四川木里2017年M_L4.9/M_S4.4级地震序列高精度地震目录重建

2017 M_L4.9/M_S4.4 Muli, Sichuan, Earthquake Sequence: A High-Precision Seismic Catalog Reconstruction

摘要

为了认识四川木里2017年M_L4.9/M_S4.4级地震序列活动特征，基于轻量化人工智能方法、模板匹配技术及地震定位方法，构建了从原始连续地震波形数据到地震震相检测、地震事件识别、地震定位的全流程框架，对四川木里M_L4.9/M_S4.4级地震震源区周边60 km内2017年9月1日至9月30日期间28个台站记录的原始连续地震波形数据进行了处理，重建了包括前震、主震及余震序列9 252次事件的高分辨率地震目录，结合43次M_L≥2.5级地震震源机制解对本次地震序列进行了分析，高精度地震目录反映出了更符合震级‒频度关系分布的规律，并清晰地揭示了地震时空演化特征.本次地震序列发生在锦屏山断裂所围限的NW-SE向复杂走滑型断层系统内部，地震序列自主震向NW和SE双向扩展，初步推测其成因为余滑作用驱动.

Abstract

To investigate the characteristics of the 2017 M_L4.9/M_S4.4 earthquake sequence in Muli, Sichuan, an end-to-end framework, involving raw continuous seismic waveform data processing to seismic phase detection, earthquake event identification, and earthquake location, was constructed based on lightweight artificial intelligence methods, template matching techniques, and earthquake location methods. This system was used to process raw waveform data from 28 stations within a 60 km radius of the epicentral area between September 1 and 30, 2017, reconstructing a high-resolution seismic catalog containing 9 252 foreshocks, mainshocks, and aftershocks. Based on focal mechanism solutions of 43 M_L≥2.5 earthquakes, it conducted a comprehensive analysis of the seismicity patterns.The refined catalog exhibits enhanced consistency with Gutenberg-Richter magnitude-frequency statistics and clearly delineates spatiotemporal evolutionary features.The seismic sequence occurred within a complex NW-SE trending strike-slip fault system bounded by the Jinpingshan Fault, with the bilateral expansion of events from the mainshock toward the NW and SE, and it was preliminarily attributed to driving by afterslip.

Graphical abstract

关键词

木里地震 / 地震目录 / 地震检测识别 / 全流程框架 / 地震学.

Key words

Muli earthquake / seismic catalog / seismic detection and identification / end⁃to⁃end framework / seismology

0 引言

2017年9月12日四川木里发生M_L4.9/M_S4.4级地震（木里地震），震前3 min发生M_L3.0、M_L4.0级地震各1次，震后10天内记录了近10次M_L≥3.0级的余震事件，地震序列呈现显著前震‒主震‒余震活动特征.本次地震序列发生在作为川滇菱形块体内部次级块体边界的丽江‒小金河断裂带（计昊旻等，2024）的西北侧（图1），整个地震序列被围限在锦屏山推覆构造带内.地震序列中心距丽江‒小金河断裂约20 km（图1），震源区周边整体以推覆构造为主导，呈西北向东南的逆冲推覆运动（余明烈，1990）.研究表明丽江‒小金河断裂以木里为界在东北段呈强闭锁状态（刘晓霞和邵志刚，2020），断裂具有发生6级以上地震的能力（徐锡伟等，2017； 丁锐等，2018）.根据国家地震科学数据中心（https：//data.earthquake.cn）记录，沿着丽江‒小金河断裂，在木里地震震源区西南侧曾发生1954年M_S5.2、1976年M_S5.6、M_S6.7、1978年M_S5.6及2001年M_S6.0等5次中强地震（图1），在震源区东北侧地震活动总体处于较弱水平.研究本次地震序列为认识木里周边推覆构造带内断层几何形态、地震活动特征具有重要科学意义.

