Magnitudenschätzung und Bodenbewegungsvorhersage zur Nutzung der faseroptischen verteilten akustischen Sensorik zur Erdbebenfrühwarnung

Scientific Reports Band 13, Artikelnummer: 424 (2023) Diesen Artikel zitieren

2911 Zugriffe

1 Zitate

92 Altmetrisch

Details zu den Metriken

Erdbebenfrühwarnsysteme (EEW) bieten eine Vorwarnzeit von Sekunden bis mehreren zehn Sekunden, bevor potenziell schädliche Bodenbewegungen spürbar werden. Für optimale Warnzeiten sollten seismische Sensoren so nah wie möglich an den zu erwartenden Erdbebenquellen installiert werden. Während sich die gefährlichsten Erdbeben auf der Erde jedoch unter Wasser ereignen, befinden sich die meisten seismologischen Stationen an Land; Es können wertvolle Sekunden vergehen, bis diese Erdbeben entdeckt werden. In dieser Arbeit nutzen wir die verfügbare Glasfaserinfrastruktur für EEW mithilfe des neuartigen Ansatzes der verteilten akustischen Erfassung (Distributed Acoustic Sensing, DAS). DAS-Dehnungsmessungen von Erdbeben aus verschiedenen Regionen werden mithilfe eines Echtzeit-Slant-Stack-Ansatzes in Bodenbewegungen umgewandelt, Magnituden werden mithilfe eines theoretischen Erdbebenquellenmodells geschätzt und Bodenerschütterungsintensitäten werden mithilfe von Gleichungen zur Vorhersage von Bodenbewegungen vorhergesagt. Die Ergebnisse zeigen das Potenzial der DAS-basierten EEW und die erheblichen Zeitgewinne, die im Vergleich zum Einsatz von Standardsensoren erzielt werden können, insbesondere bei Offshore-Erdbeben.

Während eine Erdbebenvorhersage weiterhin unerreichbar bleibt, hat die kontinuierliche seismische Überwachung Erdbebenfrühwarnsysteme (EEW) ermöglicht, die Bevölkerungszentren und kritische Infrastrukturen Sekunden bis Dutzende von Sekunden vor starken Bodenerschütterungen warnen1,2,3,4. Nach Beginn des Bruchs kann eine Warnung ausgegeben werden, indem aufgezeichnete Bodenbewegungen in Echtzeit analysiert werden, um das Schadenspotenzial des Erdbebens einzuschätzen. Die Leistung von EEW-Systemen hängt weitgehend von der räumlichen Verteilung der verfügbaren seismischen Sensoren5 ab; Für eine schnelle und zuverlässige Warnung sollten seismische Instrumente in der Nähe aktiver Verwerfungen installiert werden, wo Erdbeben zu erwarten sind. Während sich die meisten der größten und gefährlichsten Erdbeben auf der Erde vor der Küste in Subduktionszonen ereignen, befindet sich die überwiegende Mehrheit der seismischen Stationen an Land. Somit kann wertvolle Zeit verloren gehen, wenn man darauf wartet, dass seismische Wellen die Landstationen erreichen6. Aktuelle Lösungen, wie die Verdichtung seismischer Netzwerke an Land und die Installation kabelgebundener Sensornetzwerke für den Meeresboden, werden in Japan7 und Kanada8 umgesetzt. Hohe Kosten stehen einer weltweiten Umsetzung jedoch entgegen. Eine Alternative besteht darin, vorhandene Glasfaserkabel mithilfe der neuartigen Technologie der verteilten akustischen Sensorik (DAS)9,10 in dichte seismische Netzwerke umzuwandeln. Der ständig zunehmende weltweite Einsatz von Glasfaser-Telekommunikationsinfrastrukturen, insbesondere von Unterseekabeln, eröffnet Möglichkeiten für eine weit verbreitete kostengünstige Implementierung von DAS für EEW, wodurch kostspielige Installationen und Betriebe am Meeresboden umgangen werden. Das Potenzial von Meeresboden-DAS für EEW wurde noch nicht quantitativ nachgewiesen, eine Lücke, die in dieser Arbeit behoben wird.

In den letzten Jahren haben sich die einzigartigen Vorteile von DAS für verschiedene seismologische Zwecke als wertvoll erwiesen, einschließlich der Erdbebenanalyse11,12,13 und der Bildgebung unter der Oberfläche14,15,16,17. DAS ermöglicht die Messung transienter Bodenverformungen (Dehnungen oder Dehnungsraten) entlang optischer Fasern (z. B. Internetkabel), wie sie derzeit den größten Teil unseres Planeten sowohl an Land als auch unter Wasser durchqueren. Im Gegensatz zu Punktsensoren (z. B. Seismometer, Beschleunigungsmesser, GNSS) liefert DAS räumlich dichte Messungen der Längsverformung (alle paar Meter, typischerweise 10) über mehrere Dutzend Kilometer lange optische Fasern mit einer maximalen Reichweite zwischen 80 und 150 km, je nachdem der spezifische DAS-Interrogator. Diese Technologie ermöglicht die kontinuierliche Überwachung großer Regionen und liefert ein vollständigeres Bild des seismischen Wellenfelds. Die Messungen werden mithilfe einer Abfrageeinheit durchgeführt, die an einem Ende des Kabels angebracht ist und Laserimpulse entlang der Faser sendet. Aufgrund kleiner Heterogenitäten innerhalb der Faser wird ein Teil des durchgelassenen Lichts durch Rayleigh-Streuung zurückgestreut. Wenn seismische Wellen das Kabel stören, ändern Heterogenitäten entlang der Faser ihre Position, ebenso wie das Rayleigh-Rückstreumuster. Die Phasenunterschiede der Rückstreuung zwischen Zeitproben werden dann in Dehnungs- oder Dehnungsratenmessungen in Abständen von mehreren Metern entlang Dutzende Kilometer langer Fasern umgesetzt18. Diese Technik ermöglicht die Umwandlung jeder optischen Faser in eine dichte Anordnung seismoakustischer Sensoren und ermöglicht Messungen mit beispielloser räumlicher und zeitlicher Auflösung.

DAS verfügt über Schlüsselfunktionen, die ideal für die Herausforderungen von EEW geeignet sind. Es ermöglicht räumlich und zeitlich kontinuierliche seismische Messungen an schwer zugänglichen Orten, beispielsweise unter Wasser19 und in Bohrlöchern20, näher an Erdbebenhypozentren. Die dichte räumliche Abtastung ermöglicht eine zuverlässigere Trennung zwischen Erdbeben und Lärm21 im Vergleich zu Punktsensoren. Darüber hinaus erfasst der DAS-Interrogator die gesamte Faser von einem ihrer Enden aus, wodurch Leistungs- und Telemetrieüberlegungen für entfernte Fasersegmente zunichte gemacht werden. Daher könnte der Einsatz optischer Fasern als dichte seismische Netzwerke entscheidend für die Leistung von EEW-Systemen sein, die Erdbebenwarnzeiten deutlich verbessern und eine bessere Vorbereitung auf starke Erschütterungen ermöglichen.

Während die Vorteile von DAS für EEW verlockend sind, weist diese neuartige Technologie mehrere Nachteile auf, die angegangen werden müssen. Damit DAS-Dehnungsmessungen Bodenverformungen darstellen können, sollten die Fasern ausreichend mit dem Boden gekoppelt sein. Da viele Fasern jedoch nicht für seismologische Anwendungen eingesetzt wurden, kann die Kopplung variieren und entlang bestimmter Abschnitte für zuverlässige Messungen unzureichend sein. Hochmoderne DAS-Abfrageeinheiten können Fasern von bis zu ~ 150 km (wie durch die Erdbebenaufzeichnung einer Alcatel OptoDAS-Abfrageeinheit in der ergänzenden Abbildung 1 gezeigt) oder bis zum ersten Repeater erfassen, sodass mehr als Um große Regionen abzudecken, sind möglicherweise ein einziges System und eine Glasfaser erforderlich. DAS zeichnet Dehnungen oder Dehnungsraten auf: Diese Messungen reagieren sehr empfindlich auf die lokale Geschwindigkeitsstruktur unter der Faser13 und auf laterale Heterogenitäten unter der Oberfläche12,22. Diese Eigenschaft ist sowohl für die Schätzung der Erdbebenstärke problematisch, die typischerweise auf Messungen der Bodenbewegung (d. h. Verschiebungen, Geschwindigkeiten oder Beschleunigungen) basiert23, als auch für Erdbebenortungsbemühungen, bei denen die Empfindlichkeit gegenüber der lokalen Untergrundstruktur die Lokalisierung von Erdbebenquellen erschweren kann12. Darüber hinaus misst DAS die Spannungen entlang der Faserachse, sodass von horizontalen Fasern aufgezeichnete P-Wellen typischerweise niedrige Amplituden induzieren, die sogar unter dem instrumentellen Rauschpegel liegen können, was möglicherweise die Fähigkeit zur Erdbebenortung beeinträchtigt. Darüber hinaus ist EEW zwar für große Erdbeben in kurzen Entfernungen gedacht, bei denen mit Schäden zu rechnen ist, solche DAS-Beobachtungen sind derzeit jedoch nicht verfügbar. Daher werden die Auswirkungen der DAS-Amplitudensättigung und des Kabel-Erde-Kopplungsverhaltens bei starken Verformungen nur unzureichend berichtet und untersucht. In den folgenden Abschnitten gehen wir auf einige der genannten Nachteile ein, es sind jedoch weitere Arbeiten erforderlich, um alle Probleme zu lösen, die für die zuverlässige Verwendung von DAS für EEW erforderlich sind.

