AI 揭開聖安地列斯斷層的「寂靜滑移」

大多數地震的發生伴隨著劇烈的搖晃。但在美國加州聖安地列斯斷層的帕克菲爾德（Parkfield）段，地底下一直存在一種更為安靜的運動——「慢滑移事件」（Slow Slip Events, SSEs）。這些事件在數天或數週內緩慢釋放能量，卻不會產生有感地震。如今，一套名為 DeepStrain 的深度學習演算法揭示了這些寂靜事件的頻率遠高於過往認知，並且它們直接扮演著觸發「低頻地震」（Low-Frequency Earthquakes, LFEs）的關鍵角色。

偵測「寂靜」的挑戰

慢滑移事件極難捕捉。鑽孔應變計（Borehole Strainmeters, BSMs）是一種深埋於地底鑽孔中的儀器，靈敏度達到「奈米應變」等級，足以記錄來自「無震蠕滑」和「間歇性震顫與滑移」的瞬時應變 。然而，小型且短暫的 SSE 訊號，往往淹沒在充滿雜訊的長時間序列數據中，過去經常被分析人員忽略 。傳統的 GPS 網路在偵測這類深層事件時，效果更差，因為這些事件的應變率通常低於 GPS 的偵測門檻 。

DeepStrain 如何運作

DeepStrain 由德國波茨坦 GFZ 地球科學研究中心的地球物理學家 Zahra Zali 所開發。這是一套專門訓練於美國國家科學基金會「美洲網路（NOTA）」鑽孔應變計數據的深度學習模型 。該演算法學會在連續應變數據的高維度雜訊中，辨識屬於慢滑移的細微波形特徵。其程式碼與預處理流程已於 2025 年 8 月公開發布，允許其他研究團隊將其應用於其他斷層帶 。

當應用於帕克菲爾德地區時，DeepStrain 達成了驚人的成果：它偵測到 90% 以往人工編錄的 SSSE，更關鍵的是，它額外辨識出 21 個在人工分析中被遺漏的新 SSEs 。這項發現使已知事件目錄增加了約 30%，為這個被密集研究的聖安地列斯斷層段，提供了更完整的斷層行為圖像。

與低頻地震的時間關聯

這項研究最重大的發現，來自於團隊分析新偵測到的 SSEs 與低頻地震（LFEs）發生時間的關聯。數據顯示，慢滑移事件發生後，往往緊接著出現低頻地震 。這個時間序列強烈暗示了一種因果機制：無震的慢滑移為鄰近的地震發生區塊施加了應力，進而觸發了後續的低頻地震。

這項結果與先前的研究相呼應，過去的研究已指出，帕克菲爾德附近的震顫與低頻地震活動，與慢滑移事件具有相同的「矩-持續時間」比例關係，暗示它們在物理機制上有所連結 。低頻地震長久以來被視為周圍「無震滑移」的地震學指標 ，而 DeepStrain 提供了迄今最明確的大地測量證據，證明個別的慢滑移事件確實發生在前，並可能觸發了那些小型地震。

對斷層監測與 AI 地質學的啟示

擴展偵測能力

DeepStrain 證明了人工智慧能夠萃取出低於傳統 GPS 網路與人工應變計分析門檻的大地測量訊號。這個擴充後的 SSE 目錄，讓科學家能對斷層行為、重複間隔以及可能導致大型地震的條件，進行更強而有力的統計研究 。

無震滑移與地震滑移的因果連結

觀察到 SSEs 系統性地發生在 LFEs 之前，支持了「慢滑移會為鄰近斷層區塊加載應力，可能使其更接近破裂點」的模型。這對於理解聖安地列斯斷層（一個地震危害評估的關鍵區域）的地震成核機制與重複週期，具有直接的相關性 。

即時操作潛力

由於 DeepStrain 能部署於連續的鑽孔應變計數據流上，它提供了一種近即時偵測可能預示大型地震之瞬時變形的工具。NOTA 網路已具備必要的應變計基礎設施，並向研究社群提供數據與處理工具 。這可能徹底改變地震預警系統整合大地測量數據的方式。

更廣泛的 AI 地球物理學先例

這項研究加入了越來越多證據的行列，證明深度學習能系統性地提取傳統方法無法看見的地球物理訊號。類似的應用——例如用於卡斯卡迪亞（Cascadia）震顫偵測的卷積神經網路，以及在聖安地列斯斷層上辨識低頻地震的深度學習——都顯示 AI 可以作為現有監測網路的「力量倍增器」。DeepStrain 則證明，同樣的原理也適用於鑽孔應變計數據，這是一種用於偵測斷層深處瞬時滑移的關鍵感測器類型。

注意事項與未解問題

公開資訊中未詳細說明 DeepStrain 的精確架構（例如它採用卷積、遞歸還是 Transformer 的設計）。完整的方法論細節收錄於《自然通訊》論文中（DOI: 10.1038/s41467-026-74095-9）。此外，該演算法目前僅在帕克菲爾德段經過驗證，其在其他具有不同應變計配置和雜訊特徵的斷層帶上的表現，仍有待進一步測試。