测结果共同支持这样一种模型，即迁移性前震反映了渐进式的应力再分配过程，而这一过程将推动断层发生灾难性破裂。相关研究发表在2026年4月的Geophysical Research Letters。

堪察加半岛是环太平洋地震带中最活跃的地区之一，该区域构造背景复杂，具有沿走向分段、板片变形和活动断层等特征。同时，其孕育巨型地震的时空过程仍不清楚。2025年7月30日，堪察加中部近海发生8.8级地震，此前约10天出现异常强烈的前震序列。目前，前震被认为是强震的潜在前兆，其机制涉及地震和无震过程中的应力传递和/或断层强度的逐渐减弱。理解前震迁移及其对最终破裂区的指示作用，对于约束成核过程和评估俯冲带的地震灾害至关重要。

虽然密集地震台网已被广泛用于研究前震活动，但单台站方法（利用波形极化和反方位角变化来追踪震源迁移）的潜力尚未得到充分关注。由于美国地质调查局（USGS）目录中对较小地震定位不足，现有资料难以完整揭示前震迁移过程，同时，研究区120 km范围内仅有一个宽频带台站可用，所以研究采用了单台站方法。

研究围绕2025年堪察加8.8级大地震前震序列的时空演化与成核机制展开，主要利用了距震中最近的单个地震台站的连续波形资料，结合PhaseNet自动拾取震相到时，依据S波与P波时差估算震中距，利用三分量波形反演反方位角，并通过4小时窗口的反方位角平均值重建了前震向主震震中的多阶段迁移过程。

图1  堪察加地区的地震构造背景。（a）2025年7月20日至7月29日，堪察加地震前震的空间分布；（b）前震序列的震级-频率分布

研究自动检测到1536个P波到时和1220个S波到时，最后保留了854个高质量事件。相比之下，USGS目录共收录421个事件，其中356个事件为两个目录所共有，也就是说研究新增了498个事件。与USGS报告的356个事件相比，基于S-P方法估算的震中距的平均绝对误差为5 km，标准差为26 km。反方位角方法在加入随机噪声后仍保持稳健，基于三分量数据得到的反方位角与USGS目录相比也表现出较好的分辨能力。为刻画前震活动的迁移，研究进一步对4小时窗口内事件的反方位角取平均值，得到平均标准差为16°。

反方位角的时间演化显示出多个阶段：反方位角在整体上随时间增大，表明前震可能由北向南迁移；按4小时间隔平均后的结果表现出相同但更清晰的迁移特征；2小时和8小时平均结果也显示出类似趋势，但相比4小时结果不够清晰。与USGS目录相比，该研究的结果更连续、稳定，且能够捕捉目录中缺失的小事件。根据反方位角和距离反演的位置表明，前震平均迁移速度约为7.0 km/d，迁移方向约为256°。

对USGS目录进行相同处理后，也得到前震迁移图像。对比发现，单台站结果中2025年7月27日后的一段前震序列在USGS目录中缺失，可能对应未记录的小震。USGS结果在7月20日—7月27日的平均迁移速度约为3.0 km/d，而单台站结果显示，从7.4级前震到主震前4天，前震序列持续向西南迁移，平均速度约为7.0 km/d，表明前震活动逐步向主震破裂区推进。总体上，两种结果都显示出向南迁移趋势，但因台站覆盖和定位方法不同而存在差异。

图2  反方位角结果。（a）前震的反方位角；（b）4小时窗口的平均反方位角

2025年堪察加半岛8.8级地震之前的前震迁移为了解这一大型俯冲事件的成核过程提供了关键信息。估计的迁移速度约为7.0 km/d，这与沿俯冲带界面观测到的慢滑事件的迁移速度相当，表明前震活动可能伴随无震滑移。向主震震中反复迁移的现象类似于2011年日本东北9.0级地震和2014年智利伊基克8.1级地震之前的多阶段慢滑瞬变。基于单台站模板匹配和大地测量观测，相关研究认为，勘察加8.8级地震的前震区有所扩大，特别是向南扩大，这可能促进了主震的成核。

1997年，俄罗斯勘察加半岛克罗诺茨基（Kronotsky）发生7.8级地震。对此次地震的破裂分析表明，一系列前震反映出沿非均质断层界面的应力传递和逐渐发生的破裂准备过程。相关研究也观测到破裂传播沿断层走向向西南方向迁移，主震破裂始于前震和余震活动区的边界附近。这一特征与该研究的发现基本一致，并支持以下解释：观测到的前震迁移代表了主震发生前的准备过程。

图3  前震序列的迁移。（a）前震迁移的平均值；（b）与a相同，但使用USGS目录中的事件

在时空域上，前震迁移主要指向主震震中。结合这一观测结果以及基于USGS有限断层模型推导出的同震滑动分布，研究发现7.4级前震破裂局限于俯冲板片的北部。该板片对应于正在俯冲的太平洋板块，其洋壳年龄约为90~130 Ma，可分为较年轻的北部板片和较老的南部板片，北部板片比南部板片年轻约2~7 Ma。北部板片俯冲至约400 km深度，南部板片延伸至约600 km深度。

