考虑P波预警参数的震源破裂特征实时持续估测方法

Real-Time Continuous Estimation of Seismic Source Rupture Characteristics Considering P-Wave Early Warning Parameters

摘要

在地震预警系统中引入震源破裂特征实时持续估测方法，可有效克服传统基于点源模型估测目标预警烈度和潜在破坏区的不足. 现有方法的实时性通常只能达到分钟级，无法满足地震预警系统的高时效性要求. 基于地震台站实时观测数据，通过引入地震预警P波特征参数，开展有限破裂模板匹配技术研究，形成了一套时效性更强的震源破裂特征实时估测方法. 测试结果表明：利用本方法在震后同一时刻得到的结果相对于有限破裂探测器（FinDer）算法结果在速度上要快3 s左右，个别震例结果要快5 s；破裂初期，由于受到地震辐射多样性、场地、传播路径等因素的影响，走向 θ会存在较大的波动. 随着破裂的延展， θ逐渐收敛至参考值；对于 M7.0级以下地震，震后6~10 s即可获得较稳定的破裂特征参数结果，而对于 M7.0+地震，则需要更长的时间，尤其是类似于汶川8.0级这种特大地震，其结果在台网较为稀疏的情况下需到震后40 s才能逐渐稳定.

关键词

震源破裂特征 / P波预警参数 / 有限模板匹配 / 实时波形数据 / 天然地震

Key words

source rupture characteristics / P-wave early-warning parameters / finite template matching / real-time waveform data / earthquake

0 引言

我国是世界上地震灾害最严重的国家之一，地震多、分布广、强度大、灾害重是我国的基本国情. 地震预警作为一种震灾预防手段，可以有效减轻地震损失、降低地震次生灾害和减少人员伤亡（ 彭朝勇等，2013； Allen and Melgar，2019； 崔鹏等，2022）. 根据用户与地震震中之间的距离不同，地震预警系统可为城市和生命线工程提供数秒至数十秒的紧急处置时间. 据国内相关地震预警研究成果（ 夏玉胜和杨丽萍，2000），如果预警时间为5 s，地震伤亡人数可能减少20%；如果预警时间为30 s，地震伤亡人数可能减少80%.

大地震发生时，自初始破裂点开始，沿发震断层主破裂方向，以一定破裂速度演化发展，其能量以地震波的形式向四周传播，强烈的地震动导致地震灾害. 而现有的大部分地震预警系统在对地震的震级、地震动场等参数进行估测时，一般将震源视为点源，没有考虑震源的有限性，采用有限波形的经验关系实时持续估计震级，应用部分震相到时估计震源位置，进而利用地震动预测方程（GMPE）预测地震动. 在此情况下，对于中小地震（震级小于6级），可以得到与实际情况较为符合的估测结果. 但是较大地震发生时，由于断层破裂尺度往往达到数十甚至数百公里，若不考虑断层破裂的方向和长度，仍以点源模型估计地震动场，将会使得估算结果与实际情况偏差过大，影响地震预警信息的准确发布. 如在2011年日本东北“311” M _W9.0地震预警处理过程中，其紧急地震速报系统给出的东京地区烈度估测结果为日本气象厅地震烈度（Japan Meteorological Agency，简写为JMA）4度. 由于该系统在当时未考虑断层破裂的长度，包括东京在内的日本关东部分地区出现了预测烈度被低估的问题，严重影响了该区域的紧急处置对策，而东京地区的实测烈度达到了JMA5度（ Hoshiba et al.， 2011； Kurahashi and Irikura， 2011）. 地震预警系统在面对此类大震时，如果能够迅速地估测出断层的破裂尺度、模式和方向，则可用于对震级和地震动参数进行修正，从而提高估算结果的准确度，有效发挥系统的减灾效能.

目前，针对震源破裂方向、尺度及其特征的实时估计开展的相关研究不多，仅有少数几位学者从震源有限特征简化的角度进行了探索，提出了一些近实时的断层破裂方向和尺度的估测方法，时效性可达到亚分钟级. 如土耳其伊斯坦布尔预警系统中采用的PreSEIS方法（ Böse，2006）， Yamada and Heaton（2008）提出的一种基于高频地震动确定破裂方向和破裂长度的方法， Yamada（2014）提出的利用Fisher线性判别函数将台站分类为近源和远源后确定出断层破裂方向和尺度范围的方法，以及 Böse et al.（2012）提出的有限断层破裂探测器（finite fault rupture detector；FinDer）方法.