In dieser Arbeit schlagen wir die ersten quantitativen Echtzeitschemata vor, die Teil eines operativen DAS-basierten EEW-Systems sein werden. Eine Frühwarnung wird in der Regel durch (1) die Erkennung eines Erdbebens, (2) die Bestimmung seines Standorts, (3) die Ermittlung der Parameter der Erdbebenquelle (Stärke und Spannungsabfall24) und (4) die Vorhersage der Intensität der Bodenerschütterungen, typischerweise der Spitzenbodengeschwindigkeiten (PGV), erreicht ) und Spitzenbodenbeschleunigungen (PGA)25. Nach unserem besten Wissen müssen diese vier Echtzeitziele noch mit DAS angegangen werden. Die Erdbebenerkennung und -ortung in Echtzeit kann entweder mithilfe etablierter punktsensorbasierter Ansätze26,27,28,29, die auf einzelne oder mehrere DAS-Kanäle angewendet werden, oder durch Array-Verarbeitungstechniken wie Beamforming12,30,31 erreicht werden. Während die Erkennung selbst mit auf Punktsensoren basierenden Algorithmen relativ einfach erfolgen kann27,29, stellt die Erdbebenortung mehrere Herausforderungen dar, die nur bei DAS-Daten zu finden sind12,22. Das aufgezeichnete Dehnungswellenfeld ist möglicherweise nicht kohärent genug für eine zuverlässige Erdbebenortung oder wird von Streuwellen dominiert. Darüber hinaus müssen die geografischen Standorte der Messungen entlang der Faser kalibriert werden, um Erdbebenortungsfehler zu reduzieren. Diese Fragen werden bei der Entwicklung von Echtzeit-Erdbebenlokalisierungsplänen berücksichtigt, was Gegenstand nachfolgender Manuskripte ist. Hier befassen wir uns mit den letzten beiden Zielen: Größenschätzung in Echtzeit und Vorhersage der Schüttelintensität.

Die meisten operativen EEW-Systeme basieren auf empirischen Beziehungen sowohl für die Größenschätzung als auch für die Vorhersage der Bodenbewegung32,33. Die Robustheit dieser Beziehungen hängt weitgehend von der Qualität, Quantität und Magnitudenspanne der verfügbaren Erdbebenbeobachtungen ab34. Da es sich bei DAS um eine relativ neue seismische Messtechnologie9 handelt, reichen die aktuellen Erdbeben-DAS-Datensätze in jeder Hinsicht nicht aus, um robuste empirische Methoden zu entwickeln, und es sollte ein physikbasierter Ansatz entwickelt werden, der nicht auf Datenverfügbarkeit angewiesen ist24,35,36. Kürzlich wurde ein ganzheitlicher, physikbasierter Ansatz für die Echtzeitschätzung von Erdbebenquellenparametern (Magnitude und Spannungsabfall) und die Vorhersage von Bodenbewegungen vorgeschlagen24. Eine ähnliche, an DAS-Daten angepasste Methode wird hier entwickelt, indem ein theoretischer Ausdruck für die Größenschätzung in Echtzeit unter Verwendung des quadratischen Mittelwerts (rms) der Bodenbeschleunigungen abgeleitet wird.

Da DAS Dehnungen (oder Dehnungsraten) misst und die Erdbebenstärke in direktem Zusammenhang mit Bodenbewegungen (Verschiebungen, Geschwindigkeiten und Beschleunigungen) steht23, müssen DAS-Messungen zunächst in Bodenbewegungen umgewandelt werden37. Dieses Ziel wird typischerweise erreicht, indem die scheinbare Langsamkeit (Kehrwert der Geschwindigkeit), \({p}_{x}\), entlang der Faser gemessen wird38:

wobei ϵ(t) und D(t) die Zeitreihen der Dehnungen bzw. Bodenverschiebungen sind und n gleich 0, 1 oder 2 den Umrechnungen in Bodenverschiebungen, Geschwindigkeiten bzw. Beschleunigungen entspricht. Diese Beziehung setzt eine perfekte Kopplung zwischen der Faser und der Erde voraus, eine Annahme, die sich für verschiedene Fasern und Installationen als gut erwiesen hat11,13,37,37,38,39. Es wurde beobachtet, dass sich die Langsamkeit sowohl zeitlich als auch räumlich (entlang der Faser) schnell ändert: Zeitliche Schwankungen sind auf Geschwindigkeitsunterschiede zwischen aufgezeichneten seismischen Phasen (z. B. P-, S-, Oberflächenwellen) zurückzuführen37 und räumliche Schwankungen sind das Ergebnis von laterale Heterogenitäten der Untergrundgeschwindigkeit, die signifikant und abrupt sein können12,16,22,37. Eine genaue Umrechnung von Dehnungsraten in Bodenbeschleunigungen erfordert, dass die Langsamkeit als Funktion von Zeit und Raum aufgelöst wird. Kürzlich wurde eine Methode zur Umwandlung von Dehnungen in Bodenbewegungen vorgeschlagen37, die auf einem Schrägstapel basiert und hier für die Echtzeitverarbeitung modifiziert und angepasst wird.

Die in diesem Manuskript vorgestellten Ansätze basieren auf den oben genannten Fortschritten in der physikbasierten EEW24- und DAS-Erdbebendatenverarbeitung37. Das Potenzial der Umwandlung von veränderten Dehnungen in Bodenbewegungen und der neue Größenausdruck für EEW werden in Verbindung mit einer theoretischen Gleichung zur Vorhersage der Bodenbewegung (GMPE)40 untersucht. In den folgenden Abschnitten präsentieren und validieren wir ein recheneffizientes Echtzeitprotokoll, das auf einfachen analytischen Formulierungen für die Analyse von DAS-aufgezeichneten Erdbeben basiert. Dehnungsraten werden mithilfe eines in Echtzeit angepassten Slant-Stack-Ansatzes in Bodenbeschleunigungen umgewandelt. Anschließend werden die Erdbebenstärken mithilfe eines analytischen Ausdrucks geschätzt, der mithilfe des Omega-Quadrat-Quellspektrenmodells41,42 abgeleitet wird. Vorbehaltlich des theoretischen Modells ist dieser Größenausdruck auf alle Fernfeld-Bodenbewegungsaufzeichnungen von Körperwellen (P- und S-Wellen) anwendbar. Dieses Schema wird auf mehrere gut gekoppelte Fasersegmente entlang verschiedener Fasern am Meeresboden angewendet. Schließlich wird die Größe verwendet, um PGV und PGA vom Hypozentrum entfernt mithilfe eines GMPE24,40 vorherzusagen, das unter Verwendung desselben Omega-Quadrat-Quellenmodells abgeleitet wurde. Die Tatsache, dass sowohl die Größenschätzung als auch die Vorhersage der Bodenbewegung aus demselben theoretischen Modell abgeleitet werden, trägt zur Stabilität und Konsistenz der Schätzungen bei, wie in den nächsten Abschnitten gezeigt wird. Vorhersagen zur Stärke und Spitze der Bodenerschütterung werden kontinuierlich aktualisiert und geändert, wenn neue seismische Signale aufgezeichnet werden. Wir demonstrieren die Robustheit dieser Echtzeitansätze für einen weiten Größenbereich und zeigen, dass die Verwendung gut gekoppelter Offshore-Fasern für EEW die Warnzeiten im Vergleich zu denen, die von standardmäßigen punktsensorbasierten EEW-Systemen erwartet werden, erheblich verbessern kann.

Um die Vorzüge der vorgeschlagenen DAS-basierten EEW-Systeme zu demonstrieren, haben wir einen DAS-Erdbebendatensatz aus verschiedenen tektonischen Umgebungen zusammengestellt. Die Daten wurden von vier verschiedenen Meeresbodenfasern aufgezeichnet: zwei vor der Küste Griechenlands 13, 16, 37, 43, einer vor der Küste Frankreichs 13, 19, 37, 44 und einer vor der Küste Chiles (ergänzende Abbildung 2). Die Messungen in Griechenland, Frankreich und Chile wurden mit drei verschiedenen Abfragegeräten durchgeführt: einem Febus A1 DAS-Abfragegerät, einem Aragon Photonics hDAS-Abfragegerät bzw. einem ASN OptoDAS-Abfragegerät (siehe „Erdbebendatensatz“ in Methoden). Wir analysierten insgesamt 53 vom DAS aufgezeichnete Erdbeben mit einer Stärke von 2 bis 5,7 (ergänzende Abbildung 2) in hypozentralen Entfernungen von 17 bis 365 km (ergänzende Abbildung 3). Erdbebenmetadaten finden Sie in der Ergänzungstabelle 1.

Idealerweise sollte die Momentengröße mithilfe seismischer Aufzeichnungen von Bodenverschiebungen D und nicht anhand von Bodengeschwindigkeiten V oder Beschleunigungen A geschätzt werden. Die Signale sollten möglichst viel von ihrem niederfrequenten Anteil enthalten, um eine Größensättigung zu vermeiden23,35. Bodenverschiebungen können aus gut gekoppelten DAS-Messungen erhalten werden, indem Dehnungsmessungen über die Zeit integriert werden (oder doppelte Integration von Dehnungsraten) und durch die scheinbare Langsamkeit dividiert werden (n = 0 in Gleichung 1)11,37,38,39. Dieser Konvertierungsansatz wurde durch frühere Studien demonstriert, in denen die Reaktion des DAS-Instruments11 und die Kopplung45 berücksichtigt wurden. Allerdings ist die Verwendung von DAS-konvertierten Bodenverschiebungen angesichts der inhärent hohen instrumentellen Geräuschpegel, insbesondere bei großen Entfernungen entlang langer Fasern, eine Herausforderung13,46,47. Das Verhalten des instrumentellen DAS-Rauschens ist in Abb. (1) für ein Erdbeben der Stärke 3,6 dargestellt, das in einer Entfernung von 135 km von einer Glasfaser vor der Küste Südostgriechenlands aufgezeichnet wurde13,16,37,43 (siehe Karte in ergänzender Abb. 2). Bei niedrigen Frequenzen ist das instrumentelle Rauschen des Zeitintegrals von Dehnungen (∝ D, Abb. 1a, b), Dehnungen (∝ V, Abb. 1c, d) und Dehnungsraten (∝ A, Abb. 1e, f) ist proportional zu f −2, f −1 bzw. unabhängig von der Frequenz f. Infolgedessen sind die Zeitreihen der Dehnungsintegrale (∝ D, Abb. 1a) und Dehnungen (∝ V, Abb. 1c) durch niederfrequentes Rauschen verunreinigt, und ihre Verwendung kann zu einer Größenüberschätzung und Fehlalarmen führen. Daher verwenden wir nur Dehnungsraten (∝ A) für die Echtzeitschätzung der Magnitude, obwohl sie im Vergleich zu Dehnungsintegral- (∝ D) und Dehnungsraten (∝ V) eine schwächere Korrelation mit der Erdbebenstärke aufweisen (siehe „Die Beziehung zwischen Erdbeben“) Quellparameter und Bodenbewegungen" in Methoden). Da das instrumentelle Rauschen der Dehnungsraten bei hohen Frequenzen mit f zunimmt (Abb. 1f), ist ein Tiefpassfilter erforderlich. Dieser Filter verzerrt die Magnitudenschätzungen nicht, da größere Erdbeben Strahlung mit niedrigerer Frequenz erzeugen.

