深度学习在多站原始测地时间序列中用于与Cascadia地区震动验证的慢滑检测
摘要：慢滑移事件源于持续几天到几年的断层缓慢滑动。系统和完整地映射慢滑移事件对于表征滑移谱和理解其与同期地震信号的关联至关重要。然而，慢滑移事件目录稀缺且通常仅限于最大事件，因为变形瞬变常常被地测数据的噪声所掩盖。本文提出了首个多站点深度学习慢滑移事件检测器，应用于多个原始地测时间序列。其强大之处在于超真实的合成训练集和卷积与注意力基础神经网络的结合。应用于2007-2022年的卡斯卡迪亚真实数据，检测到78个慢滑移事件，与现有独立基准相比较良好：先前编目的慢滑移事件的87.5\%被重新检测到，每个检测都落在一次震颤活动的峰值之内。我们的方法还提供了关于慢滑移事件持续时间的有用代理，可能有助于揭示震颤活动与慢滑动的核聚变之间的关系。我们发现慢形变和震颤活动之间在全局和局部时间尺度上存在平均一整天的时间滞后，表明慢滑移可能推动附近小的不平坦区域的破裂。
作者：Giuseppe Costantino, Sophie Giffard-Roisin, Mathilde Radiguet, Mauro Dalla Mura, David Marsan, Anne Socquet
论文ID：2305.19720
分类：Geophysics
分类简称：physics.geo-ph
提交时间：2023-08-07