其中，最具代表性、国际上主要采纳的方法就是FinDer方法，目前已被集成至多国地震预警系统中，如美国ShakeAlert系统、意大利PRESTo系统、瑞士ETHZ-SEDSeisComp系统等，并在多个国家与地区得到实际线上检验（ Chung et al.， 2020； Li et al.， 2021； Massin et al.， 2021； Böse et al.， 2023）. 该方法基于密集的地震台网和一组预先计算好的破裂模板，在地震发生时根据实时测定的地面运动振幅参数，采用图像识别技术自动实时计算震源破裂（假设为线源）在地表投影的中心位置、破裂长度 L和走向 θ. 在时效性方面，该方法具有较明显的优势，不仅对于接收到的新数据包的处理可在1秒内完成，而且在断层破裂过程中能够持续等间隔给出破裂特征估算结果. 但是，从其实际运行结果来看，表现并不理想，其可靠度和时效性还有待进一步提升. 在2019年美国里奇克莱斯特（Ridgecrest） M _W7.1级地震预警处置过程中，该方法明显低估了破裂长度（估算结果为21 km，实际破裂长度~46 km），而且在得到相对稳定的结果时，断层破裂也已停止（ Chung et al.， 2020）. 究其原因，主要是该方法是以实际观测到的各台站当前时刻峰值加速度PGA作为输入，要想获取到较稳定和准确的结果，往往需要等到主要破裂结束，因此其时效性还无法满足地震预警系统的要求（ 卢建旗和李山有，2021）. 如果能够结合P波预警参数和地震动参数的相关性（ Peng et al.， 2017； 彭朝勇和杨建思，2019）对PGA或峰值速度PGV进行提前预估，则可以有效缩减算法所需耗时，从而更快地获取到震源破裂特征参数.

针对于此，本文在有限断层破裂探测研究的基础上，基于地震台站观测数据，通过引入初期P波预警参数估算现地地震动，作为有限破裂模板匹配技术的输入，发展了一套考虑P波预警参数的震源破裂特征实时持续估测方法，并利用多次震例开展线下模拟验证，以避免传统采用点源方法估算预警烈度或潜在破坏区的不足.

1 P波预警参数与地震动参数相关性

传统一般使用P波3 s位移幅值参数 P _d与PGV的相关性来预测现地地震动（ 彭朝勇等，2013； Peng et al.， 2014； 宋晋东等，2018），而很少采用其他类别的P波幅值参数，如速度幅值 P _v或加速度幅值 P _a. 在获取 P _d参数时，通常需要将加速度记录两次积分到位移，而积分操作会引入额外的低频漂移. 当所用的加速度数据为质量较高的力平衡加速度仪记录时，积分获得的位移记录还相对可靠，不会出现明显的偏差. 但是，考虑到十三五“国家地震烈度速报与预警工程”项目部署的10 000多台一般站主要采用微机电系统（micro-electro-mechanical-system，缩写为MEMS）传感器记录地面加速度，相对于力平衡加速度仪，其采集到的数据质量会更低，尤其是对于动态范围在80 dB或以下的简易烈度计（ 张红才等，2017 ；Peng et al.，2020， 2021）. 在此情况下，应避免使用 P _d参数预估现地地震动.

在 彭朝勇等（2021）中，利用国内外大量强震动观测记录，构建了基于不同 P波幅值参数的现地地震动预测模型，并在结合已有MEMS地震事件记录评估的基础上，获得了最终适用于MEMS地震烈度仪的现地地震动预测模型. 考虑到本工作所用数据的特点和拟发展方法的输入参数（PGA），我们这里直接采用其利用1阶巴特沃斯滤波器处理得到的全P波段垂直向加速度预警参数 PA _all与PGA的相关性：

\mathrm{l} \mathrm{g} \left(\mathrm{P}\mathrm{G}\mathrm{A}\right) = \mathrm{0.848} \mathrm{6} \mathrm{l} \mathrm{g} \left(\mathrm{P}{\mathrm{A}}_{\mathrm{a}\mathrm{l}\mathrm{l}}\right) + \mathrm{0.896} \mathrm{0}, (1)

该相关性的标准差为0.263 4，相关系数 R为0.850 3，其对应的拟合曲线如 图1所示.

2 有限破裂模板匹配技术

2.1　有限破裂模板库构建

有限破裂模板匹配技术的基本原理是利用图像识别技术与提前生成的有限破裂模板库进行比对，以获取地震破裂过程中当前时刻的矩心位置、破裂长度 L和走向 θ，实时自动检测震源破裂的地表投影. 为了构建有限破裂模板库，本文采用与 Böse et al.（2012， 2018）类似的处理方法.

由于收集的近年来我国大陆发生的地震事件数据绝大部分发生在四川、云南等区域，同时不考虑分震级、分区域的GMPE，我们直接选用俞言祥和汪素云（2006）建立的中国西部地区水平向基岩PGA衰减关系（ 式2），建立有限破裂模板库.