前震序列发生在温度较高、力学强度较弱的年轻板片内部。由于温度略高，年轻板片的破裂扩展可能受到限制，不仅在深度上，而且在沿断层走向上也是如此。热力学和流变学条件会抑制地震破裂的横向连续性，并将地震活动限制在较小区域。先前研究表明，俯冲带界面的几何复杂性可能使破裂范围或方向受限。板片倾角的变化、弯曲和其他构造不规则性会限制破裂扩展的范围和方向，在堪察加半岛，板片倾角从北向南逐渐变陡，由约35°增加至约55°，这标志着板片几何特征的转变，可能起到构造屏障的作用。这种几何变化也反映在区域火山的分布上，并可能在限制破裂扩展和促进向西南方向传播方面发挥着关键作用。

图4  前震序列与主震破裂之间的关系

7.4级前震释放了年轻板片内部的应力，并可能将其传递到与较老板片的强耦合边界。由于该边界相当于内部的板片分段边界，因此其可能会积累大量的应变。与北部板片相比，南部板片表现出更强的耦合和更宽的锁固带。前震发生在板片界面运动闭锁减弱区的南缘附近，而主震发生在运动闭锁增强区的北缘附近。一旦触发，破裂可能在板片中温度较低且强度较高的部分传播，在更大的区域内释放大量能量，最终引发8.8级主震。

研究并未明确考虑地震深度，尽管深度信息能够为板片内部或上方的地震活动提供重要约束。利用单个台站进行地震深度分析极具挑战性，而缺乏深度约束可能会导致结果的不确定性。同样，研究也没有进行震级分析，而震级分析可以进一步揭示能量释放以及各个前震的相对重要性。未来的研究若能同时纳入深度和震级信息，将有助于更准确地约束前震的迁移，并更好地理解导致主震发生的准备过程。

来源：Zhang J, Kato A, Wang W, et al. Foreshock migration preceding the 2025 Mw 8.8 Kamchatka earthquake: Insights from single-station observations. Geophysical Research Letters, 2026, 53(7): e2025GL120956.

DeepSubDAS：海底分布式声学传感数据的震相拾取器

由于海洋中的地震仪数量稀少，传统地震学方法的有效性受到很大限制。海底分布式声学传感（DAS）系统为海洋中的地震监测提供了一种极具前景的替代方案，但将基于陆地DAS数据训练的机器学习模型应用于海底DAS数据时表现欠佳。这主要是因为海底与陆地的噪声特征、布设条件和环境因素均存在显著差异。为此，来自德国等国家的研究人员提出了一种专为海底DAS数据设计的机器学习方法，以实现地震事件的自动检测及P波和S波的精准识别。基于为语义分割而优化的神经网络架构DeepLab v3，研究开发了一个专门模型，以应对解析海底DAS数据时面临的独特挑战。基于一个包含近5700万条人工标注与半自动标注的地震数据集（来自全球多个地区），对该模型进行了训练与验证。结果表明，该模型能够适应多种布设场景，可处理不同长度、不同配置及不同通道间距的光缆采集的DAS数据，因而可在各类海洋环境中广泛应用。这样一种可对DAS数据进行自动化地震分析的工具，将有望提升海底环境中的实时地震监测能力和海啸预警水平。相关研究发表在2026年5月的Geophysical Journal International。

在过去十年中，通过将光缆转变为密集的地震传感器网络，分布式声学传感（DAS）技术得到了迅猛发展。得益于光纤的技术进步及其在水下环境中的部署，从海底环境中采集的DAS数据量显著增加，这为推进海洋环境中的地震探测与特征分析提供了独特机遇。然而，针对海底环境的传统地震探测方法在应用于DAS数据时均遭遇了显著困难。同时，DAS还存在非线性的方位响应问题，这进一步增加了地震信号解释的难度。此外，浅海沉积层还会产生多种转换波，这为信号解释增添了另一重复杂性。

与此同时，机器学习，尤其是深度学习的最新进展，在应对这些挑战方面展现出广阔前景。但是，由于海底环境与陆地环境存在不同的噪声特征和地质特征，基于陆地地震数据训练的模型往往难以（有时也能）在海底环境中取得理想效果。同时，目前绝大多数机器学习模型均基于传统三分量地震仪的数据进行训练，并不适合直接应用于单分量的DAS数据。据研究人员所知，目前仅有一种基于DAS数据训练的模型——PhaseNet DAS，该模型基于在加利福尼亚州采集的三个陆地DAS数据集进行训练，这限制了其在海底环境中的适用性。

鉴于这些问题，迫切需要开发专门模型，以准确标记海底DAS数据。为此，研究人员基于DeepLab开发并训练了一种专用于海底DAS数据的深度学习模型。DeepLab是一种专为语义图像分割而设计的深度学习框架，其核心创新之一是使用了空洞卷积（atrous convolution）。研究人员认为，空洞卷积特别适合处理不同的DAS数据，因为每个DAS部署时的通道间距可能不同，通过空洞卷积，DeepLab将能够更好地适应通道间距的差异，从而在分析多样化的DAS数据集时拥有更强的适应性和更高的性能。