高精度地震目录是刻画断层几何形态、反映断层变形机制的重要手段（Ross et al.， 2018； Zhou et al.， 2021； Lomax and Savvaidis， 2022）.当前主流的地震目录构建方法包括模板匹配检测和人工智能检测.其中基于人工智能的震相检测技术凭借高效波形特征提取能力，可快速构建长时间序列、大样本地震目录（Ross et al.， 2018； Zhu et al.， 2022），但人工智能震相识别模型是在人工拾取数据集上进行训练的（Zhang and Fang， 2025）.人工拾取的微震事件受噪声、人为分析认识等因素影响，微震事件的拾取精度、准确性均受到制约，训练集受到相应影响，基于人工智能的震相检测技术对小震级地震事件检测存在一定的不确定性.相比之下，模板匹配方法通过波形互相关检测，在微震事件检测方面显示出明显的优势，虽计算成本较高，却能显著提升目录完备性（Mousavi et al.， 2020），并能够测量互相关走时差，便于HypoDD （Waldhauser and Ellsworth， 2000）、GrowClust （Trugman and Shearer， 2017）等相对定位算法实现更高精度定位，但基于模板匹配的地震识别技术依赖预先准备的模板事件.近年来，融合两类方法优势的混合框架在2013年云南洱源地震（Liu et al.， 2022）、2021年云南漾濞地震（Zhou et al.， 2021）的高精度地震目录构建、断层成像中表现出了显著的潜力.

本文以木里地震序列为切入点，利用人工智能地震识别技术与模板匹配技术共同约束的策略，结合地震绝对定位和相对定位方法构建了包括木里地震前震、主震及余震序列地震事件的高精度地震目录.通过高分辨率目录分析了地震序列时空演化特征，结合基于初动的小地震震源机制解讨论了断层结构和地震活动特征，为认识锦屏山推覆带浅部构造几何形态提供了关键观测约束，对深入理解丽江‒小金河断裂闭锁‒解锁动力学过程具有重要的参考意义.

1 地震构造背景

丽江‒小金河断裂带位于青藏高原东南缘，是川滇菱形地块内一条重要的左旋走滑断裂带（图1b），形成于中生代龙门山‒锦屏山逆冲推覆构造带上.受印度板块与欧亚板块的碰撞，青藏高原东南向挤出，新生代以来丽江‒小金河断裂带随着川滇块体东南向挤出发生顺时针旋转（徐锡伟等，2003；张天继等，2024）.在复杂的构造作用中孕育了该断裂北东段以左旋走滑为主兼逆断层分量、南西段以左旋走滑为主兼有正断层分量的特征（丁锐等，2018），形成了切割川滇菱形地块的重要二级边界断层（Chen et al.， 2024），向NE120˚~165˚方向运动（张培震等，2003），其水平滑动速率为3~4 mm/a（计昊旻等， 2024）.丽江‒小金河断裂带呈NE分布，倾向NW，倾角为60˚~80˚，全长300余公里，南起剑川盆地，北与鲜水河断裂在石棉附近交汇，断裂带大致以木里和丽江为分割点呈三段（丁锐等，2018； Li et al.， 2023），木里地震序列发生在丽江‒小金河断裂带分割点木里附近（图1a）.

丽江‒小金河断裂带附近区域被认为是青藏高原物质向东南方向流动的重要通道（Dong et al.， 2024），该断裂带形成与青藏高原的隆升和向东南方向扩展有关，其活动方式和强度直接影响着区域地壳的稳定性与地震活动（Chen et al.， 2024）.丽 江‒小金河断裂周边强震频发，1900年以来，M_S≥5.0级地震超过80次，其中最大震级为1996年宁蒗7.5级地震，最近一次为2022年宁蒗M_S5.5级地震.在空间上，丽江‒小金河断裂带强震活动以木里为界，其中丽江‒小金河断裂北东段的木里至冕宁为M_S5.0级地震空区（张天继等， 2024），地震活动总体呈较弱状态（李乐等， 2008），M_S5.0级以上地震均发生在木里以西.基于古地震的研究表明全新世在丽江‒小金河断裂中段存在3次古地震，最大地震高达M7.5级，复发周期约3 000年（丁锐等， 2018），其他研究也表明丽江‒小金河断裂存在发生7级地震的可能（刘晓霞和邵志刚， 2020； Li et al.， 2023）.

2 数据和方法

2.1　数据

本研究挑选了木里地震震源区周边60 km范围内的28个地震台站记录的原始连续地震波形数据进行处理（图1），台站中26个为FSS⁃3M型的2 s~ 40 Hz短周期地震计，2个为BBVS⁃60型的2 s~ 60 Hz宽频带地震计.台站连续波形数据时间范围为2017年9月1日至2017年9月30日，采样率为100 Hz.

2.2　地震目录构建流程及方法

结合轻量化人工智能方法LPPN（Yu and Wang， 2022）和模板匹配技术MESS（Zhou et al.， 2022）及绝对定位方法HypoInverse（Klein， 2002）和相对定位方法HypoDD （Waldhauser and Ellsworth， 2000），设计了从原始连续地震波形到地震震相检测、地震事件识别、地震定位的流程（图2），通过对原始连续地震波形数据处理，构建了木里地震前震、主震及余震序列高精度地震目录.