DAS-Instrumentengeräusch. (a,b) Dehnungsintegral, (c,d) Dehnungen und (e,f) Dehnungsraten eines Erdbebens der Stärke 3,6, aufgezeichnet in einer hypozentralen Entfernung von 135 km in 21 km Entfernung entlang einer Faser vor der Küste Griechenlands. Links werden zwischen 0,06 und 10 Hz gefilterte Signale als Funktion der Zeit ab Ankunft der P-Welle (a,c,e) und rechts die entsprechenden Spektren angezeigt (blaue Kurven b,d,f). Die vorgefilterten Spektren (orangefarbene Kurven b,d,f) zeigen, dass niederfrequentes Rauschen b ∝ f −2, d ∝ f −1 und f unabhängig von der Frequenz ist.

Die Leistung des Konvertierungsalgorithmus (siehe „Umrechnung von Dehnungsraten in Bodenbeschleunigungen in Echtzeit“ in Methoden) wird für ein Erdbeben der Stärke 3,8 demonstriert, das vor der Küste Chiles in einer hypozentralen Entfernung von 60 km aufgezeichnet wurde (siehe Karte in ergänzender Abbildung 2). ein einzelner DAS-Kanal in einer Entfernung von 103 km entlang der Faser (Abb. 2). Beachten Sie, dass direkte P-Wellen nicht sichtbar sind, obwohl P-Wellen-induzierte Streuwellen deutlich zu sehen sind (1–6 s in Abb. 2a, b). Die gleiche Analyse für das größte Erdbeben im Datensatz, eine Stärke von 5,7, ist in der ergänzenden Abbildung 4 dargestellt; Bei diesem Erdbeben weisen die Dehnungsratenamplituden eine gewisse Sättigung auf (siehe Diskussion). Der Echtzeit-Slant-Stack-Ansatz löst die scheinbaren Geschwindigkeiten der verschiedenen seismischen Phasen auf: ~ 4,2 km/s für direkte S-Wellen (6–9 s in Abb. 2a, b) und ~ 1,8 km/s für Oberflächenwellen (z. B. 1–6 s und 10–13 s in Abb. 2a, b). Aufgrund dieser Geschwindigkeitsschwankungen unterscheiden sich die Bodenbeschleunigungen etwas von den Dehnungsraten: Beschleunigungen (blaue Kurve in Abb. 2c) weisen einen deutlichen Amplitudenunterschied zwischen schnellen S-Wellen und langsamen Oberflächenwellen auf, während Dehnungsraten (schwarze Kurve in Abb . 2c) zeigen für beide Phasen ähnliche Amplituden. Ein Vergleich zwischen der Leistung der Echtzeit-Slant-Stack-Konvertierung und dem zuvor vorgestellten Ansatz37 zeigt, dass die Echtzeitanpassungen die Konvertierungsqualität nicht beeinträchtigen (ergänzende Abbildung 5).

Umrechnung von Dehnungsraten in Bodenbeschleunigungen und Größenschätzung. a Belastungsraten eines Erdbebens der Stärke 3,8, aufgezeichnet in einer hypozentralen Entfernung von 60 km zwischen 102,3 km und 103,6 km entlang einer Glasfaser vor der Küste Chiles. Das zur Größenschätzung verwendete Fasersegment ist farblich gekennzeichnet (102,7 km bis 103,3 km). b Ähnlichkeit als Funktionen der scheinbaren Langsamkeit und der Zeit ab Ankunft der P-Welle für einen Referenz-DAS-Kanal in 103 km Entfernung vom Abfragegerät (schwarze gestrichelte Linie in a). Die geglättete Langsamkeit (siehe Methoden) wird durch eine rote Kurve angezeigt. c Dehnungsraten (schwarz) und umgewandelte Bodenbeschleunigungen (blau) für den Referenz-DAS-Kanal. d Echtzeit-Größenentwicklung unter Verwendung von Spannungsabfällen von 1 MPa (gestrichelte Kurve) und 10 MPa (durchgezogene Kurve). Manuell ausgewählte P- und S-Wellen-Ankunftszeiten werden durch magentafarbene Linien angezeigt.

Der Spannungsabfall Δτ ist ein grundlegender Erdbebenquellenparameter, der die Intensität der Bodenbewegung stark beeinflusst40,48,49,50 (siehe „Die Beziehung zwischen Erdbebenquellenparametern und Bodenbewegungen“ in Methoden). Für eine optimale Vorhersage der Bodenbewegung sollten sowohl die Größe als auch der Spannungsabfall bestimmt werden, wie aktuelle Studien3,36,40 zeigen. Da wir in diesem Rahmen nur eine Metrik der Bodenbewegung verwenden, nämlich Bodenbeschleunigungen rms, Arms, dürfen wir nur die Größe schätzen (siehe „Größenschätzung aus bandbegrenzten Bodenbeschleunigungen“ in „Methoden“), während der Spannungsabfall a priori festgelegt werden muss. Da Arme stark vom Spannungsabfall betroffen sind und der a priori-Wert von seinem erdbebenspezifischen tatsächlichen Wert abweichen kann40,51, ist es sinnvoll, die Auswirkung der Spannungsabfallvariabilität auf die Größenschätzung und die Vorhersage starker Erschütterungen zu untersuchen. Zu diesem Zweck haben wir Arms unter Verwendung eines idealen Butterworth-Tiefpassfilters sowie PGVsynt und PGAsynt für verschiedene Größen unter Verwendung von Δτ = 10 MPa in einer hypozentralen Entfernung von 50 km synthetisiert (siehe „Synthetische Bodenbewegungen“ in Methoden). Anschließend haben wir die synthetischen Arme verwendet, um die Größenordnungen abzuschätzen, wobei wir verschiedene Spannungsabfälle von vornherein von 1, 10 und 100 MPa verwendet haben (Gleichung 7). Die geschätzte Größe und der apriorische Spannungsabfall wurden dann verwendet, um PGVpred und PGAPred vorherzusagen (Gleichung 10), unter der Annahme, dass der Abstand bekannt ist (Abb. 3). Bei Verwendung von Δτ = 10 MPa in Gl. (7) und (10) sind die Abweichungen zwischen Magnitude, PGV und PGA gering (Felder b, d bzw. f in Abb. 3) und größtenteils auf die Näherungen zurückzuführen, die bei der Ableitung von Gleichung vorgenommen wurden. (7) (Siehe Ergänzende Anmerkung 1). Wenn der Spannungsabfall in Gl. (7) unterschätzt (Δτ = 1 MPa) und überschätzt (Δτ = 100 MPa), die Magnituden werden bei großen Erdbeben um bis zu 1,33 Magnitudeneinheiten über- bzw. unterschätzt (Abb. 3a). ). Wenn diese verzerrten Größen und Spannungsabfälle zur Vorhersage von PGV und PGA verwendet werden, führen sie zu vernünftigen Vorhersagen: Die Standardabweichungen der Residuen sind auf ~ 0,43 log10(PGV)- und log10(PGA)-Einheiten begrenzt (durchgezogene Kurven in Abb. 3c). ,e, bzw.). Dieses Verhalten wird durch Betrachtung von Gleichung erklärt. (10): nach erster Ordnung40, \(PGV\propto {M}_{0}^{1/2}\Delta {\tau }^{1/2}\) und \(PGA\propto {M}_ {0}^{1/3}\Delta {\tau }^{2/3}\), also unter Verwendung unterschätzter Spannungsabfälle zusammen mit überschätzten seismischen Momenten (und umgekehrt), wie es hier der Fall ist , wird zu relativ geringen PGV- und PGA-Diskrepanzen führen; Größen- und Spannungsabfallverzerrungen verringern gegenseitig ihre Auswirkungen auf die Vorhersagen der Bodenbewegung. Wenn dagegen synthetische Größen in Verbindung mit den über- und unterschätzten Spannungsabfällen verwendet werden, wären die PGV- und PGA-Diskrepanzen deutlich höher (gestrichelte Kurven in Abb. 3c, e). Weitere Erläuterungen zur Form der Residuendiagramme finden Sie in der Ergänzenden Anmerkung 2.