图1  研究所使用DAS的光缆位置及其中较大数据集的光缆布设情况

为确保模型能够适用于全球各类海洋环境，研究人员从全球多个地点采集了海底DAS地震数据。研究中使用的DAS数据来自全球13条海底光缆，涵盖近9200万条地震记录。其中，第一大数据集（也是最大的一个数据集）来自阿拉斯加海岸沿线的两条光纤，第二大数据集来自智利海岸线沿线的三条光纤，第三大数据集来自一条连接西班牙特内里费岛（Tenerife）和大加纳利岛（Gran Canaria）的海底光纤。此外，还有来自日本釜石、斯瓦尔巴群岛、美国俄勒冈州等地的DAS数据。同时，为了扩充数据集并提高模型的稳定性，研究人员通过引入真实的海洋DAS地震噪声，对数据进行了增强。

图2  智利数据集中P波和S波的半自动标记示例。（a）先使用PhaseNet进行标记；（b）进行人工修正；（c）最终标记结果

最初基于地震仪数据训练的PhaseNet有时能基于DAS记录生成合理的震相，但其表现并不稳定。为了构建一个稳健的训练数据集，研究人员开发了一个半自动人工标注工具，其支持标注结果的手动修正。首先，根据每根DAS光缆的通道间距，每隔5~10个通道便进行一次人工干预，以纠正可能因单一分量DAS数据噪声过大而产生的误差。其次，进行人工核查，以确保插值时间的准确性。这两种方法的结合推动了P波和S波地震记录的高效、精确标注，最终构建出一个包括5700万条DAS记录的训练数据集。

在利用海底DAS数据对模型进行训练之前，研究人员先利用陆地DAS数据对模型进行了预训练。如此，模型能够从陆地数据集中学习到通用的地震特征，进而有效适应海洋环境。为了将DeepLab适配于DAS数据，研究人员对其架构进行了修改，以支持单通道二维输入，从而表征DAS地震数据的时空特征。同时，对输出层也进行了重新配置，每个输入段将被分类为以下三类之一：P波、S波或噪声。

测试结果表明，在智利数据集的P波检测中，该模型（DeepSubDAS）的精确率达到0.95，召回率高达0.93，显著优于其在阿拉斯加数据集和其他数据集（包括斯瓦尔巴群岛等地的数据）上的表现。对于S波检测，该模型在不同地区的表现保持一致，精确率、召回率和F1值均稳定在约0.88左右。同时，该模型在其他数据集上的表现整体略逊于主训练区（如阿拉斯加、智利）。

对比发现，在从海底DAS数据中拾取地震P波和S波时，DeepSubDAS的表现优于原始PhaseNet DAS。值得注意的是，尽管原始PhaseNet DAS倾向于产生更多的假阳性检测（误报），但其真阳性拾取结果的时间误差仍处于合理范围。同时，DeepSubDAS对海底沉积层引起的局部时间变化更为敏感，而PhaseNet DAS则倾向于生成更平滑的拾取结果。

此外，DeepSubDAS能够检测到一些信噪比低的信号，而这些信号可能被人类所忽略。对于一些信噪比较低的地震记录，DeepSubDAS的表现优于半自动人工标注。而当多个地震同时发生时，DeepSubDAS仍能清晰地识别出P波和S波。

整体而言，这一研究进展对于未来将海底DAS数据应用于地震预警尤具价值，因为它提高了水下环境中地震事件探测的可靠性和速度。该模型的设计具有高度灵活性，使其能够处理不同大小的输入数据，非常适合来自不同地区的DAS数据集。这种适应性对于海底地震监测的可扩展性至关重要，有助于在多样化的海洋环境下实现更全面、更精准的数据分析。

图3  从海底DAS数据拾取震相时，DeepSubDAS的典型错误示例

然而，DeepSubDAS仍然存在一些局限性：

（1）上下文窗口与内存限制之间的权衡。为缓解内存有限这一问题，可指定更少的通道数或更短的时间窗口作为输入，但同时也引入了一个缺点：模型的全局上下文有限。在DAS数据中，信噪比往往在光缆远端下降，使S波有时被误判为P波，并且，与传统的三分量地震仪相比，这种误判更为常见。

（2）S波起始检测的挑战。当P波尾部能量掩盖了S波起始部分时，可能导致S波的起始难以准确识别。因此，亟需提高震相边界识别能力，尤其是在波形重叠的情况下。

（3）在极低信噪比下的表现。如果P波信号几乎无法被人类分析员察觉，该模型也可能无法可靠地识别出P波（有可能将S波标记为P波）。这凸显了该模型对震相顺序特征的敏感性，也揭示了其在极端噪声条件下可靠区分震相时的局限性。

（4）当前训练数据集的局限性。由于训练数据的限制和模型的输出设计，该模型无法检测或分类转换波。如果能构建一个更加多样化且标注更全面的数据集，将有望提升模型的通用性和可解释性。

来源：Xiao H, van den Ende M, Tilmann F, et al. DeepSubDAS: An earthquake phase picker from submarine distributed acoustic sensing data. 2025.

主送：中国地震局领导      

编发：中国地震局地震预测研究所