📄 earth_science

Development of Earthquake Early Warning (EEW) System: Empirical relationship using data from Japan

本研究利用 2010 年至 2024 年间 143 次日本地震的强震数据，建立了各种 P 波参数与地震震级之间的经验关系，证明了结合多个参数的 5 秒分析窗口能显著提高地震预警系统中震级估算的可靠性。

原作者： R Gowrinanda, Utpal Saikia, Atul Saini, Himanshu Mittal

发布于 2026-07-06

📖 1 分钟阅读☕ 轻松阅读

原作者： R Gowrinanda, Utpal Saikia, Atul Saini, Himanshu Mittal

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

大局观：地震“预警”系统

想象一下，当你站在房间里时，一个沉重的书架开始倒塌。在书架真正砸下来（S波）之前，你会先听到一声轻微的“嘎吱声”（P波）。如果你能瞬间分析出那声“嘎吱声”，从而得知书架有多重以及它会撞击得有多重，你就能在书架砸下之前跳开。

这正是**地震预警（EEW）**系统试图做的事情。它通过监听地震最初那快速移动的“嘎吱声”（P波），在缓慢且具有破坏性的震动到来之前，预测灾难的大小。

问题所在：过早猜测规模

科学家们一直试图仅通过聆听最初几秒钟的P波来判断地震的大小。然而，这就像是试图仅通过小提琴的前三个音符来猜测整个交响乐团的音量。有时你会猜对；有时你会把一段小调误认为是一场宏大的交响乐，反之亦然。

本研究中的研究人员想要寻找一种最佳的“数学配方”，使这种预测尽可能准确。他们并没有只看一个线索，而是观察了一整套由不同测量指标组成的“工具箱”。

核心要素：线索工具箱

该团队使用了来自日本143场地震的数据（这是一个记录地震非常专业的地区）。他们研究了10个不同的“成分”或参数，以观察哪些能为地震规模（震级）提供最好的线索。

可以将这些成分想象成衡量风暴的不同方式：

Pa, Pv, Pd（峰值加速度、速度、位移）： 这些测量的是波动的瞬时“踢力”。想象一下测量单滴雨水撞击窗户的力量。
PGA, PGV, PGD： 这些是记录到的最大“摇晃”。就像测量风暴中最高的浪头。
τc（特征时间）： 这测量的是“嘎吱声”持续的时间。短促的嘎吱声可能意味着小规模事件；长长的嘎吱声则可能意味着大规模事件。
CAA（累积绝对位移/Absement）与 CAV（累积绝对速度）： 这些是“总努力量”测量指标。它们不仅仅关注最猛烈的撞击，而是将一段时间内的所有运动和摇晃累加起来。这就像是在测量落下雨水的总重量，而不仅仅是最大的那一滴。
RSSCV： 这是一个特殊的“累进制得分”，它累加了所有方向上的摇晃速度。

实验：3秒规则 vs. 5秒规则

研究人员在地震发生后的三个不同时间窗口内测试了这些成分：3秒、4秒和5秒。

3秒窗口： 这就像是在只看了电影预告片后就试图猜测电影的规模。虽然很快，但数据杂乱且分散。
5秒窗口： 这就像是在观看电影的前五分钟。你拥有了更多信息，因此模式变得更加清晰。

研究发现： 5秒窗口是获胜者。它提供了最清晰的图像，且“噪声”或混乱程度最低。

结果：谁赢得了比赛？

当他们对比所有成分以观察哪一个能最准确地预测地震规模时，发现了以下结果：

老牌宠儿 (Pd)： 传统上，科学家们高度依赖 Pd（峰值位移）。它是大家都在使用的“经典”工具。它效果尚可，但有一个缺陷：对于极大的地震，它容易出现“饱和”现象。想象一个温度计，即使火势实际上是200°F，它在达到100°F时也会停止上升。Pd 在面对大规模地震时无法给出准确的数值。
新晋冠军 (CAA)： 研究发现 CAA（累积绝对位移）是最可靠的。因为它累加了所有的运动，所以不会被巨大的地震所“迷惑”。它随着地震规模的增大而呈线性增长，从而提供了更准确的预测。
黑马 (RSSCV)： 另一个参数 RSSCV 的表现也极其出色。像 CAA 一样，它不会被大地震“饱和”。它与地震规模保持着稳定的直线关系，使其成为未来预警系统的有力竞争者。
易受噪声影响的参数 (τc)： “时间持续时间”参数（τc）对背景噪声非常敏感。这就像是在嘈ocy的房间里试图听清耳语；结果往往是不可靠的。

结论：多工具协同法

论文得出结论，虽然我们可以快速预测地震规模，但不应仅仅依赖于一个数字。

最佳时间： 在第一波P波到达后的 5秒内进行观测，能获得最准确的数据。
最佳工具： 与其只使用传统的“峰值位移”（Pd），我们应该结合使用多种工具，特别是 CAA 和 RSSCV。这些工具在处理大规模地震时表现更好，不会出现“卡住”或低估危险的情况。