Die Auswirkung der Spannungsabfallvariabilität auf die Größenschätzung und die Vorhersage der Bodenbewegung. Geschätzte minus synthetische Größe als Funktion der synthetischen Größe für (a) unterschätzte (1 MPa), überschätzte (100 MPa) und (b) bekannte (10 MPa) Spannungsabfälle. Die Logarithmen der vorhergesagten Spitzenbodenbewegungen abzüglich der Logarithmen der synthetischen Spitzenbodenbewegungen als Funktionen der synthetischen Größe werden für PGV für (c) 1 MPa und 100 MPa und (d) 10 MPa und für PGA für (e) 1 MPa und gezeigt 100 MPa und (f) 10 MPa. Die Auswirkung der Verwendung synthetischer Größen auf (c) PGV- und (e) PGA-Diskrepanzen wird durch halbtransparente gestrichelte Kurven angezeigt. In allen Tafeln sind Kurven, die 1, 10 und 100 MPa entsprechen, durch rote, schwarze bzw. blaue Kurven gekennzeichnet.

Bei der Implementierung der vorgeschlagenen Methoden auf verschiedene Fasern in verschiedenen tektonischen Umgebungen kann der Spannungsabfall a priori anhand verfügbarer Erdbebenbeobachtungen40,52,53 oder, sofern verfügbar, aus früheren Studien abgeschätzt werden. Die Ergebnisse in Abb. 3 zeigen jedoch, dass die Diskrepanzen zwischen der synthetischen Erdbebenspannung und der in Gl. (7) kann einen erheblichen Einfluss auf die Größenschätzung haben, die Auswirkung auf die Vorhersage der Bodenbewegung wird minimiert und der Ansatz kann auch bei einem voreingenommenen Spannungsabfall zuverlässig verwendet werden. Der Effekt der Spannungsabfallvariabilität wird im folgenden Abschnitt anhand aufgezeichneter Erdbeben weiter untersucht.

Die Leistung der Echtzeitumrechnung von Dehnungsraten in Bodenbeschleunigungen, der Größenschätzung und der Vorhersage der Bodenbewegung wird anhand eines zusammengesetzten Erdbebenkatalogs aus 53 DAS und von Punktsensoren (Seismometer und Beschleunigungsmesser) aufgezeichneten Erdbeben aus Griechenland, Frankreich und Chile demonstriert (Siehe „Erdbebendatensatz“ in „Methoden“, Erdbebenkatalog in der Ergänzungstabelle 1 und Karten mit den Standorten von Erdbeben, Fasern und Punktsensoren in der Ergänzungstabelle 2). Diese Erdbeben reichen von der Stärke 2 bis 5,7 (ergänzende Abbildung 3) und wurden von vier verschiedenen Offshore-Fasern mit drei verschiedenen DAS-Interrogatoren aufgezeichnet. DAS-Aufzeichnungen werden in Bodenbeschleunigungen umgewandelt und zur Schätzung der Stärke verwendet, während Punktsensoraufzeichnungen zum Vergleich von beobachtetem und vorhergesagtem PGV und PGA verwendet werden. Es wird davon ausgegangen, dass die Erdbebenorte (und hypozentralen Entfernungen) sowie die Ankunftszeiten der P- und S-Wellen bekannt sind: Erstere werden aus verfügbaren Erdbebenkatalogen extrahiert und Letztere werden manuell ausgewählt. In der Praxis werden Erdbebenortung und Phasenauswahl in Echtzeit über zusätzliche Module erreicht, deren Entwicklung den Rahmen dieses Manuskripts sprengen würde. Daher wird erwartet, dass die in diesem Abschnitt berichteten Unsicherheiten und Diskrepanzen größer sind, wenn die Erdbebenerkennung und -ortung auch in Echtzeit implementiert wird.

Wie bereits erwähnt besteht das Ziel eines EEW-Systems darin, robuste Bodenbewegungsvorhersagen zu erstellen, während Größenschätzungen lediglich ein Nebenprodukt sind. Während wir Momentgrößen schätzen, geben die meisten Kataloge außerdem lokale Größen an, deren Werte erheblich abweichen können54. Daher konzentrieren wir uns in der nachfolgenden Analyse auf die Diskrepanzen zwischen vorhergesagtem und beobachtetem PGV und PGA als Maß für die Leistung der Algorithmen und widmen der Übereinstimmung zwischen in Echtzeit und im Katalog gemeldeten Größen weniger Aufmerksamkeit.

Die Größe wird anhand mehrerer gut gekoppelter Fasersegmente für jedes Kabel geschätzt. Die Kopplungsqualität wird bewertet, indem das seismische Wellenfeld von Erdbeben entlang der Faser untersucht und Abschnitte identifiziert werden, die kontinuierliche seismische Wellenfronten und kleine Amplitudenschwankungen von weniger als 4 dB aufweisen37. DAS-Daten werden in Bodenbeschleunigungen umgewandelt und zwei Sekunden nach der P-Wellen-Erkennung am ersten Fasersegment wird eine erste Magnitudenschätzung erhalten, die mit zunehmenden Datenintervallen und während das Erdbeben an weiteren Orten entlang der Faser aufgezeichnet wird, kontinuierlich aktualisiert wird. Die Analyse nutzt alle verfügbaren Phasen, einschließlich direkter P- und S-Ankunft, Streuwellen und Oberflächenwellen. Für P-Wellen, die von horizontalen DAS-Arrays selten unentdeckt bleiben, werden gestreute und später eintreffende P-Phasen zur Analyse verwendet. In dieser Arbeit wurden Phasen manuell identifiziert und ausgewählt, während dies in Echtzeit über automatische Algorithmen21,31 erreicht wird. Die Echtzeit-Magnitudenschätzung wird für ein Katalogerdbeben der Stärke 3,8 unter Verwendung eines einzelnen Fasersegments in Abb. 2d demonstriert. Die Stärke nimmt mit der Zeit zu, beginnend mit den verstreuten P-Wellen (2–7 s), gefolgt von einem deutlichen Anstieg mit dem Eintreffen der S-Wellen (7–9,5 s). Wie theoretisch vorhergesagt (Abb. 3), variieren die Größenschätzungen für verschiedene Spannungsabfälle von vornherein, mit Größen von 5,8 bzw. 4,6 für 1 bzw. 10 MPa, 9,5 s nach der P-Wellen-Erkennung. Ein ähnliches Verhalten wird für das Katalogerdbeben der Stärke 5,7 beobachtet, das in der ergänzenden Abbildung 4d dargestellt ist. Magnitudenschätzungen verbessern sich mit der Zeit, wie in Abb. 4a–c zu sehen ist, wo Echtzeit- und Katalogmagnituden 4, 10 und 15 s nach der ersten P-Wellen-Erkennung für den gesamten Datensatz verglichen werden.

Echtzeit-Magnitudenschätzung und Bodenbewegungsvorhersage mit 10 MPa. Echtzeit-Größe als Funktion der Kataloggröße bei a 4, b 10 und c 15 s nach dem Eintreffen der P-Welle im ersten Fasersegment. Fasersegmentspezifische Schätzungen und Ereignisdurchschnitte werden durch schwarze bzw. rote Symbole angezeigt. Die gestrichelte schwarze Linie ist eine 1:1-Linie und die Standardabweichungen der Größenreste werden in den unteren rechten Ecken für segmentspezifische (schwarz) und ereignisgemittelte (rot) Schätzungen angezeigt. Diskrepanzen zwischen den Logarithmen der vorhergesagten und beobachteten Spitzenbodenbewegungen werden für d PGV und e PGA als Funktionen des hypozentralen Abstands aufgetragen. Der Farbcode entspricht den Kataloggrößen. Erdbeben aus Chile, Griechenland und Frankreich werden durch Sterne, Kreise bzw. Dreiecke angezeigt. Panel-Legenden geben Folgendes an: Kabelname (Anzahl der Erdbeben, Anzahl der PGV- und PGA-Beobachtungen), (durchschnittliche Residuen, Standardabweichung zu den Residuen). Die durchschnittlichen Variabilitäten innerhalb der Ereignisse, d. h. die optimale Standardabweichung zu den Residuen, liegen für PGV bei 0,68, 0,5 bzw. 0,52 für Chile, Griechenland und Frankreich und für PGA bei 0,71, 0,61 bzw. 0,59 für Chile, Griechenland und Frankreich.

Ein Vergleich zwischen vorhergesagtem (Gl. 10) und beobachtetem (siehe „Erdbebendatensatz“ in Methoden) PGV und PGA bei 15 s zeigt, dass die Residuen unabhängig von der hypozentralen Entfernung sind (Abb. 4d, e und ergänzende Abb. 6d, e) und Kataloggröße (ergänzende Abb. 7d, e) und dass ihre Standardabweichungen relativ klein sind und nur geringfügig höher als die optimalen Werte sind, dh die in der Überschrift von Abb. 4 angegebenen Variabilitäten innerhalb des Ereignisses. Das letztere Ergebnis legt nahe, dass der Höhepunkt erreicht ist Bewegungsreste werden hauptsächlich durch unterschiedliche Standort- und Pfadbedingungen verursacht, die vorbehaltlich weiterer Untersuchungen in zukünftigen Implementierungen berücksichtigt werden können. Während Größenschätzungen sehr empfindlich auf den Spannungsabfall von vornherein reagieren, weisen PGV- und PGA-Residuen eine geringe Empfindlichkeit auf (Abb. 4 und ergänzende Abb. 6 für 10 bzw. 1 MPa). Dieses Verhalten wird weiter durch die Untersuchung der durchschnittlichen Magnitude sowie der PGV- und PGA-Residuen für das größte verfügbare Erdbeben veranschaulicht (ergänzende Abbildung 8): Die durchschnittlichen Residuen zeigen eine geringe Empfindlichkeit gegenüber Spannungsabfall und ähnliche Trends wie die theoretisch vorhergesagten (Abb. 3), d. h PGV-Residuen sind bei Unterschätzung des Spannungsabfalls höher und PGA-Residuen bei Unterschätzung des Spannungsabfalls niedriger.

