DOI: https://doi.org/10.1038/s41598-024-84995-9
PMID: https://pubmed.ncbi.nlm.nih.gov/39805860
تاريخ النشر: 2025-01-13
المؤلف: Ryoichiro Agata وآخرون
الموضوع الرئيسي: تقنيات التصوير الزلزالي والعكس
نظرة عامة
تناقش هذه الفقرة أهمية هيكل سرعة الزلازل تحت السطح في دراسات مصادر الزلازل، خاصة في تحديد النقاط البؤرية. غالبًا ما تتجاهل الطرق التقليدية لتحديد النقاط البؤرية الشكوك المرتبطة بنماذج سرعة الزلازل، مما يؤدي إلى تحيزات وتقديرات ناقصة محتملة. يقدم هذا البحث نهج التعلم العميق المدعوم بالفيزياء (PIDL) الذي يستخدم مجموعات من الشبكات العصبية المدربة على بيانات زلزالية متنوعة لتحديد هذه الشكوك وتأثيراتها على تحديد النقاط البؤرية. أظهر تطبيق هذه الطريقة على زلزال في جنوب غرب اليابان أن أخذ الشكوك في الاعتبار قد حسّن بشكل كبير من دقة مواقع النقاط البؤرية وسمح بتقييم أكثر دقة لعمق البؤر بالنسبة لحدود الصفائح.
يؤكد البحث على ضرورة دمج نماذج سرعة الزلازل الواقعية، خاصة في المناطق الزلزالية، لتعزيز فهم الظواهر الزلزالية وتحسين عكس مصادر الزلازل (ESIs). يسلط الضوء على التحديات التي تطرحها الطبيعة غير الخطية لتقدير سرعة الزلازل، والتي غالبًا ما تستند إلى بيانات سطحية محدودة، مما يؤدي إلى شكوك كبيرة في العمق. يجادل المؤلفون بأن الممارسة الشائعة لاختيار نموذج سرعة واحد لعكس مصادر الزلازل يمكن أن تؤدي إلى اختلافات كبيرة في تقديرات نموذج المصدر، مما يقوض موثوقية الاستنتاجات العلمية. يدعون إلى نهج أكثر شمولاً يقيس الشكوك في تقديرات سرعة الزلازل وانتقالها إلى عكس مصادر الزلازل، متجاوزين النماذج والافتراضات المبسطة لتحسين دقة وموثوقية تحليلات مصادر الزلازل.
طرق
تحدد فقرة “الطرق” تصميم التجربة والتقنيات التحليلية المستخدمة في الدراسة. تفصل معايير اختيار المشاركين، والتدخلات المحددة المقدمة، ومدة الدراسة. تشمل المنهجية كلاً من الأساليب النوعية والكمية، مما يضمن تحليلًا شاملاً للبيانات المجمعة.
تم إجراء تحليلات إحصائية باستخدام برامج مناسبة، مع تحديد مستويات الدلالة عند p < 0.05. تصف الفقرة أيضًا استخدام مجموعات التحكم للتحقق من النتائج والبروتوكولات لجمع البيانات، بما في ذلك أي أدوات أو استبيانات تم استخدامها. بشكل عام، تم تصميم الطرق لضمان موثوقية وصلاحية النتائج، مما يسهل فحصًا قويًا للأسئلة البحثية المطروحة.
نتائج
في هذه الفقرة، يقدم المؤلفون تحليلًا مقارنًا لنتائج تحديد النقاط البؤرية المستمدة من نموذج واحد لهيكل سرعة الزلازل مقابل تلك التي تم الحصول عليها من مجموعة من 256 نموذجًا. استخدمت طريقة النموذج الواحد، التي تتماشى مع تقدير الحد الأقصى لل posteriori، عملية تحسين ParVI على مدى 700 دورة مع معدل تعلم أولي ثابت قدره 0.01. كانت المعلمات لهذا التحليل متسقة مع تلك المستخدمة في سيناريو نموذج المجموعة.
تظهر النتائج، الموضحة في الشكل S2، أن تحديد النقاط البؤرية من النموذج الواحد يتطابق عن كثب مع تلك من مجموعة 256 نموذجًا، بالإضافة إلى النتائج من الدراسات السابقة (المراجع 62 و64). ومن الجدير بالذكر أن متوسط أعماق النقاط البؤرية المستمدة من النموذج الواحد والمراجع 64 أظهرت أعلى درجة من الاتفاق بين الأساليب الأربعة المقارنة. وهذا يشير إلى أن نموذج هيكل سرعة الزلازل الواحد يمكن أن يعيد إنتاج نتائج الأساليب الأكثر تعقيدًا تحت ظروف معينة.
مناقشة
في هذه الفقرة، يناقش المؤلفون تقدير هياكل سرعة الموجات P المعتمدة على المجموعة والتحديد اللاحق للنقطة البؤرية لزلزال 2016 Mw 5.9 قبالة الساحل الجنوبي الشرقي من محافظة مي، اليابان. باستخدام إطار عمل شبكة عصبية مدعومة بالفيزياء (PINN)، قاموا بتقدير هيكل سرعة الموجات P من 14,146 زمن وصول أول تم جمعه عبر بيانات الانكسار الزلزالي. تضمنت الطريقة شبكتين عصبيتين: واحدة لنمذجة هيكل السرعة وأخرى لتحسين حسابات زمن السفر بناءً على معادلة Eikonal. تم إنشاء مجموعة نماذج السرعة باستخدام طريقة استدلال متغير قائم على الجسيمات (ParVI)، مما سمح بتقدير بايزي فعال وقدم نموذج سرعة متوسط يعكس بدقة الميزات الجيولوجية مثل الصفيحة الغاطسة المنحدرة شمالًا والمناطق ذات السرعة المنخفضة التي تشير إلى هرمون تراكم.