\mathrm{l} \mathrm{g} \left(\mathrm{P}\mathrm{G}\mathrm{A}\right) = \mathrm{2.206} + \mathrm{0.532} M - \mathrm{1.954} \mathrm{l} \mathrm{g} ( R + \mathrm{2.018} e^{\mathrm{0.406}M}), (2)

式中： M为面波震级 M _S， R为震中距，单位km. 在实际应用该衰减关系时，进行了一定的扩展处理：当 M<5时， R为震中距；当 M≥5时， R为至有限破裂模板中假定有限断裂对应的断层距（ R _JB）. 而断层破裂的长度则采用 Wells and Coppersmith（1994）提出的公式进行获取：

\mathrm{l} \mathrm{g} \left(L\right) = \left(M-\mathrm{4.33}\right) / \mathrm{1.49}, (3)

此外，将震级范围扩展至 M4.0~ M8.0，对应的断层破裂长度为 L=0.6~300 km. 按照震级0.1级为间隔，固定走向 θ=0 ^°，共生成41个有限破裂模板. 在进行有限破裂模板匹配时，会对模板按照1 ^°为间隔旋转至180°，以获取震源破裂的方向. 这里之所以仅匹配走向0°~180°，是因为这些模板围绕其线源对称，因此 θ与 θ+180°是等效的.

生成的有限破裂模板根据设定的阈值按照二值图进行存储，以5 km为间隔进行格网划分，每个格点对应的值为：

T_{\mathrm{t}\mathrm{h}\mathrm{r}\mathrm{e}\mathrm{s}\mathrm{h}\mathrm{o}\mathrm{l}\mathrm{d}} ( x , y ) = \left\{\begin{array}{c}\mathrm{1},\mathrm{i}\mathrm{f}:T(x,y)\ge \mathrm{P}\mathrm{G}{\mathrm{A}}_{\mathrm{t}\mathrm{h}\mathrm{r}\mathrm{e}\mathrm{s}\mathrm{h}\mathrm{o}\mathrm{l}\mathrm{d}}\\ \mathrm{0},\mathrm{o}\mathrm{t}\mathrm{h}\mathrm{e}\mathrm{r}\mathrm{w}\mathrm{i}\mathrm{s}\mathrm{e}\end{array}\right.. (4)

对于阈值设定，如果阈值过大，中强地震对应的破裂方向性就会难以获得，相反，如果过小，又会对破裂尺度的估计精度造成影响. 根据FinDer算法的实际应用效果，这里直接利用该算法中在震级为 M5.0、震中距 R为5 km时对应的PGA峰值90.7 cm/s ²作为设定的阈值（ Böse et al.， 2018），该值与我国的7度等值线对应的值（93.6 cm/s ²）接近.

2.2　有限破裂模板匹配

有限破裂模板匹配技术基于FinDer算法，结合实时 P波预警参数估算的地震动PGA值或 S波已到达的近台实测地震动值，利用Vs30进行场地校正，然后插值生成地震动影响场，并根据设定阈值生成二值图，与有限破裂模板库中的模板一一匹配，获取最佳匹配模板，以获取当前时刻对应的矩心位置、破裂长度 L和方向 θ. 完整处理流程见 图2所示，具体步骤如下：

（1）对各台站利用 P波特征参数估测的地震动值或 S波已到达的近台实测地震动值进行联立插值，并依据设定阈值得到一个二值图像；

（2）通过相关性匹配，从生成的破裂模板库中检索最大相关位置，将其作为矩心. 其相关性匹配公式为：

R ( x , y | L , \theta ) = I ( x , y ) \star T ( x , y | L , \theta ), (5)

式中： T ( x , y | L , \theta )为生成的破裂模板库， I ( x , y )为当前根据插值数据生成的二值图像. 为了增加计算速度，以确保其性能满足地震预警的高时限性要求，这里利用相关性理论将其转换至傅里叶域计算：

I ( x , y ) \star T ( x , y | L , \theta ) \iff \tilde{I} ( k_x , k_y ) {\tilde{T}}^{*} ( k_x , k_y | L , \theta ), (6)

上式表示将空间相关性转换成傅里叶变换 \tilde{I} ( k_x , k_y )和 {\tilde{T}}^{*} ( k_x , k_y | L , \theta )在小波域 ( k_x , k_y )的乘积.

（3）得到与二值图像最佳匹配的模板，将其线源参数作为当前检索得到的震源模型. 这里采用 公式（7）获取最佳匹配模板.

E \left(L,\theta \right) = \frac{{\sum }_{x^{\text{'}},y^{\text{'}}}{\left[I\left(x+x^{\text{'}},y+y^{\text{'}}\right)-T(x^{\text{'}},y^{\text{'}}|L,\theta )\right]}^{\mathrm{2}}}{{\sum }_{x^{\text{'}},y^{\text{'}}}{\sigma }_m^{\mathrm{2}}(x^{\text{'}},y^{\text{'}}){\left[I\left(x+x^{\text{'}},y+y^{\text{'}}\right)+T(x^{\text{'}},y^{\text{'}}|L,\theta )\right]}^{\text{'}}}, (7)

式中： x^{\text{'}}=0，…， w-1， y^{\text{'}}=0，…， h-1， w \times h为匹配模板的大小.

