Effiziente Verarbeitung und Analyse von Seismogrammen zur Erkennung von Erdbebenereignissen bei unbekannter Wellenausbreitungsgeschwindigkeit

Core Concepts

Eine neue Methode zur robusten Zuordnung von Erdbebenphasen in Seismogrammen bei unbekannter Wellenausbreitungsgeschwindigkeit und hoher Ereignisdichte.

Abstract

Die Studie präsentiert eine neue Methode namens Harpa, die es ermöglicht, Erdbebenereignisse in Seismogrammen auch dann zuverlässig zuzuordnen, wenn die Wellenausbreitungsgeschwindigkeit unbekannt ist und viele Ereignisse in kurzer Zeit auftreten.
Bisherige Methoden zur Phasenassoziation funktionieren gut, wenn die Wellenausbreitungsgeschwindigkeit bekannt oder grob abschätzbar ist und die Ereignisse zeitlich weit genug auseinander liegen, sodass die Ankunftsreihenfolge an den Stationen der Reihenfolge der Ereignisse entspricht. Bei hoher Ereignisdichte und unbekannter Wellenausbreitungsgeschwindigkeit versagen diese Methoden jedoch.
Harpa löst dieses Problem, indem es die Ankunftszeiten an den Stationen als Wahrscheinlichkeitsverteilungen interpretiert und diese mit Hilfe von generativen Modellen und neuronalen Wellenausbreitungsfeldern an die berechneten Ankunftszeiten anpasst. Dadurch kann Harpa die Ereignisorte, Ereigniszeitpunkte und die Wellenausbreitungsgeschwindigkeit gemeinsam schätzen, ohne auf eine vorherige Zuordnung der Phasen angewiesen zu sein.
Die Leistungsfähigkeit von Harpa wird anhand realistischer Computersimulationen demonstriert. Selbst bei sehr hoher Ereignisdichte und stark variierender Wellenausbreitungsgeschwindigkeit kann Harpa die Ereignisse zuverlässig zuordnen. Darüber hinaus zeigt sich Harpa robust gegenüber fehlerhaften oder fehlenden Phasendetektionen.

Stats

Die Wellenausbreitungsgeschwindigkeit variiert in dem untersuchten Gebiet zwischen 5 km/s und 25 km/s.
Die Genauigkeit der rekonstruierten Wellenausbreitungsgeschwindigkeit hat einen mittleren quadratischen Fehler von 0,78 km/s.
Der mittlere Fehler in der Lokalisierung der Erdbebenereignisse beträgt 3,48 km.

Quotes

"Harpa incorporates wave physics by using optimal transport to compare arrival sequences. It is thus robust to unknown wave speeds and estimates the wave speed model as a by-product of association."
"Experiments with realistic, complex synthetic models show that Harpa is the first seismic phase association framework which is accurate in the high-rate regime, paving the way for new avenues in exploratory Earth science and improved understanding of seismicity."

Key Insights Distilled From

High-Rate Phase Association with Travel Time Neural Fields

by Chen... at arxiv.org 03-28-2024

https://arxiv.org/pdf/2307.07572.pdf

Deeper Inquiries

Wie könnte Harpa weiter verbessert werden, um auch in Situationen mit sehr hoher Ereignisdichte und stark variierender Wellenausbreitungsgeschwindigkeit eine noch zuverlässigere Phasenassoziation zu erreichen?

Um die Zuverlässigkeit der Phasenassoziation in Situationen mit hoher Ereignisdichte und variabler Wellenausbreitungsgeschwindigkeit weiter zu verbessern, könnten folgende Ansätze verfolgt werden:

Verbesserung der Wave Speed Modelle: Durch die Integration komplexerer und realistischerer Wave Speed Modelle, die eine breitere Palette von Variationen und Heterogenitäten berücksichtigen, könnte die Genauigkeit der Wellenausbreitungsschätzung verbessert werden.