Die in diesem Manuskript präsentierten Ergebnisse zeigen, dass DAS zuverlässig für die Größenschätzung in Echtzeit und die Vorhersage von Bodenbewegungen verwendet werden kann, zwei kritische Komponenten eines betriebsfähigen EEW-Systems. Der Einsatz von DAS für EEW bietet im Vergleich zum Einsatz von Standard-Punktsensoren mehrere wesentliche Vorteile, insbesondere im Hinblick auf den Zeitgewinn bei Offshore-Erdbeben. Dieser letztgenannte Vorteil wird in Abb. 5 anhand der vor der Küste Chiles verlegten Glasfaser veranschaulicht, wo Erdbeben am Meeresboden eine erhebliche seismische Gefahr darstellen. Bei den in Abb. 5a gezeigten Offshore-Erdbeben liegen die Echtzeitschätzungen der Magnitude typischerweise innerhalb einer halben Magnitudeneinheit der Katalogwerte, wenn erwartet wird, dass S-Wellen die chilenische Küste erreichen, was eine zuverlässige Alarmausgabe ermöglicht, bevor es zu starken Bodenerschütterungen kommt an Land spürbar, und zwar lange bevor Erdbeben vom verfügbaren seismischen Netzwerk aufgezeichnet werden (Abb. 5b). Der Zeitgewinn, der durch die Verwendung der Offshore-Glasfaser in Chile im Vergleich zum aktuellen Punktsensornetzwerk erzielt wird, wird hier als Differenz zwischen dem Eintreffen der P-Welle am nächstgelegenen Glasfasersegment und an der vierten seismischen Station definiert, wie es üblicherweise von EEW-Systemen gefordert wird55. Dieser Zeitgewinn kann bei Erdbeben, die in der Nähe der Faser auftreten, bis zu 25 s betragen und kann sogar zu einer frühzeitigen Erkennung und Ausgabe von Warnmeldungen bei Erdbeben an Land führen, bei denen die Punktsensorabdeckung gering ist (Abb. 5b). Diese kostbaren Sekunden können entscheidend dazu beitragen, das Risiko potenziell katastrophaler Offshore-Erdbeben zu mindern.

Zeitgewinn mit DAS vor der Küste Chiles. Die Region ist in der Nebenkarte in b durch ein schwarzes Rechteck gekennzeichnet. eine Katalog- (Mcat) und Echtzeit-(MRT) Magnitudenschätzung, wann erwartet wird, dass S-Wellen die Küste erreichen. Erdbeben werden durch Kreise angezeigt, deren Größe den Katalogstärken entspricht und deren Farbe den MRT-Schätzzeiten entspricht. Der kürzeste Weg zur Küste wird für jedes Erdbeben durch graue gestrichelte Linien angezeigt. Die Faser wird durch eine blaue Kurve angezeigt und die zur Größenschätzung verwendeten Fasersegmente werden durch schwarze Rechtecke angezeigt. b P-Wellen-Zeitgewinn (rote Farbskala) für verschiedene mögliche Erdbebenorte. Es werden nur positive Zeitgewinne angezeigt; Negative Zeitgewinne weisen auf Erdbebenorte hin, die näher an den viertnächsten Punktsensoren liegen als an der Faser. Punktsensoren werden durch blaue Dreiecke angezeigt. Der in a dargestellte Bereich ist in b durch ein schwarz gestricheltes Rechteck gekennzeichnet. Die Karten wurden mit dem Basemap-Paket von Python und den von ncei.noaa.gov/maps/bathymetry/ heruntergeladenen Bathymetriedaten erstellt.

Zusammen mit dem Zeitgewinn bei Offshore-Erdbeben kann DAS-basierte EEW aus mehreren Gründen potenziell das punktsensorbasierte EEW übertreffen. Bei Implementierung auf gut gekoppelten Glasfasersegmenten sind Größenschätzungen zuverlässiger, da Daten aus vielen dicht beieinander liegenden DAS-Kanälen gemittelt werden, wodurch die Auswirkungen von Ausreißern reduziert und lokale Effekte geglättet werden. DAS ermöglicht eine robuste Unterscheidung zwischen Erdbeben und Lärm, da das seismische Wellenfeld von Erdbeben nahezu augenblicklich auf Hunderten von Metern langen Fasersegmenten aufgezeichnet wird. Dadurch werden Fehlerkennungen reduziert und ein Glasfasersegment kann ausreichen, um eine Frühwarnung auszulösen, sofern die Erdbebenortungsfähigkeiten gegeben sind.

Während direkte S-Wellen von horizontal installierten Fasern erfasst werden, ist dies bei direkten P-Wellen in der Regel nicht der Fall (Abb. 2a), was auf ihre hohen Geschwindigkeiten und den Winkel zwischen der Polarisation der Wellen und der Achse der Faser zurückzuführen ist13,56. Im Gegensatz dazu werden P-Wellen-induzierte Streuwellen gut aufgezeichnet (2–6 s in Abb. 2a, b). Für die Größenschätzung werden direkte P-Wellen (falls verfügbar) und S-Wellen sowie gestreute P- und S-Wellen verwendet. Während die Streuung auf Heterogenitäten der Erdmedien zurückzuführen ist und von Region zu Region unterschiedlich ist, verringert die Verwendung der scheinbaren Geschwindigkeiten der Wellen zur Umrechnung von Dehnungsraten in Bodenbeschleunigungen die Auswirkung dieses lokalen Phänomens auf Größenschätzungen. Die Dominanz dieser gestreuten Wellen wird die Erdbebenortung erschweren, da die Verwendung gestreuter P-Wellen anstelle direkter P-Wellen wahrscheinlich eher auf die Standorte der Streuer als auf die Quelle des Erdbebens hinweist. Da P-Wellen-basierte Größen typischerweise unterschätzt werden (Abb. 2d), ist nicht zu erwarten, dass sie Fehlalarme auslösen, sie können jedoch ausreichen, um vordefinierte Alarmschwellen zu überschreiten. Da Sensoren für EEW in der Nähe der erwarteten Epizentren platziert werden sollten, gilt: Je näher die Faser an Erdbebenorten liegt, desto eher werden die S-Wellen mit hohem Signal-Rausch-Verhältnis erkannt und verwendet. Bei großen Erdbeben ist die geringere Empfindlichkeit von DAS gegenüber P-Wellen von Vorteil, da dadurch die Sättigung direkter und gestreuter P-Wellen begrenzt wird.

Da es sich bei DAS um eine aufstrebende Technologie handelt, enthalten die verfügbaren Datensätze nicht genügend Erdbeben, deren Schadenspotenzial für EEW von Interesse ist. Infolgedessen können mehrere technische Aspekte der vorgeschlagenen Systeme wie Amplitudensättigung und Faser-Masse-Kopplung bei starkem Schütteln nicht vollständig bewertet werden. Im Gegensatz zu häufig verwendeten empirischen EEW-Ansätzen32,33,34 ist das vorgeschlagene Schema jedoch theoretisch und basiert auf einem gut etablierten Quellenmodell41, das die Fernfeldstrahlung einer großen Reihe von Erdbeben angemessen beschreibt. Daher reicht es aus, zu zeigen, dass die vorgeschlagenen Methoden für den aktuellen Erdbebendatensatz funktionieren, um ihre Gültigkeit zu beweisen. Darüber hinaus zeigt die Berücksichtigung kleiner Erdbeben, wie wir sie hier tun, die Robustheit des Systems gegenüber Fehlalarmen. Die Analyse von Nahfeldaufzeichnungen ist für EEW ein problematisches Thema. Da ein vollständiger theoretischer Rahmen noch entwickelt werden muss57, müssen möglicherweise andere Ansätze wie die Auflösung von Linienquellen58 oder die Extrapolation von Spitzenbewegungen des Bodens weg von der Erdbebenquelle59 an DAS-Daten angepasst werden, um diese Lücke zu schließen.

Für die Ableitung des vorgestellten physikbasierten Magnitudenschätzungsansatzes waren keine Erdbebenbeobachtungen erforderlich, ein erheblicher Vorteil, da der Mangel an DAS-Erdbebenbeobachtungen die Ableitung empirischer Methoden erschwert. Da keine Erdbeben erforderlich waren, ist der Ansatz geografisch unabhängig und problemlos in jeder tektonischen Umgebung anwendbar, wobei sowohl Offshore- als auch Landfasern und verschiedene DAS-Abfrageeinheiten verwendet werden, wie hier anhand von Erdbeben aus Griechenland, Frankreich und Chile gezeigt. Erdbebenbeobachtungen sind nur erforderlich, um gut gekoppelte Fasersegmente zu kartieren, obwohl dieses Ziel auch mithilfe von Umgebungsgeräuschen erreicht werden kann16. Die Verwendung von Segmenten, die nicht gut gekoppelt sind, kann entweder zu einer Unterschätzung der Größe führen, wenn die Dehnungsamplituden schwach sind, oder zu einer Überschätzung, wenn ein Segment aufgehängt ist und starken Vibrationen aufgrund von Kabelwellen ausgesetzt ist60. Der Ansatz ermöglicht eine kontinuierliche Aktualisierung der Magnituden- und Bodenbewegungsvorhersagen, was für die Analyse großer Erdbeben mit langer Dauer von entscheidender Bedeutung ist. Darüber hinaus reduziert die Verwendung einer ganzheitlichen Magnitudenschätzung und Bodenbewegungsvorhersage, die aus demselben Erdbebenmodell abgeleitet werden, die Auswirkungen von spannungsabfallbedingten Magnitudenverzerrungen auf die Bodenbewegungsvorhersagen und verbessert die Gesamtrobustheit des Systems.