在地震发生过程中，随着更多的台站被触发和每个台站记录到更多的后续波形数据，持续迭代地进行模板匹配，以对矩心位置、 L和 θ进行修正.

3 线下模拟验证与讨论

利用4次历史地震事件记录（ 表1）作为输入，以秒为时间间隔进行处理，模拟和分析本方法的性能，并与实测PGA作为输入的FinDer算法结果进行比较. 表中震级统一采用中国地震台网中心公布的 M _S震级. 这里忽略了由数据传输和预警信息发布所引起的额外时间延时. 在验证过程中，只要有两个或以上台站的估测或实测PGA超过设定阈值（20 cm/s ²）时，就开始立即进行处理.

3.1　2008年5月12日四川汶川8.0级地震

图3为震后各时间点对应的输出结果对比， 图4展示了本方法和FinDer算法在部分时间节点估计的 L和 θ的变化以及最终的输出结果. 从 图3可见，利用 P波预警参数预估地震动值，并与破裂模板联合开展破裂特征估测，在精度相当的情况下，震后同一时刻得到的结果相对于仅利用实测地震动值（FinDer）开展匹配会更快（~3 s）接近标准参考值.

按照设定的启动条件，汶川地震在震后9 s才开始产出第一次结果，这主要是由于在当时部署的强震动台网密度较稀疏引起，震中50 km范围内仅有3个站点. 本方法在该时刻得到的 L和 M分别为25 km和6.41，而FinDer算法估算得到的 L和 M分别为15 km和6.08. 随着破裂的延展，本方法得到的结果会更快地接近标准参考值. 而对于 θ，在地震破裂初期，得到的结果基本都在0 ^°附近变化，以北向为主，主要是由离震中较近的北边几个台站的预测或实测PGA值较大引起. 本方法得到的走向在震后~48 s开始趋于稳定，变化幅度在20°范围内，而FinDer算法得到的 θ在震后~53 s才开始趋于稳定，慢了5 s. 最终较稳定的线源模型约在震后100 s左右确定，其 L和 θ分别为280 km和59°/239°（本方法）或250 km和63°/243°（FinDer）. 本方法得到的线源模型结果与 Zhang et al.（2014a）的反演结果（ L=300 km， θ=225°）及沿北东-南西方向长约330 km的余震分布（ 黄媛等，2008）较为吻合. 从图上还可以看出，100 s后测得的 L仍然在持续增加，直到120 s时的395 km，这主要是由于北东向破裂末端的台网极其稀疏，没有控制点对插值算法进行有效限定导致，进而引起得到的线源模型不够稳定.

3.2 2013年4月20日四川芦山7.0级地震

四川芦山7.0级地震震后各时间点对应的输出结果对比见 图5. 从图中可见，利用本方法在震后同一时刻得到的结果相对于FinDer算法结果会更快（~3 s）接近标准参考值，而且同一时刻对应的精度相当. 对于该地震，本方法可在震后6 s产出第一次结果，在 L都为10 km的情况下，比FinDer算法产出的第一次结果要早2 s. 同样，随着地震破裂的持续，本方法结果变化的趋势会更快地接近标准参考值. 而对于 θ，在地震破裂的初期，虽然其变化幅度较大，但是仍然围绕标准参考值上下变动. 两种结果都在震后~15 s开始稳定，变化幅度控制在20°范围内. 最终较稳定的线源模型也在此时刻确定， L和 θ分别为50 km和19°/199°（本方法）或45 km和37°/217°（FinDer）. 两种方法得到的破裂长度皆比 Zhang et al.（2014b）的破裂反演结果（~20 km）、 Fang et al.（2013）的余震重定位分布（~35 km），还有中国地震局发布的烈度Ⅸ度圈的长轴长度（~30 km）要略长一些. 走向 θ与美国地质调查局公布的数值（ θ=218°）以及 Fang et al.（2013）重定位的余震分布（ θ=N40°~50°E）比较吻合. 但是，随着时间的持续，两种方法得到的 L仍在持续增加，直至~80 km，本方法得到的结果更是达到了95 km，与烈度Ⅶ度圈的长轴长度（~90 km）相当. 究其原因，可能与芦山地震的能量释放有关. 这次地震释放的高频能量较大，且主要集中在破裂前10 s，进而引起较大的预测和实测PGA，而两种方法都是以PGA作为输入，未来可以考虑引入对高频相对不敏感的其他参数进行完善，如峰值速度PGV等，也可以考虑采用神经网络模型的预测结果作为输入（ 王墩和孙琨，2022； 胡进军等，2023）.