简而言之： 通过聆听地震发生后的前5秒，并累加所有的运动（而不只是最猛烈的一次冲击），我们可以建立一个更聪明、更可靠的报警系统，在剧烈震动到来之前，准确地告诉我们地震到底有多大。

技术摘要：地震预警（EEW）系统的开发：基于日本数据的经验关系研究

问题陈述
地震预警（EEW）系统对于通过在破坏性 S 波到达前提供警报，从而减轻地震事件的破坏性影响至关重要。虽然日本和台湾的系统已证明其有效性，但一个重大挑战仍然存在，即如何仅利用 P 波到达的初始阶段实现对地震震级的快速且准确的估算。目前的方法通常依赖于单一或双参数（例如峰值位移 $P_d$ 或特征时间 $\tau_c$ ），这些参数在较高震级（ $M_w > 7.0$ ）时容易出现饱和现象，或对信噪比（SNR）具有高度敏感性。本研究旨在评估一种多参数方法，以增强 EEW 系统中震级估算的鲁棒性、可靠性和及时性。

研究方法
本研究利用了一个综合数据集，该数据集包含 2010 年至 2024 年间由日本防灾科学技术研究所（NIED）K-NET 网络记录的 143 个地震事件。数据集包括矩震级（ $M_w$ ）在 5.0 至 7.7 之间的地震，震中距最高达 110 km，震源深度最高达 60 km，共计 4,446 条波形。

研究方法涉及从三分量波形中提取 P 波到达初期的地面运动参数。分析的参数包括：

峰值： 峰值加速度（ $P_a$ ）、速度（ $P_v$ ）和位移（ $P_d$ ）。
地面运动指标： 峰值地面加速度（PGA）、速度（PGV）和位移（PGD）。
累积与基于频率的参数： 累积绝对位移（CAA）、累적으로绝对速度（CAV）、特征时间周期（ $\tau_c$ ）以及平方和根累积速度（RSSCV）。

这些参数是针对 P 波到达后 3、4 和 5 秒的时间窗口进行计算的。应用了四阶巴特沃斯带通滤波器（低截断频率 0.075 Hz）以去除噪声和漂移。通过线性回归分析建立了这些参数与震级（ $M$ ）及震中距（ $R$ ）之间的经验关系，遵循公式： $\log(P) = a \cdot \log(R) + b \cdot M + c$ 。计算了回归的标准差误差（SDE），以确定用于震级预测最可靠的时间窗口和参数。

关键结果

时间窗口优化： 分析表明，与 3 秒和 4 秒窗口相比，5 秒时间窗口始终能产生最低的散射性和最稳定的相关性。
参数相关性：
- 在 5 秒窗口内，PGA 与 $P_a$ 、PGV 与 $P_v$ 以及 PGD 与 $P_d$ 之间观察到了强线性相关（接近 1:1）。
- CAA 与 RSSCV 的优越性： 研究发现，累积绝对位移（CAA）和 RSSCV 与震级表现出最强的关系。在针对震级的回归分析中，CAA 在 5 秒窗口下的标准差误差（SDE）最低，为 0.356。
- 饱和行为： 传统的振幅类参数（ $P_a, P_v, P_d$ ）和 CAV 在震级大于 7.3 时显示出饱和迹象，这可能导致低估。相比之下，CAA 和 RSSCV 即使在高震级下也能保持线性趋势，没有明显的饱和现象。
- $\tau_c$ 的局限性： 虽然 $\tau_c$ 没有饱和，但它对信噪比（SNR）具有高度敏感性，并存在显著的数据散射，导致其预测的震级 SDE 值不足以进行可靠的早期预警。
经验方程： 研究推导了与 $P_a, P_v, P_d, CAA, CAV, \tau_c$ 及 $RSSCV$ 相关的特定 5 秒间隔回归方程。例如，CAA 的关系式为： $\log_{10}(CAA_5) = -1.408 \log_{10}(R) + 0.602 M - 0.092$ 。

意义与主张
本文主张，通过结合使用 CAA 和 RSSCV 以及传统指标的多参数方法，为 EEW 系统提供了比单参数方法更稳健的基础。作者断言：

CAA 是更优的震级指标： 它提供了更稳定且可靠的地震震级估算（CAA 的 SDE 为 0.48，而 $P_d$ 为 0.53），并且比仅垂直分量的位移更全面地捕捉了总地面运动场。
RSSCV 防止低估： 作为一种依赖于累积能量的参数，RSSCV 避免了振幅类参数常见的饱和问题，使其在估算大型地震（ $M > 6.0$ ）时非常有效。
5 秒窗口是最优选择： 研究结论认为，在 P 波到达后的 5 秒间隔是提取这些参数以平衡预测精度与预警提前量的最合适时间框架。

作者强调，这些发现为利用 P 波初相的多地震参数进行实时震级预测奠定了基础，有望减少误报并提高 EEW 警报的准确性。他们建议，未来的工作可以进一步整合这些参数，并探索机器学习方法以增强系统的准确性。