Der Rechenaufwand der vorgestellten Ansätze ist gering. Während DAS-Erfassungen in der Regel sehr große Datenmengen liefern, können die Daten für EEW sowohl zeitlich als auch räumlich stark verkleinert werden, was sowohl das Datenvolumen als auch die Verarbeitungszeiten begrenzt. Um beispielsweise zeitnahe und robuste Größenschätzungen zu erhalten, reicht es aus, vorab ausgewählte, gut gekoppelte Faserabschnitte in Abständen von mehreren Kilometern zu verwenden. Für den Zweck dieser Studie analysierten wir 180 Sekunden lange Aufzeichnungen vorgewählter DAS-Glasfasersegmente (33 Kanäle), heruntergesampelt auf ~ 20 Hz, in ~ 136 Sekunden mithilfe eines Python-Codes auf einem Intel Core i7-Laptop mit 32 GB RAM ein einzelner Thread. Diese Berechnungszeiten zeigen an, dass die Methode für Echtzeit gültig ist. Für die zukünftige Implementierung als Teil eines operativen EEW-Systems können mehrere Aspekte des Codes optimiert und parallel ausgeführt werden. Beispielsweise können Slant-Stack-Berechnungen, die am zeitaufwändigsten sind (~ 4 s pro Kanal), zusätzlich zu Berechnungen für verschiedene Fasersegmente parallelisiert werden. Letzteres kann auch die Anzahl der zur Größenschätzung verwendeten Fasersegmente erhöhen.

Bei einigen Erdbeben zeigten die Dehnungsamplituden einen geringen Sättigungsgrad. Dennoch ermöglichen Größenschätzungen immer noch zuverlässige Vorhersagen der Bodenbewegung (Abb. 4). Dieses Phänomen wird in der vorhandenen Literatur nur unzureichend berichtet und untersucht und muss quantifiziert und angegangen werden, da es die Fähigkeit beeinträchtigen kann, höhere Dehnungsamplituden zu analysieren und zuverlässige Warnungen vor größeren Erdbeben bereitzustellen. Die DAS-Sättigung muss zusammen mit DAS-Herstellern untersucht werden, um Vorverarbeitungs- und Nachverarbeitungsmethoden zu entwickeln und die Machbarkeit von DAS für EEW vollständig zu demonstrieren.

Das in dieser Studie vorgestellte Framework zeigt das große Potenzial der Verwendung von DAS für EEW. Die hier vorgestellten Ansätze ermöglichen eine einfache, robuste und schnelle Implementierung von EEW unter Verwendung von Glasfasern sowohl auf See als auch an Land in jeder tektonischen Umgebung. Insbesondere bietet die Verwendung vorhandener Glasfasern am Meeresboden, die entlang von Subduktionszonen weltweit nahezu allgegenwärtig sind, eine kostengünstige und leicht verfügbare EEW-Lösung, insbesondere für exponierte Entwicklungsländer, die die Möglichkeiten zur Eindämmung von Erdbebengefahren erheblich verbessern wird.

Bei großen Erdbeben, d. h. wenn die Hochfrequenzdämpfung vernachlässigbar ist und im Fernfeld aufgezeichnet wird, sind die quadratischen Mittelwerte (rms), Drms und Spitzenbodenverschiebungen (PGD) größtenteils eine Funktion des seismischen Moments. M0: \({D}_{rms}\propto PGD\propto {M}_{0}^{5/6}\Delta {\tau }^{1/6}\) während Bodengeschwindigkeiten rms, Vrms, und PGV sowie die Beschleunigungen rms, Arms und PGA werden ebenfalls stark vom Spannungsabfall Δτ beeinflusst: \({V}_{rms}\propto PGV\propto {M}_{0}^{1/2} \Delta {\tau }^{1/2}\) und \({A}_{rms}\propto PGA\propto {M}_{0}^{1/3}\Delta {\tau }^{ 2/3}\) 24,40. Die Proportionalität zwischen Effektivwert und Spitzenbodenbewegungen ergibt sich aus statistischen Theorien61 und wurde in früheren Studien beobachtet40. Beachten Sie die unterschiedlichen Potenzen, die mit M0 und Δτ verbunden sind. Daher dienen Bodenverschiebungen im Vergleich zu Geschwindigkeiten oder Beschleunigungen als besserer Größenvorhersager32,35,40.

Das auf dem Slant-Stack62 basierende Schema zur Umwandlung von Dehnungen in Bodenbewegungen37 berücksichtigt scheinbare zeitliche und räumliche Schwankungen der Phasengeschwindigkeit. Die Konvertierung wird für jeden DAS-Kanal entlang der Faser unter Verwendung kurzer, annähernd linearer Fasersegmente angewendet. Hier wird dieser kürzlich vorgestellte Ansatz37 für die Echtzeitleistung modifiziert und optimiert. Die Ähnlichkeit (Kohärenz) als Funktion der scheinbaren Langsamkeit px und der Zeit t für einen DAS-Kanal, der sich bei x0 entlang der Faser befindet, kann wie folgt geschrieben werden:

Dabei ist L die Anzahl der für die Langsamkeitsschätzung verwendeten DAS-Kanäle, g(t) die Zeitreihe der DAS-Dehnungsraten und xj-x0 der Abstand zwischen Station j und dem Referenzkanal (bei x0). Gleichung (2) kann als kausaler Schrägstapel betrachtet werden, bei dem nur Datenproben von g(t) berücksichtigt werden, die bereits aufgezeichnet wurden.

Der Konvertierungsvorgang wird wie folgt durchgeführt. Aus Gründen der Recheneffizienz werden die aufgezeichneten Dehnungsraten auf 20 Hz (oder etwas höher, abhängig von der Abtastrate der Originalsignale) heruntergesampelt. Die Daten werden mit einem 4-poligen Butterworth-Filter bei 5 Hz tiefpassgefiltert, um hochfrequentes Instrumentenrauschen zu reduzieren. Das angewandte Downsampling und die Filterung beeinträchtigten nicht die Robustheit der Konvertierung und der anschließenden Größenschätzung. Die lokale Slant-Stack-Transformation wird unter Verwendung von Fasersegmenten mit einer Länge von ca. 380 m37 und Kanalabständen von ca. 20 m angewendet, wobei für dicht beabstandete Messungen mehrere Kanäle übersprungen werden. Die verwendeten Fasersegmente sind lang genug, um lange seismische Wellenlängen mit schnellen Geschwindigkeiten von mehreren km/s aufzulösen, und kurz genug, damit seismische Wellen kohärent sind und die Faserabschnitte annähernd linear sind37. Die Ähnlichkeit wird anhand von 50 vordefinierten Langsamkeitswerten berechnet, die gleichmäßig zwischen −5 s/km und 5 s/km liegen. Bei jedem t wird die Langsamkeit des Wellenfelds als diejenige mit der höchsten Ähnlichkeit bestimmt. Die erzeugte Langsamkeitszeitreihe wird dann geglättet, indem ein kausaler gleitender Mittelwertfilter von 1 s auf ihren Absolutwert angewendet wird. Die Zeitreihen der Dehnungsraten werden dann durch die Zeitreihen der Langsamkeit dividiert, um Bodenbeschleunigungen zu erhalten, gefolgt von einem zusätzlichen 5-Hz-Tiefpassfilter. Da wir letztendlich an den Effektivwerten der umgewandelten Dehnungsraten interessiert sind, kann das Vorzeichen der Langsamkeit verworfen werden (siehe „Größenschätzung aus bandbegrenzten Bodenbeschleunigungen“ in „Methoden“).

Wir leiten einen Ausdruck für den Effektivwert der Bodenbeschleunigungen mithilfe des häufig verwendeten Omega-Quadrat-Quellenmodells41 ab, das die Fernfeld-Körperwellenspektren beschreibt (graue gestrichelte Kurve in der ergänzenden Abbildung 9). Dieses Ableitungsverfahren folgt dem, das in mehreren früheren Studien verwendet wurde24,35,40,63,64,65,66. Das Omega-Quadrat-Beschleunigungsmodell41 unterliegt einer Hochfrequenzdämpfung67 (graue gepunktete Kurve in der ergänzenden Abbildung 9) lautet wie folgt:

Dabei ist f0 die Eckfrequenz der Quelle, Ω0 das Verschiebungs-Niederfrequenz-Spektralplateau und κ ein Dämpfungsparameter. Da die Dehnungsraten bei 5 Hz tiefpassgefiltert werden, werden die Beschleunigungs-Effektivwerte mithilfe von Gl. berechnet. (3) als \({A}_{rms}=\sqrt{\frac{2}{T}{\int }_{f=0}^{f=5}{\left|\ddot{\Omega }\left(f\right)\right|}^{2}df}\) (schwarze gestrichelte Kurve in ergänzender Abbildung 9), wobei T das Datenintervall ist. Das Integral wird gelöst und eine analytische Näherung erhalten (siehe Ergänzende Anmerkung 1). Die spektralen Parameter Ω0 und f0 werden durch das seismische Moment23 bzw. den Spannungsabfall68 ersetzt über:

Dabei ist ρ die Dichte an der Quelle, C die Wellengeschwindigkeit an der Quelle (CP und CS für P- bzw. S-Wellen), R der hypozentrale Abstand, Uφθ das durchschnittliche Strahlungsmuster, FS die freie Oberflächenkorrektur, und k ist eine phasenspezifische Konstante, die auch vom Quellenmodell und der Bruchgeschwindigkeit abhängt42. Gleichung (4b) gilt für einen kreisförmigen Riss, der in ein homogenes Medium eingebettet ist68. Der resultierende Ausdruck ist:

wobei der hochgestellte Wert approx den ungefähren Effektivwert angibt, \({A}_{1}=\frac{{U}_{\varphi \theta }{F}_{s}\sqrt{\pi }}{\rho {C }^{3}}{\left(\frac{16}{7}\right)}^\frac{2}{3}{\left(k{C}_{S}\right)}^{2 }\), \({A}_{2}=\pi {\left(\frac{16}{7}\right)}^{1/3}k{C}_{S}\), \ (h\left({\alpha }_{m}\right)={e}^{-{\alpha }_{m}}\sqrt{\frac{1}{2}\left[-3-6 {\alpha }_{m}-6{\alpha }_{m}^{2}-4{\alpha }_{m}^{3}-2{\alpha }_{m}^{4} +3{e}^{2{\alpha }_{m}}\right]}\) und \({\alpha }_{m}=5\pi \kappa\).