2.2.1　人工智能震相检测和地震识别

LPPN（Yu and Wang， 2022）是基于轻量化的人工智能地震震相拾取方法，该方法采用深度分离卷积优化了理论计算复杂度、同时也减少了训练参数，模型使用全国100 Hz数据训练，具有良好的泛化能力，得到了广泛应用.在木里地震序列构建中，初始震相检测采用LPPN方法对震源区28个台站30天的三分量连续地震波形数据进行了初至震相到时拾取，拾取阈值概率为0.3.

地震关联是目录构建过程中关键步骤，本文利用基于走时表的网格搜索方法REAL（Zhang et al.， 2019）进行地震关联，该方法通过台站距离、台站个数、震相个数、走时残差等参数共同约束提高关联准确性，并采用模拟退火法进行初步定位.本研究中，地震关联网格搜索在水平方向设置为0.1˚，间隔0.02˚，深度范围在20 km内，间隔为 2 km，每5 s识别一个事件；利用检测到的震相数量进行了严格约束，将走时残差不超过0.5 s、同时至少具有3个Pg、Sg震相且Pg、Sg震相总数不小于8个的关联为1次地震事件，其中关联采用的走时表是通过在川滇地区公共3D速度模型2.0（Liu et al.， 2023）中提取的研究区域平均1D速度模型构建.

关联后，利用走时数据首先基于梯度下降反演的绝对位置定位方法HypoInverse（Klein， 2002）进行定位，在绝对定位的基础上再计算到时差，利用HypoDD （Waldhauser and Ellsworth， 2000）进行相对定位.在木里地震序列定位中，1D速度模型与关联阶段所采用的速度模型一致，在HypoInverse绝对定位中对至少有4个台站记录的事件进行了定位，设置了余弦距离加权因子，距离为50 km，残差为0.16 s，在HypoDD走时差相对定位中，设置事件对的最大震源距离为10 km，进行了2组定位反演，每组反演迭代5次，两组反演的震源距离（WDCT）分别设置为6 km和4 km.

2.2.2　模板匹配震相检测及地震识别

2017年木里M_L4.9级/M_S4.4级地震序列最终地震目录采用基于模板匹配技术的MESS方法构建，该方法通过模板事件与连续地震波形匹配（Match）、互相关峰值扩展（Expand）、检测偏移（Shift）及台站叠加（Stack）等四步实现地震检测和互相关到时差的测量.该阶段以人工智能震相检测、地震关联和地震定位后的地震事件作为模板事件，采用MESS对连续地震波形数据进行模板匹配地震检测识别.MESS在匹配阶段事件模板长度需同时覆盖P波和S波震相，为解决在人工智能震相检测、地震关联阶段部分台站存在只检测到P波或S波震相的情况，针对台站未检测到的震相基于川滇地区公共速度模型2.0计算了理论到时，构建了P⁃S震相对进行了模板事件约束.在地震序列检测中，设置模板事件至少被4个台站记录到，每个台站截取P波前1 s、长度为9 s的窗长，确保覆盖P波和S波震相；在基于互相关震相拾取时设置了P波窗长为2 s，S波窗长为3 s，检测互相关阈值为0.3，并进行了1~20 Hz滤波.

最后基于MESS测量地震震相互相关数据和川滇地区公共速度2.0模型，利用HypoDD对模板匹配识别的地震事件进行了高精度相对地震定位.在定位过程中，选取了至少被4个模板同时检测且具有4个台站记录，P波、S波互相关系数均大于0.3的地震事件进行定位，对选定事件进行了2组反演，每组迭代5次，两组反演震源距离（WDCC）分别设置为6 km和4 km.

3 结果

基于人工智能的LPPN方法检测Pg震相 160 835个、Sg震相177 005个；经REAL关联后识别有效Pg震相46 597个、Sg震相53 259个，初步定位地震事件5 809次，采用走时‒距离关系评估了关联后的有效Pg、Sg震相走时残差，其中Pg、Sg震相走时残差在1.0 s内的分别占总数的99.3%和95.5%.对震相到时数据采用HypoInverse绝对定位、HypoDD相对定位后共保留地震事件5 422次；以前一阶段识别地震事件为模板，经MESS方法检测识别地震9 475次，基于互相关数据重定位后，最终共识别地震9 252次，地震数量是基于LPPN方法检测识别地震数量的1.7倍，最终地震目录E⁃W、N⁃S和U⁃D三个方向的不确定性分别为2 m、2 m、 5 m，平均走时残差为1 ms，地震分布如图3所示.