3.3　2022年1月8日青海门源6.9级地震

青海门源6.9级地震发生在十三五“国家地震烈度速报与预警工程”项目一般站建设完成后，由于引入大量低成本MEMS地震烈度仪，台网密度得到了明显的提高，部分区域台站间距缩小至10 km. 图6是该次地震震后各时间点对应的输出结果对比. 从图中可见，两种方法的第一次结果都随着台网密度的提高而更快地进行了产出，而且提升效果明显. 整体来看，利用本方法在震后同一时刻得到的结果相比FinDer算法结果要快约2~3 s，且精度也更加优越. 本方法在震后3 s产出第一次结果，FinDer算法的第一次结果晚了1 s，测得的 L皆为10 km. 随着地震破裂的持续，本方法快速趋向于标准参考值，而FinDer算法则相比要慢5 s以上. 最终利用本方法得到的线源模型在震后8 s稳定，其 L和 θ分别为35 km和119°. 而利用FinDer算法得到的线源模型在震后11 s稳定，慢了3 s，其 L和 θ分别为20 km和154°， θ比标准参考值偏了约50°，而本方法得到的 θ只偏15°. 造成 θ偏差的原因可能与震中东部和东北部50 km范围内无台站部署引起，使得在插值生成二值图时无法对该区域进行有效控制.

3.4　2016年4月16日日本熊本7.4级地震

图7为2016年4月16日发生的日本熊本7.4级地震震后各时间点输出结果对比. 从图中可以看出，利用本方法在震后同一时刻得到的结果相对于FinDer算法结果在速度上要快2~3 s，且更快地趋向于标准参考值. 在第一次输出的破裂特征参数 L和 θ分别皆为10 km和68°的情况下，本方法在震后3 s就能产出第一次结果，而FinDer算法要慢1 s. 破裂初期，两种方法得到的走向与标准参考值226°皆存在较大偏差，且波动范围也较大，超过40°. 稳定的结果约在震后19 s开始获得，该时刻两种方法得到的线源模型 L和 θ分别为50 km和37°/217°（本方法）或45km和35°/215°（FinDer），并最终在震后25 s稳定至65 km和41°/221°（本方法）或60 km和36°/216°（FinDer）. 在震后31 s时间点后， L会有一个明显的增加趋势，最终增长至80 km. 这可能是由于在震后30 s左右，主震在东北方向约80 km处触发了一次 M5.5级地震（ Kodera et al.， 2016），该次地震释放的高频地震动与主震地震动相叠加，进一步增加了 L的估算长度. 该结果表明，采用本方法或FinDer算法可以有效处理在同一区域内、很短时间内接连发生的地震事件，而现有的依托点源算法构建的地震预警系统对于此种情况会无法处理或出现错误处理.

4 结论与展望

针对现有震源破裂特征估测方法在时效性方面只能达到分钟级，无法满足地震预警系统要求的问题，本文基于地震台站实时观测数据，通过引入地震预警 P波特征参数，开展了有限破裂模板匹配技术研究，最终形成了一套时效性更强的震源破裂特征实时持续估测方法，可有效避免传统点源方法估算目标区预警烈度或潜在破坏区的不足. 测试结果表明：

（1）由于采用了各站点破裂初期的 P波特征参数估算该站点后续地震动，在与FinDer算法处理结果精度整体相当的情况下，利用本方法在震后同一时刻得到的结果相对于FinDer算法结果在速度上要快3 s左右，个别震例结果要快5 s，从而更快地趋近于标准参考值；

（2）在破裂初期，由于受到地震辐射多样性、场地、传播路径等多因素的影响，获得的走向 θ会存在较大的波动. 随着破裂的延续， θ会逐渐收敛至标准参考值；

（3）对于 M7.0级以下地震，震后6~10 s即可获得较稳定的破裂特征参数估测结果，而对于 M7.0+地震，则需要更长的时间，尤其是对于像四川汶川 M8.0这种特大地震，其较稳定结果一般需要到震后40 s左右才能获得. 当然，这与地震台网本身的密度密切相关.

具体应用本方法时，为了有效缩减预警盲区范围、增加有效预警时间，可以采用多报预警信息和由内（近震中）向外（远离震中）的发布策略，以及点源与线源相结合的处理模式. 在大地震破裂开始阶段，破裂长度 L较短，再加上此时得到的 θ会存在较大的变化，这时直接应用点源算法处理的结果即可. 而随着破裂的延展， L逐渐增加，得到的 θ开始稳定，这时可以采用本方法得到的线源估测结果，并依据设定的 L增加量向外持续更新发布结果.