Berücksichtigung von Unsicherheiten: Die Einbeziehung von Unsicherheiten in die Schätzungen der Wellenausbreitungsgeschwindigkeit und der Ereignisorte könnte zu robusteren Ergebnissen führen. Dies könnte durch die Implementierung von probabilistischen Modellen oder Bayesianischen Ansätzen erreicht werden.

Integration von Mehrkanal-Daten: Die Nutzung von Daten aus verschiedenen Kanälen wie seismischen Wellenformen, Amplitudeninformationen und Polaritätsanalysen könnte zusätzliche Informationen liefern, um die Phasenassoziation zu verbessern und die Genauigkeit der Ergebnisse zu erhöhen.

Optimierungsalgorithmen: Die Verwendung fortschrittlicher Optimierungsalgorithmen wie Preconditioned Stochastic Gradient Langevin Dynamics (PSGLD) könnte die Konvergenz verbessern und zu genaueren Schätzungen der Wellenausbreitungsgeschwindigkeit und Ereignisorte führen.

Durch die Kombination dieser Ansätze könnte Harpa weiterentwickelt werden, um auch in extrem anspruchsvollen Szenarien eine zuverlässige Phasenassoziation zu gewährleisten.

Wie könnte Harpa erweitert werden, um auch Informationen über die Herdmechanismen der Erdbeben in die Analyse mit einzubeziehen?

Um Informationen über die Herdmechanismen der Erdbeben in die Analyse mit einzubeziehen, könnte Harpa auf folgende Weise erweitert werden:

Incorporation von Seismogramm-Merkmalen: Durch die Integration von seismischen Merkmalen wie Amplituden, Frequenzen und Polaritäten in das Modell könnte Harpa zusätzliche Informationen über die Herdmechanismen der Erdbeben erfassen.

Einbeziehung von Seismogramm-Clustern: Die Analyse von Seismogramm-Clustern und deren Beziehung zu spezifischen Herdmechanismen könnte es Harpa ermöglichen, Muster zu erkennen und die Phasenassoziation entsprechend anzupassen.

Verwendung von Machine Learning für Herdmechanismen: Die Implementierung von Machine-Learning-Techniken, die speziell auf die Identifizierung und Klassifizierung von Herdmechanismen von Erdbeben abzielen, könnte in Harpa integriert werden, um eine umfassendere Analyse zu ermöglichen.

Durch die Einbeziehung von Informationen über die Herdmechanismen der Erdbeben könnte Harpa eine ganzheitlichere und detailliertere Analyse der seismischen Daten ermöglichen.

Wie könnte Harpa erweitert werden, um auch Informationen über die Herdmechanismen der Erdbeben in die Analyse mit einzubeziehen?

Um Informationen über die Herdmechanismen der Erdbeben in die Analyse mit einzubeziehen, könnte Harpa auf folgende Weise erweitert werden:

Incorporation von Seismogramm-Merkmalen: Durch die Integration von seismischen Merkmalen wie Amplituden, Frequenzen und Polaritäten in das Modell könnte Harpa zusätzliche Informationen über die Herdmechanismen der Erdbeben erfassen.

Einbeziehung von Seismogramm-Clustern: Die Analyse von Seismogramm-Clustern und deren Beziehung zu spezifischen Herdmechanismen könnte es Harpa ermöglichen, Muster zu erkennen und die Phasenassoziation entsprechend anzupassen.

Verwendung von Machine Learning für Herdmechanismen: Die Implementierung von Machine-Learning-Techniken, die speziell auf die Identifizierung und Klassifizierung von Herdmechanismen von Erdbeben abzielen, könnte in Harpa integriert werden, um eine umfassendere Analyse zu ermöglichen.

Durch die Einbeziehung von Informationen über die Herdmechanismen der Erdbeben könnte Harpa eine ganzheitlichere und detailliertere Analyse der seismischen Daten ermöglichen.