本研究在全流程地震震相检测、地震关联、定位过程中均作了严格控制，在REAL关联阶段通过台站数、走时残差、P波S波震相数目进行了限制，HypoInverse绝对定位前利用走时‒距离关系对误差较大的震相剔除，MESS完成后通过互相关系数、台站个数、关联模板数量共同约束进行事件识别，最终获得了高精度的地震目录.图3为木里地震高精度地震序列空间分布，图3a为地震事件在水平方向分布，图3b为地震序列与周边断层分布关系，图3c为深度上沿着地震序列分布优势方向AB剖面两侧0.8 km范围内地震事件分布，图3d~3f为深度方向上沿着CD、EF、GH剖面位置两侧0.55 km范围内地震事件分布.

定位结果显示，木里地震震中为101.422˚E、27.903˚N，震源深度9.31 km.通过基于密度聚类的DBSCAN方法以邻域（eps）为0.75、最小地震数量为80个的标准进行了地震事件空间聚类.聚类结果显示，地震在水平和深度方向均呈现出显著的丛集特征（图3），总体在3个区域丛集（图3a），其中Cluster1、Cluster2主要为前震序列，震源平均深度分别为3.45 km、5.20 km，Cluster3主要为木里地震的余震序列，震源平均深度为8.96 km.余震序列总体分布在主震的东北侧（Cluster3），被围限在锦屏山断裂（F2⁃1、F2⁃2）之间（图3b）、呈NW⁃SE向分布，扩展长度约3.5 km，深度集中在7.5~10.5 km间；局部特征上余震在主震附近呈现出南北向无显著地震活动的区域，结合深度分布特征可以发现在该区域的西侧震源深度由西南向东北逐渐增加（图3d），在空区的东侧呈现出相反特征（图3f），深度剖面（CD、EF、GH）反映出余震序列所勾勒的断层面倾角较陡峭（图3d~3f），沿着走向（AB）断层倾角变化不明显（图3c）.

本次研究对M_L≥2.5级的43次地震事件采用人工分析拾取的初动计算了震源机制解，图4展示了木里地震序列震中分布和震源机制解、震源机制三角解（Frohlich， 1992）及节面分布，结果显示地震事件震源机制解的走向、倾向、滑动角基本一致，以走滑断层型地震为主，其中走滑型地震占95.3%，节面走向优势方向主要集中沿NW⁃SE和NE⁃SW两个方向分布，结合余震序列在长轴走向上的分布特征确定节面方向为NW⁃SE向.高精度的地震分布勾勒出了木里地震序列清晰的几何形态，结合震源机制解特征反映出本次地震序列发生在一个呈NW⁃SE分布的走滑型断层系统.

4 讨论分析

4.1　检测结果对比

图5显示了木里地震震源区2017年9月份人工拾取分析地震目录（图5a）、人工智能震相检测目录（图5b）及模板匹配震相检测目录（图5c），其中人工挑选地震目录按照常规流程构建，即根据经验人工拾取可分辨震相并采用locate3D定位方法进行定位，地震目录共包含3 843次地震，平均走时残差0.39 s.与人工拾取地震目录在空间分布（图5a）相比，重建地震目录具有更高的分辨率，表现出了明显丛集特征（图5c）.人工拾取目录（图5a）基于川滇三维速度模型（吴建平等， 2009）绝对定位构建，地震事件在空间上呈有序的规则分布，定位位置准确度在水平和深度方向均表现较差，不能清晰反映地震事件在空间上演化，无法达到刻画断层几何形态的目的.本研究重建的地震目录最终相对走时残差为0.01 s、水平方向定位不确定度优于2 m、垂直不确定度优于5 m，地震事件分布清晰地反映出震源在空间上变化，地震事件在水平方向和深度方向呈明显的丛集特征（图5c）.与基于走时定位的目录相比（图5b），基于互相关数据的相对定位对地震序列具有显著的约束作用，为进一步分析地震活动特征提供了条件.