需要注意的是，本方法在利用估测的 L推算震级 M时，直接采用了 Wells and Coppersmith（1994）提出的震级与破裂长度的经验关系. 从其结果来看，对于 M7.0级左右地震事件，即使得到的破裂长度明显超过标准参考值，利用该关系式计算得到的震级 M也明显比标准参考值小，比如对于四川芦山7.0级地震，直接利用关系式得到的 L为61 km，而根据破裂反演结果和余震重定位分布得到的结果则分别只有~20 km（ Zhang et al.， 2014b）和~35 km（ Fang et al.， 2013）. 反之，如果利用 L为30 km反推震级，则对应的 M为6.5级，2022年青海门源6.9级地震就出现了该情况. 但是，对于较大的地震事件，如汶川8.0级、青海玛多7.4级，又会出现相反的结果，即依据经验关系给出的 L会比实际的 L短. 因此，直接采用该关系式会引入较大的不确定性，未来有必要对该关系式进行本地化处理，以获取更加适用于国内的震级与破裂长度的经验关系，也可以考虑采用 Cheng et al.（2020）提出的针对中国大陆的地震破裂尺度关系.

另外还需要考虑的因素包括本方法对台网密度的要求和台站场地校正对破坏性地震动的影响. 对于前者，FinDer算法在提出时要求地震台网的台间距小于50 km（ Böse et al.， 2012），但并未给出具体的理由，因此有必要从台网布局的均匀度、不同台网密度下得到的结果精度等角度给出详细的分析. 而对于后者，我们在根据实测和预测地震动参数生成二值图时，目前利用Vs30对PGA进行了场地校正，以获取基岩地震动参数，并未深入分析简单的场地校正对破坏性地震动的影响. 这些都将是我们下一步研究中需要考虑的内容.

近年来，随着“国家地震烈度速报与预警工程”项目的实施，即将建成包含测震、强震、烈度仪等多网融合的、超过15 000个台站的密集观测台网. 对于正在研发中的国家地震预警系统，其核心关键功能之一就是如何实时、快速地估算震源破裂特征参数. 目前，该系统还未实现此功能，仍然以传统的点源算法为主，虽然按计划拟引入FinDer算法，但是从前面的分析结果和实际的系统运行结果（ Chung et al.， 2020）来看，FinDer算法在时效性上仍然无法完全满足地震预警的高时效性要求. 通过本方法的研究和实际系统的研发，可以进一步提高获取震源破裂特征参数的时效性，有助于盲区范围的减小和有效预警时间的增加.

参考文献

[1] Allen, R.M., Melgar, D., 2019. Earthquake Early Warning: Advances, Scientific Challenges, and Societal Needs. Annual Review of Earth and Planetary Sciences, 47( 1): 361- 388.https://doi.org/10.1146/annurev-earth-053018-060457

[2] Böse, M., 2006. Earthquake Early Warning for Istanbul using Artificial Neural Networks(Dissertation). Karlsruhe University,Karlsruhe,19-24.

[3] Böse, M., Heaton, T.H., Hauksson, E., 2012. Real-Time Finite Fault Rupture Detector (FinDer) for Large Earthquakes. Geophysical Journal International, 191( 2): 803- 812.https://doi.org/10.1111/j.1365-246X.2012.05657.x

[4] Böse, M., Smith, D.E., Felizardo, C., et al., 2018. FinDer v.2: Improved Real-Time Ground-Motion Predictions for M2-M9 with Seismic Finite-Source Characterization. Geophysical Journal International, 212( 1): 725- 742.https://doi.org/10.1093/gji/ggx430

[5] Böse, M., Andrews, J., Hartog, R., et al., 2023. Performance and Next-Generation Development of the Finite-Fault Rupture Detector (FinDer) within the United States West Coast ShakeAlertWarning System. Bulletin of the Seismological Society of America, 113( 2): 648- 663.https://doi.org/10.1785/0120220183

[6] Cheng, J., Rong, Y.F., Magistrale, H., et al., 2020. Earthquake Rupture Scaling Relations for Mainland China. Seismological Research Letters, 91( 1): 248- 261. https://doi.org/10.1785/0220190129

[7] Chung, A.I., Meier, M.A., Andrews, J., et al., 2020. ShakeAlertEarthquake Early Warning System Performance during the 2019 Ridgecrest Earthquake Sequence. Bulletin of the Seismological Society of America, 110( 4): 1904- 1923.https://doi.org/10.1785/0120200032

[8] Cui, P., Wang, J., Wang, H., et al., 2022. How to Scientifically Prevent, Manage and Prewarn Catastrophic Risk?. Earth Science, 47( 10): 3897- 3899 (in Chinese with English abstract).

