A Bayesian Parametric Ground-Motion Prediction Model: Response Spectra of Shallow Crustal Seismicity in Europe

当地面震动时，特定位置所感受到的震动剧烈程度，并不仅仅取决于地震有多大或距离有多远。它还讲述了一个关于能量如何穿过地球路径以及建筑物下方地面特定性质的故事。研究这些震动模式的科学家使用数学模型来预测特定地点地面运动的强度。这些预测对于设计能够抵御地震的建筑以及了解社区风险至关重要。然而，欧洲呈现出了一个独特的挑战。与那些频繁发生大规模地震的地区不同，欧洲大部分地区经历的是规模较小、频率较低的震动。这种大规模事件的稀缺性使得建立准确的预测模型变得困难，迫使科学家不得不依赖小型地震的数据并尝试将其规模化应用。问题在于，法国或比利时的地面表现与意大利或希腊的地面不同，而适用于一个地区的模型往往在另一个地区失效。

一支位于法国格勒诺布尔的研究团队开发了一种新的预测地面运动的方法，能够更好地解释这些地域差异。他们创建了一个结合了三个不同来源数据的模型：一个庞大的欧洲地震记录数据库、一个来自法国的专门数据集以及一个来自比利时的数据集。通过合并这些记录，他们构建了一幅关于地震波如何在整个欧洲大陆传播的全面图景，涵盖了从微小震颤到重大事件的所有情况。其结果是一个能够比以往方法更准确地预测欧洲任何地方浅层地震震动强度的工具，特别是在大规模地震虽然罕见但仍有可能发生的地区。

研究人员首先收集了大量的地震记录。他们整合了超过55,000条地面震动记录，捕捉了发生在1976年至2026年之间的事件。这些记录来自分布在欧洲广泛区域的传感器，从意大利和希腊的高地震活动带到法国和比利时的相对安静区域。他们工作的一个关键部分是对这些数据进行清洗和标准化。地震震级（衡量事件大小的指标）曾由不同的团队以不同的方式计算。该团队用一套统一且一致的震级数值取代了这些各异的估算值。这一步骤至关重要，因为不一致的测量会扭曲地震规模与其产生的震动之间的关系。他们还确保数据包含了广泛的地震规模，从震级约为1.6的极小事件到接近7.7的大型事件，从而使他们能够研究震动如何在整个光谱范围内进行缩放。

数据准备就绪后，该团队使用一种被称为贝叶斯回归（Bayesian regression）的高级统计方法构建了一个新的预测模型。与将每个位置视为通用点的旧方法不同，这个新模型认识到地球并非均匀一致。它将欧洲划分为许多个小的网格，每个网格的大小为半度乘以半度。对于网格上的每一个方格，模型都会学习地面如何衰减（即减弱）地震波。这是对以往模型的重大转变，以往的模型通常为整个大区域分配一套统一的规则。通过使用网格，新模型可以检测到细微的变化。例如，它可以区分出波浪快速消散的比利牛斯山高衰减区，以及波浪传播得更远且损失更少的下莱茵地堑低衰减区。

该模型还将地震源的影响与记录点的影响分离开来。它计算了多少震动是由地震本身的特定特征（如位置和深度）引起的，又有多少是由传感器放置处的局部地质特征引起的。这种分离使得模型更加精确。例如，它可以识别出法国的一个特定山谷即使与附近的丘陵距离很近，也会持续放大震动。研究人员发现，这种细节水平降低了他们预测中的不确定性。与之前在全欧洲使用的最佳模型相比，新模型产生的误差范围更小，这意味着工程师和风险评估人员可以对他们收到的数字更有信心。

其中一个最重要的发现涉及模型如何处理小型地震。在过去，模型在预测小型事件的震动时经常遇到困难，有时甚至会出现随着地震变小而震动反而增加的不切实际结果。新模型通过利用大量的小型和中型地震数据来建立一个可靠的基准，从而纠正了这一问题。这使得该模型可以应用于像法国和比利时这样低中度地震活动频繁的地区，在这些地区，小型地震虽然常见，但仍可能对河谷等脆弱区域造成破坏。该模型现在的表现符合物理现实，即显示较小的地震产生较小的震动，并且它可以可靠地预测震级为4左右的事件影响。

研究人员还发现，地震波失去能量的方式在很大程度上取决于震动的频率。高频波（引起快速、剧烈跳动）的行为与低频波（引起缓慢、滚动式运动）的行为截然不同。新模型通过允许衰减规则根据波的周期发生变化，捕捉到了这种频率依赖性。这意味着模型不仅可以预测最大震动，还可以预测地面运动随时间变化的整个模式。这对于设计不同类型的结构至关重要，因为高层建筑对低频滚动反应的方式可能与矮小、坚硬的房屋对高频跳动的反应完全不同。

研究证实，该新模型是对其前身的一次显著改进。它涵盖了更广泛的地震规模和距离，从靠近震源的区域到数百公里之外。它还提供了关于任何预测中不确定性的更清晰图像。通过将模型视为一个可以随新数据不断更新的生命系统，研究人员创造了一个随着更多地震记录被收集而变得越来越准确的工具。这对于欧洲尤为重要，因为欧洲的地震监测网络正在不断扩大。该模型已经正在被改编用于比利时和法国的国家灾害图，以帮助完善这两个国家的建筑安全标准。

虽然该模型代表了一个重大进步，但研究人员也承认仍有大量工作要做。一些地区（特别是巴尔干地区）仍然采样不足，这意味着模型在这些地区的可用数据较少。此外，地震的深度很难被精确定位，这引入了一些不确定性。然而，他们建立的框架旨在应对这些局限性。随着新数据的获得，模型可以进行更新以填补空白并减少不确定性。最终目标是创建一个覆盖整个大陆的无缝、高度准确的地震风险图景，确保各社区能更好地应对地底下的潜在威胁。

这项工作表明，通过将海量数据与先进的统计技术相结合，科学家可以剥开长期以来掩盖我们对地震震动理解的复杂层级。新模型不仅仅是预测数字；它揭示了能量如何在欧洲地壳中移动的隐藏模式。它表明地面并非一个被动的背景，而是一个活跃的参与者，在每一次地震中塑造着危险，而这种危险现在终于变得清晰可见。对于生活在这些地区的民众而言，这种清晰度意味着更安全的建筑以及对地震活动这一持久风险更明智的处理方式。