地震的震级‒频度分布遵循古腾堡‒里克特定律（G⁃R定律）（Gutenberg and Richter， 1944），这一定律是验证地震目录质量的重要手段.本研究采用同时估计b值和Mc的方法（Mizrahi et al.， 2021），通过10 000次与原始样本量相同的随机抽样模拟实现，每组样本计算观测累积分布函数（CDF）与理论CDF的K⁃S距离进行比较，分别计算了人工拾取地震目录和本研究重建地震目录的完备性震级Mc和b值，p值为K⁃S距离超过Mc的比例，取p值大于0.05对应的震级为最小完备性震级，其中人工拾取目录完备性震级为M_L0.2，b值为0.75（图6a），重建目录的完备性震级为M_L0.2，b值为0.94.图6b、图6d分别显示了人工拾取目录和重建目录的震级‒频度关系，可以发现在M_L2.0~M_L3.0震级范围基于混合策略重建的地震目录震级‒频度关系相较人工拾取目录显示出与G⁃R定律更高的一致性，表明重建地震目录是有效的，且与之对应的b值更稳定、更具可信度.

最小完备性震级（Mc）是评估地震目录完备性和地震台网监测能力的关键指标，通常人工智能、模板匹配等地震检测方法在微震识别方面的能力显著优于人工拾取，可识别更小震级的地震事件（Mousavi et al.， 2020； Zhou et al.， 2021）、降低Mc下限.然而本文中人工拾取地震目录与基于混合策略重建的地震目录的Mc均为M_L0.2，并未表现出混合策略重建目录具有降低完备性震级的显著优势.初步分析，一方面反映了该研究中选取的地震台网监测能力具有较好的稳定性，另一方面可能是因人工拾取地震震级与MESS方法地震震级计算方法不同所引起，人工拾取地震震级按照《地震震级的规定》计算，取DD⁃1短周期地震计仿真后的水平向S波振幅大于2倍噪声的最大振幅，并结合地方量规函数进行计算；MESS方法采用台站S波振幅、距离校正项，基于Richter （1935）方法进行估计，然而在多数情况下距离校正项不适用（Boore， 1989），这可能致使MESS方法在小地震震级计算中比人工拾取震级估计偏大.

4.2　时空特征及孕震结构

结合木里地震序列活动特征，将地震序列在时间维度上划分为T0（9月1日至9月12日18时）、T1（9月12日18时至9月21日12时）、T2（9月21日12时至9月30日）三个阶段.图7展示了本研究重建目录地震事件在不同时间段的分布，在木里地震发生前，该区域T0阶段地震主要分布在主震西侧，震源深度基本不超过5 km（图7a），在主震发生前（图7d）主震震源区附近发生M_L3.0、M_L4.0级地震各一次；在主震发生后，余震序列可分为T1、T2两个阶段（图7d），T1阶段地震序列深度在7.5~10 km范围内，水平方向上扩展长约3.5 km、呈NW⁃SE向带状分布（图7b）；T2阶段，余震序列基本沿T1阶段破裂区域在主震SE侧分布，并伴有数次震级M_L3.0级以上余震事件，最大震级M_L3.9级（图7c）.T0、T1、T2三个阶段地震分布特征反映出本次地震活动是一次由前震触发、以主震事件为中心分别向NW和SE方向破裂的地震序列.另外，T1、T2阶段震源深度基本被局限在7.5~10 km，未出露至地表，初步推测本次地震序列发生在小规模的隐伏断层.

余震时空分布是地震应力传播过程的表现，主震破裂区经常伴随余震扩展现象，通常认为余震触发存在静态应力变化（Kilb et al.，2000； Richards⁃Dinger et al.， 2010）、动态应力变化（Felzer， 2006）及余滑（Peng and Zhao， 2009）三种机制.为了进一步判断木里地震序列特征，将T1、T2阶段丛集区3（图3a）的地震序列沿着NW⁃SE扩展方向（AB剖面）投影到时间维度（图8），余震序列分布显示出以木里地震为中心呈现向双侧扩展的特征，其中向SE侧扩展长度约2.1 km、向NW侧扩展长度约1.4 km，两侧扩展速率表现出明显的差异（图8），余震序列分别向两侧扩展长度与时间的对数总体呈线性关系，这一特征与2004年美国Parkfield M_w6.0地震序列（Peng and Zhao， 2009）、2017年九寨沟M_S7.0级地震余震序列（房立华等， 2018）分布特征基本一致.木里地震序列在其主要分布方向呈双侧扩展与余滑驱动序列典型行为吻合，同时木里地震余震序列明显缺乏 M_L≥3.0级的余震事件（图6d），推测部分应力可能以余滑等形式释放，且震源所在的木里区域地处丽江‒小金河断裂滑动亏损转换区（刘晓霞和邵志刚，2020），这些特征共同揭示了木里地震余震序列存在余滑驱动可能.川滇地区地震3D速度结构（Liu et al.， 2023）显示，木里地震震源区西北侧呈低速区、东南侧呈高速区，木里地震序列处在高低速过渡区域，同时木里‒盐源地区深部电性结构研究（张炯等， 2022）显示在木里地震震源区周边呈现高导电性的塑性特征，初步推测本次地震是由丽江‒小金河断裂在木里区域物质性质差异所致.

