AI破解聖安地列斯斷層隱藏慢滑移事件 DeepStrain揭開地震新奧秘

大多數地震都係突然嚇人一跳。但喺美國加州聖安地列斯斷層Parkfield段嘅地底深處，有一種更安靜嘅活動一直喺度進行緊——呢啲就係慢滑移事件（Slow Slip Events, SSEs），佢哋會喺幾日甚至幾星期內慢慢釋放能量，唔會產生震動。家陣，一個叫DeepStrain嘅深度學習算法揭開咗呢啲隱藏活動嘅面紗，發現佢哋遠比之前諗嘅更常見，而且佢哋直接觸發咗一種叫低頻地震（Low-Frequency Earthquakes, LFEs）嘅小型震動。

點解慢滑移咁難捉？

慢滑移事件一向都好難檢測。鑽孔應變儀（Borehole Strainmeters, BSMs）——即係插入地下深處圓柱孔嘅儀器——可以偵測到納米級別嘅地殼變形，理論上夠靈敏去記錄由無震蠕動同間歇性震動同滑移（Episodic Tremor and Slip, ETS）引起嘅瞬時應變 。但問題係，呢啲又細又短暫嘅慢滑移信號好容易淹沒喺嘈雜嘅時間序列數據入面，人類分析員好多時都睇漏眼 。傳統GPS網絡更加冇符，因為呢啲深層事件產生嘅應變速率好多時低過GPS嘅檢測極限 。

DeepStrain點樣運作？

DeepStrain由德國GFZ波茨坦嘅地球物理學家Zahra Zali開發，係一個專門用美國國家科學基金會（NSF）美洲網絡（NOTA）鑽孔應變儀記錄訓練嘅深度學習模型 。呢個算法嘅厲害之處在於，佢可以喺連續應變數據嘅高維噪聲入面，認出慢滑移嘅微細波形模式。相關嘅代碼同預處理流程喺2025年8月已經公開咗，等第啲研究人員都可以應用呢個方法去其他斷層 。

應用喺Parkfield地區嘅時候，DeepStrain交出咗亮麗嘅成績：佢成功檢測到90%之前已經人手記錄咗嘅慢滑移事件，更加重要嘅係，發現咗21個之前被人手分析走漏眼嘅新事件 。呢個發現令已知事件目錄增加咗大約30%，令到呢個已經研究得好徹底嘅聖安地列斯斷層段，我哋對佢嘅行為有個更完整嘅了解。

同低頻地震嘅時間關聯

團隊再分析呢啲新發現慢滑移事件嘅時間，同低頻地震做比較。數據顯示：慢滑移事件成日喺低頻地震之前出現 。呢個時間先後序列，好強烈咁暗示一個因果機制：即係無震嘅慢滑移活動施加壓力，或者觸發咗個震源區，令佢後來產生低頻地震。

呢個結果同之前嘅研究一致——之前嘅研究已經指出，Parkfield附近嘅震動同低頻地震活動，同慢滑移事件有相同嘅「力矩-持續時間」比例，暗示佢哋係有物理聯繫嘅 。低頻地震一直以來都被解釋為周圍無震滑移嘅地震指標 ，但DeepStrain提供咗至今最清楚嘅大地測量證據，證明個別慢滑移事件確實喺細地震之前發生，而且好可能觸發咗佢哋。

對斷層監測同地質學AI應用嘅啟示

擴大檢測能力

DeepStrain展示咗AI可以提取到傳統方法（包括GPS網絡同人手應變儀分析）檢測唔到嘅大地測量信號。呢個擴充咗嘅慢滑移事件目錄，可以等我哋做更全面嘅統計研究，了解斷層行為、事件重複規律，以及啲乜嘢情況會引發大地震 。

無震滑移同地震滑移之間嘅因果關係

觀察到慢滑移事件成日喺低頻地震之前出現，支持咗一個模型：即慢滑移會對旁邊嘅斷層塊施加壓力，令佢哋更接近破裂點。呢個發現對於理解聖安地列斯斷層嘅地震孕育同重複規律——呢個區域嘅地震風險評估係極之關鍵嘅——有直接嘅意義 。

即時操作潛力

由於DeepStrain可以應用喺連續嘅鑽孔應變儀數據上，佢提供咗一個工具，可以接近即時咁檢測可能預示大地震嘅瞬時變形。NOTA網絡已經有齊所需嘅應變儀基礎設施，並且向研究社群提供數據同處理工具 。呢個技術有潛力改變地震預警系統點樣整合大地測量數據。

地質學AI嘅更廣泛先例

呢項工作加入咗一個日益壯大嘅證據體系：即深度學習可以系統咁提取傳統方法睇唔到嘅地球物理信號。類似嘅做法——例如用卷積神經網絡（CNN）喺Cascadia俯衝帶檢測震動，同用深度學習喺聖安地列斯斷層識別低頻地震——都已經證明AI可以作為現有監測網絡嘅「力量倍增器」 。DeepStrain證明咗呢個原理同樣適用於鑽孔應變儀數據，而鑽孔應變儀係檢測斷層深處瞬時滑移嘅關鍵傳感器類型。

需要注意嘅事

邊篇文章冇詳細講DeepStrain嘅具體架構（即係用卷積、遞歸定係Transformer設計）。完整嘅方法細節喺《Nature Communications》論文入面（doi: 10.1038/s41467-026-74095-9）。另外，呢個算法目前只喺Parkfield段驗證過，喺其他有唔同應變儀配置同噪聲特徵嘅斷層區表現點樣，仲有待測試。