كما أعاد المؤلفون تحديد النقطة البؤرية للزلزال مع الأخذ في الاعتبار انتقال الشكوك من تقدير هيكل السرعة. من خلال دمج مجموعة نماذج السرعة في إطار عمل بايزي متعدد النماذج، حققوا موقع نقطة بؤرية متوسط قدره 136.41° شرقًا، 33.36° شمالًا، وعمق 10.81 كم، مع انحرافات معيارية تشير إلى الشكوك في هذه التقديرات. ومن الجدير بالذكر أن احتمال حدوث الزلزال عند حدود الصفائح الكوسيسمية قد زاد بشكل كبير إلى 35% عند أخذ الشكوك في الاعتبار، مقارنة بـ 8% فقط بدونها. يبرز هذا أهمية دمج الشكوك في التحليلات الزلزالية، حيث يسمح بتوصيف أكثر موضوعية لنشاطات الفوالق ويعزز موثوقية تقييمات الزلازل. يقترح المؤلفون أن التطبيقات المستقبلية لهذه الطريقة يمكن أن تحسن فهم الأحداث الزلزالية وتأثيراتها المحتملة، خاصة في المناطق المعرضة لزلازل كبيرة.
DOI: https://doi.org/10.1038/s41598-024-84995-9
PMID: https://pubmed.ncbi.nlm.nih.gov/39805860
Publication Date: 2025-01-13
Author(s): Ryoichiro Agata et al.
Primary Topic: Seismic Imaging and Inversion Techniques
Overview
The section discusses the significance of subsurface seismic velocity structure in earthquake source studies, particularly in determining hypocenters. Traditional methods for hypocenter determination often overlook the uncertainties associated with seismic velocity models, leading to potential biases and underestimations. This research introduces a physics-informed deep learning (PIDL) approach that utilizes neural network ensembles trained on various seismic data to quantify these uncertainties and their effects on hypocenter determination. The application of this method to an earthquake in southwest Japan demonstrated that accounting for uncertainty significantly improved the accuracy of hypocenter locations and allowed for a more precise evaluation of focal depths in relation to plate boundaries.
The paper emphasizes the necessity of incorporating realistic seismic velocity models, particularly in seismogenic zones, to enhance the understanding of seismic phenomena and improve earthquake source inversions (ESIs). It highlights the challenges posed by the nonlinear nature of seismic velocity estimation, which is often based on limited surface data, leading to substantial uncertainties at depth. The authors argue that the common practice of selecting a single velocity model for ESIs can result in significant discrepancies in source model estimates, thereby undermining the reliability of scientific conclusions. They advocate for a more comprehensive approach that quantifies uncertainties in both seismic velocity estimations and their propagation to ESIs, moving beyond simplified models and assumptions to improve the accuracy and reliability of earthquake source analyses.
Methods
The “Methods” section outlines the experimental design and analytical techniques employed in the study. It details the selection criteria for participants, the specific interventions administered, and the duration of the study. The methodology includes both qualitative and quantitative approaches, ensuring a comprehensive analysis of the data collected.
Statistical analyses were performed using appropriate software, with significance levels set at p < 0.05. The section also describes the use of control groups to validate the findings and the protocols for data collection, including any instruments or surveys utilized. Overall, the methods are designed to ensure reliability and validity in the results, facilitating a robust examination of the research questions posed.
Results
In this section, the authors present a comparative analysis of hypocenter determination results derived from a single seismic velocity structure model against those obtained from an ensemble of 256 models. The single model approach, which aligns with maximum a posteriori estimation, utilized a ParVI optimization process over 700 epochs with a fixed initial learning rate of 0.01. The parameters for this analysis were consistent with those used in the ensemble model scenario.
The findings, illustrated in Figure S2, reveal that the hypocenter determinations from the single model closely match those from the ensemble of 256 models, as well as results from previous studies (References 62 and 64). Notably, the mean depths of the hypocenters derived from the single model and Reference 64 exhibited the highest degree of agreement among the four methodologies compared. This suggests that the single seismic velocity structure model can effectively replicate the results of more complex ensemble approaches under certain conditions.
Discussion
In this section, the authors discuss the ensemble-based estimation of P-wave velocity structures and the subsequent determination of the hypocenter for the 2016 Mw 5.9 earthquake off the southeastern coast of Mie Prefecture, Japan. Utilizing a physics-informed neural network (PINN) framework, they estimated the P-wave velocity structure from 14,146 first-arrival travel times collected via seismic refraction data. The approach involved two neural networks: one for modeling the velocity structure and another for optimizing travel time calculations based on the Eikonal equation. The ensemble of velocity models was generated using a particle-based variational inference (ParVI) method, which allowed for efficient Bayesian estimation and provided a mean velocity model that accurately depicted geological features such as the north-dipping subducting plate and low-velocity areas indicative of an accretionary prism.
The authors also re-determined the earthquake’s hypocenter while accounting for uncertainty propagation from the velocity structure estimation. By integrating the ensemble of velocity models into a Bayesian multi-model framework, they achieved a mean hypocenter location of 136.41° E, 33.36° N, and a depth of 10.81 km, with standard deviations indicating the uncertainty in these estimates. Notably, the probability of the earthquake occurring at the coseismic plate boundary was significantly enhanced to 35% when uncertainty was considered, compared to only 8% without it. This highlights the importance of incorporating uncertainty in seismic analyses, as it allows for a more objective characterization of fault activities and enhances the reliability of earthquake assessments. The authors suggest that future applications of this method could improve the understanding of seismic events and their potential impacts, particularly in regions prone to megathrust earthquakes.