5 结论

本文基于轻量化人工智能方法LPPN、模板匹配技术MESS及绝对定位方法HypoInverse和相对定位方法HypoDD构建了从原始连续地震波形到地震震相检测、地震事件识别、地震定位的全流程框架，对木里地震震源区周边60 km范围内2017年9月1日至9月30日期间28个地震台站记录的连续地震波形数据进行了分析处理，重建了包括木里地震前震、主震及余震序列9 252次事件的高分辨率地震目录，结合43次M_L≥2.5级地震事件震源机制解对木里地震序列进行了分析.主要结论如下：

（1）从原始连续地震波形数据到高精度地震目录的全流程地震分析框架相较于人工拾取方法，表现出具有构建更符合震级‒频度关系的高精度地震目录的能力，为地震活动性参数估计和断层几何结构厘定提供了条件.

（2）高精度地震目录反映出木里地震序列发生在锦屏山断裂（F2⁃1、F2⁃2）围限的推覆构造之间，主震震中为101.422˚E、27.903˚N，震源深度9.31 km，地震序列呈现明显的时空丛集特征，余震序列呈NW⁃SE分布，震源集中在7.5~10.5 km深度，通过高分辨率的地震目录和震源机制解综合判断，本次地震序列发生在一个呈NW⁃SE分布的走滑型断层系统.

（3）木里地震余震序列呈现明显的时空迁移特征，以木里地震为中心分别向西北和东南扩展，扩展长度约3.5 km，本次地震序列可能是一次余滑驱动的地震序列，结合地震波速度结构和电性特征初步推测本次地震序列是由丽江‒小金河断裂在木里区域物质性质差异所致.

参考文献

[1] Boore, D. M., 1989. The Richter Scale: Its Development and Use for Determining Earthquake Source Parameters.Tectonophysics, 166(1-3): 1-14. https://doi.org/10.1016/0040⁃1951(89)90200⁃X

[2] Chen, Y. Q., Ding, R., Zhang, S. M., et al., 2024. Characteristics and Tectonic Implications of the Geomorphic Indices of the Watersheds around the Lijiang⁃Jinpingshan Fault. Remote Sensing, 16(20): 3826. https://doi.org/10.3390/rs16203826

[3] Ding, R., Ren, J. J., Zhang, S. M., et al., 2018. Late Quaternary Paleoearthquakes on the Middle Segment of the Lijiang⁃Xiaojinhe Fault, Southeastern Tibet. Seismology and Geology, 40(3): 622-640 (in Chinese with English abstract).

[4] Dong, G. J., Liu, S. L., Sun, K. L., et al., 2024. Spatial Distribution of Mid⁃Lower Crustal Flow in the SE Tibetan Plateau Revealed by P⁃Wave Velocity and Azimuthal Anisotropy beneath the Lijiang⁃Xiaojinhe Fault and Its Vicinity. Geophysical Journal International, 237(2): 931-948. https://doi.org/10.1093/gji/ggae080

[5] Fang, L. H., Wu, J. P., Su, J. R., et al., 2018. Relocation of Mainshock and Aftershock Sequence of the M_s7.0 Sichuan Jiuzhaigou Earthquake. Chinese Science Bulletin, 63(7): 649-662 (in Chinese).

[6] Felzer, K. R., Brodsky, E. E., 2006. Decay of Aftershock Density with Distance Indicates Triggering by Dynamic Stress. Nature, 441(7094): 735-738. https://doi.org/10.1038/nature04799

[7] Frohlich, C., 1992. Triangle Diagrams: Ternary Graphs to Display Similarity and Diversity of Earthquake Focal Mechanisms. Physics of the Earth and Planetary Interiors, 75(1-3): 193-198. https://doi.org/10.1016/0031⁃9201(92)90130⁃N

[8] Gutenberg, B., Richter, C. F., 1944. Frequency of Earthquakes in California. Bulletin of the Seismological Society of America, 34(4): 185-188. https://doi.org/10.1785/bssa0340040185

[9] Ji, H. M., Ren, Z. K., Liu, J. R., 2024. Review of Structural Deformation in the Upper Crust of the Southeastern Margin of the Tibetan Plateau since the Late Cenozoic. Earth Science, 49(2): 480-499 (in Chinese with English abstract).