[9] Fang, L.H., Wu, J.P., Wang, W.L., et al., 2013. Relocation of the Mainshock and Aftershock Sequences of M _S7.0 Sichuan Lushan Earthquake. Chinese Science Bulletin, 58: 3451- 3459.https://doi.org/10.1007/s11434-013-6000-2

[10] Hoshiba, M., Iwakiri, K., Hayashimoto, N., et al., 2011. Outline of the 2011 off the Pacific Coast of Tohoku Earthquake ( M _W 9.0): Earthquake Early Warning and Observed Seismic Intensity. Earth Planets & Space, 63( 7): 547- 551.https://doi.org/10.5047/eps.2011.05.031

[11] Hu, J.J., Ding, Y.T., Zhang, H., et al., 2023. A Real-Time Seismic Intensity Prediction Model Based on Long Short-Term Memory Neural Network. Earth Science, 48( 5): 1853- 1864 (in Chinese with English abstract).

[12] Huang, Y., Wu, J.P., Zhang, T.Z., et al., 2008. Relocation of the Wenchuan M _S8.0 Great Earthquake and Its Aftershock Sequences. Science in China: Earth Sciences, 38( 10): 1242- 1249 (in Chinese).

[13] Kodera, Y., Saitou, J., Hayashimoto, N., et al., 2016. Earthquake Early Warning for the 2016 Kumamoto Earthquake: Performance Evaluation of the Current System and the Next-Generation Methods of the Japan Meteorological Agency. Earth Planets & Space, 68(1): 202. https://doi.org/10.1186/s40623-016-0567-1

[14] Kurahashi, S., Irikura, K., 2011. Source Model for Generating Strong Ground Motions during the 2011 off the Pacific Coast of Tohoku Earthquake. Earth Planets & Space, 63( 7): 571- 576.https://doi.org/10.5047/eps.2011.06.044

[15] Li, J.W., Böse, M., Feng, Y., et al., 2021. Real-Time Characterization of Finite Rupture and its Implication for Earthquake Early Warning: Application of FinDer to Existing and Planned Stations in Southwest China. Frontiers in Earth Science, 9: 699560.https://doi.org/10.3389/feart.2021.699560

[16] Lu, J.Q., Li, S.Y., 2021. Detailed Analysis and Preliminary Performance Evaluation of the FinDer: A Real-Time Finite Fault Rupture Detector for Earthquake Early Warning. World Earthquake Engineering, 37( 1): 152- 164 (in Chinese with English abstract).

[17] Massin, F., Clinton, J., Böse, M., 2021. Status of Earthquake Early Warning in Switzerland. Frontiers in Earth Science, 9: 707654.https://doi.org/10.3389/feart.2021.707654

[18] Peng, C.Y., Yang, J.S., Xue, B., et al., 2013. Research on Correlation between Early-Warning Parameters and Magnitude for the Wenchuan Earthquake and Its Aftershocks. Chinese Journal of Geophysics, 56( 10): 3404- 3415 (in Chinese with English abstract).

[19] Peng, C.Y., Yang, J.S., Xue, B., et al., 2014. Exploring the Feasibility of Earthquake Early Warning using Record of the 2008 Wenchuan Earthquake and its Aftershocks. Soil Dynamics and Earthquake Engineering, 57: 86- 93.https://doi.org/10.1016/j.soildyn.2013.11.005

[20] Peng, C.Y., Yang, J.S., Zheng, Y., et al., 2017. New τ _c Regression Relationship Derived from all P Wave Time Windows for Rapid Magnitude Estimation. Geophysical Research Letters, 44: 1724- 1731.https://doi.org/10.1002/2016GL071672

[21] Peng, C.Y., Yang, J.S., 2019. Real-Time Estimation of Potentially Damaged Zone for Earthquake Early Warning Based on Thresholds of P-Wave Parameters. Acta Seismologica Sinica, 41( 3): 354- 365 (in Chinese with English abstract).

[22] Peng, C.Y., Ma, Q., Jiang, P., et al., 2020. Performance of a Hybrid Demonstration Earthquake Early Warning System in the Sichuan-Yunnan Border Region. Seismological Research Letters, 91: 835- 846.https://doi.org/10.1785/0220190101

[23] Peng, C.Y., Jiang, P., Ma, Q., et al., 2021. Performance Evaluation of an Earthquake Early Warning System in the 2019-2020 M6.0 Changning, Sichuan, China, Seismic Sequence. Frontiers in Earth Science, 9: 699941.https://doi.org/10.3389/feart.2021.699941

[24] Peng, C.Y., Zheng, Y., Xu, Z.Q., et al., 2021. Construction and Verification of Onsite Ground Motion Prediction Models for Seismic Intensity Instrument. Acta Seismologica Sinica, 43( 5): 643- 655 (in Chinese with English abstract).

[25] Song, J.D., Jiao, C.C., Li, S.Y., et al., 2018. Prediction Method of First-Level Earthquake Warning for High Speed Railway Based on Two-Parameter Threshold of Seismic P-Wave. China Railway Science, 39( 1): 138- 144 (in Chinese with English abstract).