Gleichung (5) kann für das seismische Moment analytisch gelöst werden:

wobei \({a}_{1}={A}_{1}{\Delta \tau }^\frac{2}{3}\sqrt{1-{e}^{-2{\alpha }_ {m}}}\frac{1}{R\sqrt{\kappa T}}\), \({a}_{2}={A}_{rms}\), \({a}_{ 3}=\frac{{A}_{rms}{A}_{2}^{2}\Delta {\tau }^\frac{2}{3}{\kappa }^{2}\sqrt{ 1-{e}^{-2{\alpha }_{m}}}}{h\left({\alpha }_{m}\right)}\) und \({a}_{4}= {\left(3\sqrt{3\left(27{a}_{1}^{4}{a}_{3}^{2}+4{a}_{1}^{2}{a }_{2}^{3}{a}_{3}\right)}+27{a}_{1}^{2}{a}_{3}+2{a}_{2}^ {3}\right)}^\frac{1}{3}\). Die Momentengröße kann dann geschrieben werden als:

wobei M0 in Nm ausgedrückt wird.

Während die Koeffizienten \({a}_{1}\), \({a}_{2}\), \({a}_{3}\) und \({a}_{4}\) enthalten viele Parameter, nur wenige werden in Echtzeit aktualisiert: Arms wird kontinuierlich aktualisiert, wenn neue Daten aufgezeichnet werden, das verfügbare Datenintervall T beginnt beim Eintreffen der P-Welle und nimmt mit der Zeit zu, und R wird aktualisiert, wenn sich der Erdbebenort verbessert. Die verwendeten Parameter sind24: FS = 2, ρ = 2600 kg/m3, CS = 3,2 km/s, CP = 5,3 km/s, κ = 0,025 s, Uφθ beträgt 0,52 bzw. 0,63 für P- bzw. S-Wellen23, und k beträgt 0,32 bzw. 0,21 für P- bzw. S-Wellen42. Für Datenintervalle, die sowohl P- als auch S-Wellen enthalten, müssen die phasenspezifischen Konstanten basierend auf den relativen Intervallen jeder Phase gemittelt werden24:

Dabei steht const für Uφθ, C oder k für P- oder S-Wellen und TS-P für das SP-Datenintervall. Unter Verwendung dieser Parameter können \({a}_{1}\) und \({a}_{3}\) wie folgt geschrieben werden:

wobei phasenspezifische Begriffe in Klammern geschrieben sind.

In dieser Anwendung wird die Größe anhand mehrerer manuell identifizierter, gut gekoppelter Fasersegmente von ca. 600 m wie folgt geschätzt. Dehnungsraten innerhalb jedes Fasersegments werden in Bodenbeschleunigungen umgewandelt (siehe „Umrechnung von Dehnungsraten in Echtzeit in Bodenbeschleunigungen“ in „Methoden“). Arms wird pro DAS-Kanal berechnet, beginnend mit dem Eintreffen der P-Welle, und dann pro Fasersegment in jedem Zeitschritt logarithmisch gemittelt, um die Auswirkungen von Ausreißern zu minimieren. Da DAS das Wellenfeld nur in Linie mit der Faser messen kann, wird Arms mit \(\sqrt{2}\) multipliziert, um die fehlende orthogonale Komponente zu kompensieren. Der gemittelte Arms-Wert zum Zeitpunkt T wird dann in Gleichung eingegeben. (7) zusammen mit Δτ und R, um die Größe abzuschätzen. Die Größenschätzungen werden kontinuierlich aktualisiert, bis entweder die gemittelte Armstärke ihren Maximalwert erreicht oder T = 60 Sekunden24. Größenschätzungen aus verschiedenen Fasersegmenten werden anhand des verfügbaren Datenintervalls gewichtet, um eine ereignisspezifische Schätzung zu erhalten.

Für die PGV- und PGA-Vorhersage verwenden wir einen Satz physikbasierter GMPEs24,40, die unter Verwendung desselben Quellmodells41 (Gleichung 3) abgeleitet wurden, das zum Erhalten des Echtzeit-Magnitudenausdrucks (Gleichung 7) verwendet wurde (siehe „Magnitudenschätzung von bandlimited“) Bodenbeschleunigungen" in Methoden). Die GMPEs für PGV und PGA sind:

wobei \({\beta }_{V}=\frac{2\pi {U}_{\phi \theta }Fs\sqrt{\frac{16}{7}} {\left(k{C}_ {S}\right)}^\frac{3}{2}}{(\sqrt{2\pi }4\rho {C}_{S}^{3})}\) und \({\beta }_{A}=\frac{4\pi {U}_{\phi \theta }Fs{\left(\frac{16}{7}\right)}^{2/3}{\left(k {C}_{S}\right)}^{2}}{\left(\sqrt{\pi }4\rho {C}_{S}^{3}\right)}\). Diese theoretischen GMPEs sind problemlos in jeder seismischen Region anwendbar. Unter Verwendung der Parameterabstimmung für S-Wellen (siehe „Größenschätzung aus bandbegrenzten Bodenbeschleunigungen“ in Methoden) beträgt βV = 2,44 × 10–10 m1,5 s1,5/kg und βA = 2,05 × 10–8 m2s/kg.

Die GMPEs in Gl. (10) werden verwendet, um synthetisches PGV und PGA für verschiedene seismische Momente, Spannungsabfälle und hypozentrale Abstände zu erzeugen. Synthetische Arme werden durch Berechnung des Effektivwerts der Beschleunigungsspektren erzeugt (ergänzende Abbildung 9). Diese Spektren werden für einen bestimmten seismischen Moment, Spannungsabfall und hypozentralen Abstand unter Verwendung von Gleichung (1) erstellt. (3) und (4), vorbehaltlich eines Tiefpassfilters. Der Filter wird auf zwei Arten modelliert: als sauberer Cutoff (gestrichelte schwarze Kurve in ergänzender Abbildung 9), wie er für die Modellableitung verwendet wird (siehe „Größenschätzung aus bandbegrenzten Bodenbeschleunigungen“ in Methoden) oder als idealer 4-Pol-Butterworth Filter (durchgezogene schwarze Kurve in der ergänzenden Abbildung 9), ähnlich dem, der für die DAS-Signalverarbeitung verwendet wird.

DAS-Messungen in Griechenland wurden mit einem Febus A1 DAS-Interrogator zwischen dem 18. und 19. und 19. und 25. April 2019 an 13,2 km bzw. 26,2 km langen Fasern durchgeführt, die bei 6 ms bzw. 5 ms abgetastet wurden. Die Messlänge und die räumliche Probenahme wurden für die beiden Fasern jeweils auf 19,2 m festgelegt. DAS-Messungen in Frankreich wurden zwischen dem 11. und 31. Juli 2019 mit einem hDAS-Interrogator von Aragon Photonics an einer 44,8 km langen Faser durchgeführt, wobei am ersten und den letzten 10 Tagen jeweils 10 ms und 2 ms abgetastet wurden. Die Messlänge und die räumliche Probenahme wurden jeweils auf 10 m festgelegt. DAS-Messungen in Chile wurden zwischen dem 27. Oktober und dem 3. Dezember 2021 mit einem ASN OptoDAS-Interrogator an einer 204 km langen Glasfaser durchgeführt und mit 8 ms abgetastet. Die Messlänge und die räumliche Probenahme wurden jeweils auf 4,085 m festgelegt. Die Abfragegeräte Febus und OptoDAS zeichnen Dehnungsraten auf, während das Aragon-Instrument Flecken aufzeichnet. Letztere wurden vor der Umrechnung in Bodenbeschleunigungen in Dehnungsraten differenziert.

Seismometer- und Beschleunigungsmesseraufzeichnungen wurden verwendet, um PGV und PGA für die verschiedenen Erdbeben wie folgt zu berechnen. Daten für Griechenland, Frankreich und Chile wurden vom Nationalen Observatorium Athen, dem RESIF-Repository bzw. IRIS bezogen. Die beiden horizontalen Komponenten der Punktsensoren wurden abgeschwächt und mit einem 4-poligen Butterworth-Filter bei 1 Hz hochpassgefiltert, gefolgt von einer einfachen Verstärkungskorrektur. Geschwindigkeitsmessersignale wurden differenziert, um Bodenbeschleunigungen zu erhalten, und Beschleunigungsmesseraufzeichnungen wurden integriert, um Bodengeschwindigkeiten zu erhalten. Nach Differenzierungen und Integrationen wurde ein zusätzlicher Hochpassfilter angewendet. PGV (PGA) wurde dann als geometrisches Mittel des Maximums des Absolutwerts der beiden Geschwindigkeits- (Beschleunigungs-)Komponenten berechnet. PGV und PGA, die kleiner als das Fünffache der Standardabweichung der zugehörigen Zeitreihen sind, werden verworfen, da sie möglicherweise durch Rauschen verzerrt sind.

Proben von DAS-Erdbeben sind unter https://osf.io/4bjph/ verfügbar.

Allen, RM & Melgar, D. Erdbebenfrühwarnung: Fortschritte, wissenschaftliche Herausforderungen und gesellschaftliche Bedürfnisse. Annu. Rev. Planet Erde. Wissenschaft. 47, 361–388 (2019).

ADS CAS Google Scholar

Colombelli, S., Carotenuto, F., Elia, L. & Zollo, A. Entwurf und Implementierung einer mobilen Geräte-App für netzwerkbasierte Erdbebenfrühwarnsysteme (EEWS): Anwendung auf das PRESTo EEWS in Süditalien. Nat. Gefahren Erdsystem Wissenschaft. 20, 921–931 (2020).