[10] Kilb, D., Gomberg, J., Bodin, P., 2000. Triggering of Earthquake Aftershocks by Dynamic Stresses. Nature, 408(6812): 570-574. https://doi.org/10.1038/35046046

[11] Klein, F. W., 2002. User’s Guide to HYPOINVERSE⁃2000, a Fortran Program to Solve for Earthquake Locations and Magnitudes. Open⁃File Report. U.S. Geological Survey, Menlo Park.

[12] Li, L., Chen, Q. F., Niu, F. L., et al., 2008. Slip Rate along the Lijiang⁃Ninglang Fault Zone Estimated from Repeating Microearthquakes. Chinese Science Bulletin, 53(23): 2925-2932 (in Chinese).

[13] Li, Y. C., Shan, X. J., Gao, Z. Y., et al., 2023. Interseismic Coupling, Asperity Distribution, and Earthquake Potential on Major Faults in Southeastern Tibet. Geophysical Research Letters, 50(8): e2022GL101209. https://doi.org/10.1029/2022GL101209

[14] Liu, M., Li, H. Y., Zhang, M., et al., 2022. Investigation of the 2013 Eryuan, Yunnan, China M_S5.5 Earthquake Sequence: Aftershock Migration, Seismogenic Structure and Hazard Implication. Tectonophysics, 837: 229445. https://doi.org/10.1016/j.tecto.2022.229445

[15] Liu, X. X., Shao, Z. G., 2020. Current Fault Movement Characteristics in the Lijiang⁃Xiaojinhe Fault Zone. Chinese Journal of Geophysics, 63(3): 1117-1126 (in Chinese with English abstract).

[16] Liu, Y., Yu, Z. Y., Zhang, Z. Q., et al., 2023. The High⁃Resolution Community Velocity Model V2.0 of Southwest China, Constructed by Joint Body and Surface Wave Tomography of Data Recorded at Temporary Dense Arrays. Science China Earth Sciences, 66(10): 2368-2385. https://doi.org/10.1007/s11430⁃022⁃1161⁃7

[17] Lomax, A., Savvaidis, A., 2022. High⁃Precision Earthquake Location Using Source⁃Specific Station Terms and Inter⁃Event Waveform Similarity. Journal of Geophysical Research: Solid Earth, 127(1): e2021JB023190. https://doi.org/10.1029/2021JB023190

[18] Mizrahi, L., Nandan, S., Wiemer, S., 2021. The Effect of Declustering on the Size Distribution of Mainshocks. Seismological Research Letters, 92(4): 2333-2342. https://doi.org/10.1785/0220200231

[19] Mousavi, S. M., Ellsworth, W. L., Zhu, W. Q., et al., 2020. Earthquake Transformer—An Attentive Deep⁃Learning Model for Simultaneous Earthquake Detection and Phase Picking. Nature Communications, 11: 3952. https://doi.org/10.1038/s41467⁃020⁃17591⁃w

[20] Peng, Z. G., Zhao, P., 2009. Migration of Early Aftershocks Following the 2004 Parkfield Earthquake. Nature Geoscience, 2(12): 877-881. https://doi.org/10.1038/ngeo697

[21] Richards⁃Dinger, K., Stein, R. S., Toda, S., 2010. Decay of Aftershock Density with Distance does not Indicate Triggering by Dynamic Stress. Nature, 467(7315): 583-586. https://doi.org/10.1038/nature09402

[22] Richter, C. F., 1935. An Instrumental Earthquake Magnitude Scale. Bulletin of the Seismological Society of America, 25(1): 1-32. https://doi.org/10.1785/bssa0250010001

[23] Ross, Z. E., Meier, M. A., Hauksson, E., 2018. P Wave Arrival Picking and First⁃Motion Polarity Determination with Deep Learning. Journal of Geophysical Research: Solid Earth, 123(6): 5120-5129. https://doi.org/10.1029/2017JB015251

[24] Trugman, D. T., Shearer, P. M., 2017. GrowClust: A Hierarchical Clustering Algorithm for Relative Earthquake Relocation, with Application to the Spanish Springs and Sheldon, Nevada, Earthquake Sequences. Seismological Research Letters, 88(2A): 379-391. https://doi.org/10.1785/0220160188