[26] Wang, D., Sun, K., 2022. How the Big Data Seismology and AI Refine Rapid Determination of Source Parameters of Large Earthquakes? Earth Science, 47( 10): 3915- 3917 (in Chinese with English abstract).

[27] Wells, D.L., Coppersmith, K.J., 1994. New Empirical Relationships among Magnitude, Rupture Length, Rupture Width, Rupture Area, and Surface Displacement. Bulletin of the Seismological Society of America, 84( 4): 974- 1002.https://doi.org/10.1007/BF00808290

[28] Xia, Y.S., Yang, L,P., 2000. Research on Earthquake Prediction (Warning) System and its Disaster Reduction Benefit. Northwestern Seismological Journal, 22( 4): 425- 457 (in Chinese with English abstract).

[29] Yamada, M., Heaton, T., 2008. Real-Time Estimation of Fault Rupture Extent Using Envelopes of Acceleration. Bulletin of the Seismological Society of America, 98( 2): 607- 619.https://doi.org/10.1785/0120060218

[30] Yamada, M., 2014. Estimation of Fault Rupture Extent Using Near-Source Records for Earthquake Early Warning. In: Wenzel, F., Zschau, J., eds., Early Warning for Geological Disasters, Advanced Technologies in Earth Sciences, Springer, Berlin, 29-48.

[31] Yu, Y.X., Wang, S.Y., 2006. Attenuation Relations for Horizontal Peak Ground Acceleration and Response Spectrum in Eastern and Western China. Technology for Earthquake Disaster Prevention, 1( 3): 1- 12 (in Chinese with English abstract).

[32] Zhang, H.C., Jin, X., Wang, S.C., et al., 2017. Comparative Analyses of Records by Seismic Intensity Instrument with Strong Ground Motion Records and Seismograph Stations Records: Taking the M _L4.5 Changli Earthquake of Hebei Province for an Example. Acta Seismologica Sinica, 39( 2): 273- 285 (in Chinese with English abstract).

[33] Zhang, Y., Wang, R.J., Zschau, J., et al., 2014a. Automatic Imaging of Earthquake Rupture Processes by Iterative Deconvolution and Stacking of High-Rate GPS and Strong Motion Seismograms. Journal of Geophysical Research, 119(7): 5633-5650.https://doi.org/10.1002/2013JB010469

[34] Zhang, Y., Wang, R.J., Chen, Y.T., et al., 2014b. Kinematic Rupture Model and Hypocenter Relocation of the 2013 M _W6.6 Lushan Earthquake Constrained by Strong-Motion and Teleseismic Data. Seismological Research Letters, 85: 15-22.https://doi.org/10.1785/0220130126

[35] 崔鹏,王姣,王昊,等,2022.如何科学防控与预警巨灾风险？.地球科学, 47( 10): 3897- 3899.

[36] 胡进军,丁袆天,张辉,等,2023.基于长短期记忆神经网络的实时地震烈度预测模型.地球科学, 48( 5): 1853- 1864.

[37] 黄媛,吴建平,张天中,等,2008.汶川8.0级大地震及其余震序列重定位研究.中国科学:地球科学, 38( 10): 1242- 1249.

[38] 卢建旗,李山有,2021.地震预警断层参数实时识别方法(FinDer)详解及其性能初步评价.世界地震工程, 37( 1): 152- 164.

[39] 彭朝勇,杨建思,薛兵,等,2013.基于汶川主震及余震的预警参数与震级相关性研究.地球物理学报, 56( 10): 3404- 3415.

[40] 彭朝勇,杨建思,2019.利用P波参数阈值实时估算地震预警潜在破坏区范围.地震学报, 41( 3): 354- 365.

[41] 彭朝勇,郑钰,徐志强,2021.面向地震烈度仪的现地地震动预测模型的构建与验证.地震学报, 43( 5): 643- 655.

[42] 宋晋东,教聪聪,李山有,等,2018.基于地震P波双参数阈值的高速铁路Ⅰ级地震警报预测方法.中国铁道科学, 39( 1): 138- 144.

[43] 王墩,孙琨,2022.地震大数据和AI如何改进全球大震参数快速测定？地球科学, 47( 10): 3915- 3917.

[44] 夏玉胜,杨丽萍,2000.地震预警（报）系统及减灾效益研究.西北地震学报, 22( 4): 425- 457.

[45] 俞言祥,汪素云,2006.中国东部和西部地区水平向基岩加速度反应谱衰减关系.震灾防御技术, 1( 3): 206- 217.

[46] 张红才,金星,王士成,等,2017.烈度仪记录与强震及测震记录的对比分析：以2015年河北昌黎 M _L4.5地震为例.地震学报, 39( 2): 273- 285.

基金资助

中国地震局地球物理研究所基本科研业务专项(DQJB23X11;DQJB20B17)

北京市自然科学基金(8202051)