科学家的方法可以提前几个月发出大地震预警

诸平

Fig. 1 The Mirror Lake offramp on the Glenn Highway near Chugiak, Alaska, shows damage after the Nov. 30, 2018, earthquake. Photo courtesy of Alaska Department of Transportation and Public Facilities

Fig. 2 These charts from the research paper show precursor activity of major earthquakes in Southcentral Alaska and Southern California. Image from research paper

https://www.sciencedaily.com/releases/2024/08/240829223211.htm

据美国阿拉斯加大学费尔班克斯分校（University of Alaska Fairbanks）2024年8月29日提供的消息，科学家的方法可以提前几个月发出大地震预警（Scientist's method could give months' warning of major earthquakes）。

阿拉斯加大学费尔班克斯分校 (University of Alaska Fairbanks简称UAF)的一名科学家分析了美国阿拉斯加州和加州发生的两次大地震，他的研究表明，通过识别先前大面积的低水平构造动荡，公众可能有几天或几个月的时间来预告大地震。相关研究结果于2024年8月28日已经在《自然通讯》（Nature Communications）杂志网站在线发表——Társilo Girona, Kyriaki Drymoni. Abnormal low-magnitude seismicity preceding large-magnitude earthquakes. Nature Communications, 2024, 15(1): 7429. DOI: 10.1038/s41467-024-51596-z. ePub: 28 Aug 2024. https://www.nature.com/articles/s41467-024-51596-z.pdf

这项工作是由阿拉斯加大学费尔班克斯分校(UAF)地球物理研究所（UAF Geophysical Institute, Fairbanks, AK, USA）的研究助理教授Társilo Girona领导的。Társilo Girona是一位地球物理学家和数据科学家，研究火山爆发和地震的前兆活动。另一位合著者Kyriaki Drymoni是德国慕尼黑路德维希-马克西米利安大学（Ludwig-Maximilians-Universität in Munich, Munich, Germany）的地质学家。此研究是基于机器学习的检测方法。

Társilo Girona说:“我们的论文表明，先进的统计技术，特别是机器学习，有可能通过分析来自地震资料的数据集来识别大地震的前兆。”

作者编写了一个计算机算法来搜索数据以寻找异常的地震活动。算法是一组计算机指令，教程序解释数据，从中学习并做出明智的预测或决策。

他们集中研究了两次大地震:即2018年7.1级美国安克雷奇地震（2018 magnitude 7.1 Anchorage earthquake）和2019年美国加利福尼亚州里奇克莱斯特地震（2019 magnitudes 6.4 to 7.1 Ridgecrest, California），地震序列为6.4级至7.1级。

他们发现，在两次被研究的地震之前，阿拉斯加中南部和南加州约15%~25%的地区发生了大约3个月的异常低震级区域地震活动（abnormal low-magnitude regional seismicity）。他们的研究发现，大地震前的动荡主要是由1.5级以下的地震活动捕捉到的。

安克雷奇地震发生在2018年11月30日上午8点29分，震中位于该市以北约10.5英里（约17 km）处。它对一些道路和高速公路造成了广泛的破坏(Fig. 1)，几座建筑物也遭到破坏。

Társilo Girona和Kyriaki Drymoni利用他们的数据训练程序发现，在安克雷奇地震发生的30天或更短时间内发生大地震的可能性在11月30日地震发生前的三个月左右突然增加到大约80%。就在它发生的前几天，这种可能性增加到大约85%。他们对里奇克莱斯特地震序列(Ridgecrest earthquake sequence)在地震序列开始前大约40天的一段时间有了类似的概率发现。

Társilo Girona和Kyriaki Drymoni提出了低震级前兆活动的地质原因:断层内孔隙流体压力(pore fluid pressure)的显著增加。孔隙流体压力是指岩石内部流体的压力。如果高孔隙流体压力足以克服断层两侧岩石块之间的摩擦阻力，则可能导致断层滑动。

Kyriaki Drymoni说：“断层中孔隙流体压力的增加会导致大地震，从而改变断层的力学特性，从而导致区域应力场的不均匀变化。我们认为，这些不均匀的变化控制着异常的、前兆性的低震级地震活动。”

Társilo Girona说，机器学习对地震研究产生了重大的积极影响。他说:“现代地震网络产生了大量的数据集，经过适当的分析，可以为地震事件的前兆提供有价值的见解。这就是机器学习和高性能计算的进步可以发挥变革性作用的地方，使研究人员能够识别可能预示即将发生地震的有意义的模式。”

上述研究论文的作者指出，他们的算法将在接近实时的情况下进行测试，以识别和解决地震预报的潜在挑战。他们补充说，在没有根据该地区的历史地震活动训练算法的情况下，不应该将这种方法应用于新的地区。Társilo Girona说，产生可靠的地震预测“非常重要，但往往存在争议”。

他说:“准确的预报有可能通过提供早期预警来及时疏散和做好准备，从而挽救生命，减少经济损失。然而，地震预报固有的不确定性也引发了重大的伦理和实践问题。错误的警报可能导致不必要的恐慌、经济混乱和公众信任的丧失，而错误的预测可能造成灾难性的后果！”

Geophysicist's method could give months' warning of major earthquakes

Abstract

Unraveling the precursory signals of potentially destructive earthquakes is crucial to understand the Earth's crust dynamics and to provide reliable seismic warnings. Earthquake precursors are ambiguous, but recent experimental studies suggest that robust warning signs may precede large seismic events in the short (day-to-months) term. Here, we show that the M6.4-M7.1 2019 Ridgecrest sequence (California) and the M7.1 2018 Anchorage earthquake (Alaska) were preceded by up to ~3 months of tectonic unrest on regional scales, as evidenced by abnormal low-magnitude seismicity spreading over the ~15-25% of Southern California and Southcentral Alaska. This precursory unrest has been discovered with an algorithm that integrates an innovative random forest machine learning approach and statistical features built from earthquake catalogs. Supported by a novel suite of finite element solid mechanics models, we propose that precursory, abnormal, low-magnitude seismicity arises if the pore fluid pressure within large fault segments escalates significantly as they approach failure, which leads to major uneven changes in the regional stress field. Our findings and method may open up new perspectives for surveillance agencies to anticipate when a region approaches an earthquake of great magnitude weeks to months before it occurs.