[25] Waldhauser, F., Ellsworth, W. L., 2000. A Double⁃ Difference Earthquake Location Algorithm: Method and Application to the Northern Hayward Fault, California. Bulletin of the Seismological Society of America, 90(6): 1353-1368. https://doi.org/10.1785/0120000006

[26] Wessel, P., Luis, J. F., Uieda, L., et al., 2019. The Generic Mapping Tools Version 6. Geochemistry, Geophysics, Geosystems, 20(11): 5556-5564. https://doi.org/10.1029/2019GC008515

[27] Wu, X. Y., Xu, X. W., Yu, G. H., et al., 2024. The China Active Faults Database (CAFD) and Its Web System. Earth System Science Data, 16(7): 3391-3417. https://doi.org/10.5194/essd⁃16⁃3391⁃2024

[28] Wu, J. P., Huang, Y., Zhang, T. Z., et al., 2009. Aftershock Distribution of the M_S8.0 Wenchuan Earthquake and Three Dimensional P⁃Wave Velocity Structure in and around Source Region. Chinese Journal of Geophysics, 52(2): 320-328 (in Chinese with English abstract).

[29] Xu, X. W., Wen, X. Z., Zheng, R. Z., et al., 2003. Pattern of Latest Tectonic Motion and Its Dynamics for Active Blocks in Sichuan⁃Yunnan Region, China. Scientia Sinica Terrae, 33(S1): 151-162 (in Chinese).

[30] Xu, X. W., Wu, X. Y., Yu, G. H., et al., 2017. Seismo⁃Geological Signatures for Identifying M≥7.0 Earthquake Risk Areas and Their Premilimary Application in Mainland China. Seismology and Geology, 39(2): 219-275 (in Chinese with English abstract).

[31] Yu, M.L., 1990. Study on the Nappe Structure in Muli Western Stchuan. Regional Geology of China, 9(1): 46-50, 59 (in Chinese with English abstract).

[32] Yu, Z. Y., Wang, W. T., 2022. LPPN: A Lightweight Network for Fast Phase Picking. Seismological Research Letters, 93(5): 2834-2846. https://doi.org/10.1785/0220210309

[33] Zhang, J., Chen, X. B., Cai, J. T., et al., 2022. Deep Electrical Structure and Tectonic Implications beneath the Muli⁃Yanyuan Area. Chinese Journal of Geophysics, 65(1): 268-279 (in Chinese with English abstract).

[34] Zhang, L., Fang, L. H., 2025. Characterizing Pick Error Models for Local Seismic Phases. Journal of Earth Science,1-22. https://doi.org/10.1007/s12583⁃025⁃0203⁃8

[35] Zhang, M., Ellsworth, W. L., Beroza, G. C., 2019. Rapid Earthquake Association and Location. Seismological Research Letters, 90(6): 2276-2284. https://doi.org/10.1785/0220190052

[36] Zhang, P. Z., Deng, Q. D., Zhang, G. M., et al., 2003. Active Tectonic Blocks and Strong Earthquakes in the Continent of China. Scientia Sinica Terrae, 33(S1): 12-20 (in Chinese).

[37] Zhang, T. J., Jin, M. P., Li, Q. F., et al., 2024. The Study of Crustal Thickness and Poisson’s Ratio on Both Sides of the Lijiang⁃Xiaojinhe Fault by H⁃κ⁃c Method. Chinese Journal of Geophysics, 67(6): 2075-2089 (in Chinese with English abstract).

[38] Zhou, Y. J., Ghosh, A., Fang, L. H., et al., 2021. A High⁃Resolution Seismic Catalog for the 2021 M_S6.4/M_W6.1 Yangbi Earthquake Sequence, Yunnan, China: Application of AI Picker and Matched Filter. Earthquake Science, 34(5): 390-398. https://doi.org/10.29382/eqs⁃2021⁃0031

[39] Zhou, Y. J., Yue, H., Fang, L. H., et al., 2022. An Earthquake Detection and Location Architecture for Continuous Seismograms: Phase Picking, Association, Location, and Matched Filter (PALM). Seismological Research Letters, 93(1): 413-425. https://doi.org/10.1785/0220210111

[40] Zhu, W. Q., Hou, A. B., Yang, R., et al., 2022. QuakeFlow: A Scalable Machine⁃Learning⁃Based Earthquake Monitoring Workflow with Cloud Computing. Geophysical Journal International, 232(1): 684-693. https://doi.org/10.1093/gji/ggac355

基金资助

国家重点研发计划项目(2022YFC3004402)