ADS Google Scholar

Nof, RN, Lior, I. & Kurzon, I. Erdbebenfrühwarnsystem in Israel – Auf dem Weg zur Einsatzphase. Vorderseite. Erdwissenschaft. 9 (2021).

Licciardi, A., Bletery, Q., Rouet-Leduc, B., Ampuero, J.-P. & Juhel, K. Sofortige Verfolgung des Erdbebenwachstums mit Elastogravitationssignalen. Natur https://doi.org/10.1038/s41586-022-04672-7 (2022).

Artikel Google Scholar

Kuyuk, HS & Allen, RM Optimale seismische Netzwerkdichte für die Erdbebenfrühwarnung: Eine Fallstudie aus Kalifornien. Seismol. Res. Lette. 84, 946–954 (2013).

Google Scholar

Wald, DJ Praktische Grenzen der Erdbebenfrühwarnung. Earthq. Spektren 36, 1412–1447 (2020).

Google Scholar

Aoi, S. et al. MOWLAS: NIED-Beobachtungsnetzwerk für Erdbeben, Tsunami und Vulkan. Earth Planets Space 72, 126 (2020).

ADS Google Scholar

Schlesinger, A. et al. Ein Erdbebenfrühwarnsystem für den Südwesten von British Columbia. Vorderseite. Erdwissenschaft. 9 (2021).

Zhan, Z. Verteilte akustische Sensorik verwandelt Glasfaserkabel in empfindliche seismische Antennen. Seismol. Res. Lette. 91, 1–15 (2020).

Google Scholar

Fernandez-Ruiz, MR et al. Seismische Überwachung mit verteilter akustischer Erfassung von der oberflächennahen bis zur Tiefsee. J. Licht. Technol. 40, 1453–1463 (2022).

ADS Google Scholar

Lindsey, NJ, Rademacher, H. & Ajo-Franklin, JB Über die Breitband-Instrumentenreaktion von faseroptischen DAS-Arrays. J. Geophys. Res. Feste Erde 125, (2020).

van den Ende, MPA & Ampuero, J.-P. Bewertung der seismischen Strahlformungsfähigkeiten verteilter akustischer Sensorarrays. Feste Erde 12, 915–934 (2021).

ADS Google Scholar

Lior, I. et al. Über die Detektionsfähigkeiten der verteilten akustischen Unterwassersensorik. J. Geophys. Res. Feste Erde 126 (2021).

Yuan, S., Lellouch, A., Clapp, RG & Biondi, B. Oberflächennahe Charakterisierung mithilfe eines am Straßenrand verteilten akustischen Sensorarrays. Führen. Kante 39, 646–653 (2020).

Google Scholar

Williams, EF et al. Scholte-Welleninversion und passive Quellbildgebung mit Meeresboden-DAS. Führen. Kante 40, 576–583 (2021).

Google Scholar

Lior, I., Mercerat, ED, Rivet, D., Sladen, A. & Ampuero, J. Bildgebung eines Unterwasserbeckens und seiner Resonanzmodi mithilfe verteilter akustischer Sensorik über optische Fasern. Seismol. Res. Lette. 93, 1573–1584 (2022).

Google Scholar

Spica, ZJ et al. Untergrundbildgebung mit verteilter akustischer Erfassung am Meeresboden und Nachhall von Wasserphasen. Geophys. Res. Lette. 49, (2022).

Papp, B., Donno, D., Martin, JE & Hartog, AH Eine Untersuchung der geophysikalischen Reaktion verteilter faseroptischer akustischer Sensoren durch Experimente im Labormaßstab: Geophysikalische Reaktion faseroptischer Sensoren. Geophys. Aussicht. 65, 1186–1204 (2017).

ADS Google Scholar

Sladen, A. et al. Verteilte Erfassung von Erdbeben und Wechselwirkungen zwischen Ozean und fester Erde auf Meeresboden-Telekommunikationskabeln. Nat. Komm. 10, 1–8 (2019).

ADS Google Scholar

Lellouch, A. & Biondi, BL Seismische Anwendungen von Bohrloch-DAS. Sensoren 21, 2897 (2021).

ADS CAS Google Scholar

Li, Z. & Zhan, Z. Mit verteilter akustischer Sensorik und Template-Matching die Grenzen der Erdbebenerkennung erweitern: eine Fallstudie am Geothermiefeld Brady. Geophys. J. Int. 215, 1583–1593 (2018).

ADS Google Scholar

Singh, S., Capdeville, Y. & Igel, H. Korrektur von Wellenfeldgradienten für die Auswirkungen lokaler Heterogenitäten im kleinen Maßstab. Geophys. J. Int. 220, 996–1011 (2020).

ADS Google Scholar

Aki, K. & Richards, PG Quantitative Seismology (University Science Books, 2002).

Google Scholar

Lior, I. & Ziv, A. Generische Quellenparameterbestimmung und Bodenbewegungsvorhersage für die Erdbebenfrühwarnung. Generische Quellenparameterbestimmung und Bodenbewegungsvorhersage für die Erdbebenfrühwarnung. Stier. Seismol. Soc. Bin. 110, 345–356 (2020).

Google Scholar

Worden, CB, Gerstenberger, MC, Rhoades, DA & Wald, DJ Wahrscheinlichkeitsbeziehungen zwischen Bodenbewegungsparametern und modifizierter Mercalli-Intensität in Kalifornien. Stier. Seismol. Soc. Bin. 102, 204–221 (2012).

Google Scholar

Satriano, C., Lomax, A. & Zollo, A. Evolutionäre Erdbebenortung in Echtzeit für seismische Frühwarnung. Stier. Seismol. Soc. Bin. 98, 1482–1494 (2008).

Google Scholar

Lomax, A., Satriano, C. & Vassallo, M. Automatische Picker-Entwicklungen und -Optimierung: FilterPicker – ein robuster Breitband-Picker für seismische Echtzeitüberwachung und Erdbebenfrühwarnung. Seismol. Res. Lette. 83, 531–540 (2012).

Google Scholar

Eisermann, AS, Ziv, A. & Wust-Bloch, HG Array-basierte Erdbebenortung für regionale Erdbebenfrühwarnung: Fallstudien aus der Transformation des Toten Meeres. Stier. Seismol. Soc. Bin. 108, 2046–2053 (2018).

Google Scholar

Li, Z., Meier, M.-A., Hauksson, E., Zhan, Z. & Andrews, J. Seismische Wellenunterscheidung durch maschinelles Lernen: Anwendung auf die Erdbebenfrühwarnung. Geophys. Res. Lette. 45, 4773–4779 (2018).

ADS Google Scholar

Lellouch, A., Yuan, S., Spica, Z., Biondi, B. & Ellsworth, WL Schätzung der seismischen Geschwindigkeit mithilfe passiver verteilter akustischer Erfassungsaufzeichnungen im Bohrloch: Beispiele aus dem San Andreas Fault Observatory in der Tiefe. J. Geophys. Res. Solid Earth 124, 6931–6948 (2019).

Google Scholar

Nayak, A., Ajo-Franklin, J. und das Imperial Valley Dark Fiber Team. Verteilte akustische Erfassung mittels Dark Fiber zur Array-Detektion regionaler Erdbeben. Seismol. Res. Lette. 92, 2441–2452 (2021).

Kuyuk, HS & Allen, RM Ein globaler Ansatz zur Bereitstellung von Magnitudenschätzungen für Erdbebenfrühwarnungen: Magnitude für Erdbebenfrühwarnung. Geophys. Res. Lette. 40, 6329–6333 (2013).

ADS Google Scholar

Sadeh, M., Ziv, A. & Wust-Bloch, H. Echtzeit-Magnituden-Proxies für die Erdbebenfrühwarnung in Israel. Geophys. J. Int. 196, 939–950 (2014).

ADS Google Scholar

Nazeri, S., Shomali, ZH, Colombelli, S., Elia, L. & Zollo, A. Größenschätzung basierend auf integriertem Amplituden- und Frequenzinhalt der anfänglichen P-Welle in der Erdbebenfrühwarnung für Teheran, Iran. Stier. Seismol. Soc. Bin. 107, 1432–1438 (2017).

Google Scholar

Lior, I., Ziv, A. & Madariaga, R. P-Wellen-Dämpfung mit Auswirkungen auf die Erdbebenfrühwarnung. Stier. Seismol. Soc. Bin. 106, 13–22 (2016).

Google Scholar

Ziv, A. & Lior, I. Echtzeit-Momentgröße und Spannungsabfall mit Auswirkungen auf die Echtzeitvorhersage von Erschütterungen. Stier. Seismol. Soc. Bin. 106, 2459–2468 (2016).

Google Scholar

Lior, I. et al. Umwandlung von Dehnung in Bodenbewegung verteilter akustischer Erfassungsdaten zur Bestimmung der Erdbebenstärke und des Spannungsabfalls. Feste Erde 12, 1421–1442 (2021).

ADS Google Scholar

Daley, TM, Miller, DE, Dodds, K., Cook, P. & Freifeld, BM Feldtests der modularen Bohrlochüberwachung mit gleichzeitiger verteilter akustischer Erfassung und vertikalen seismischen Geophonprofilen in Citronelle, Alabama: Feldtests von MBM. Geophys. Aussicht. 64, 1318–1334 (2016).

ADS Google Scholar

Wang, HF et al. Bodenbewegungsreaktion auf ein Erdbeben der Stärke ML 4.3 unter Verwendung verteilter akustischer Sensor- und Seismometer-Arrays an derselben Stelle. Geophys. J. Int. 213, 2020–2036 (2018).

ADS Google Scholar

Lior, I. & Ziv, A. Die Beziehung zwischen Bodenbewegung, Erdbebenquellenparametern und Dämpfung: Implikationen für die Quellparameterinversion und die Gleichungen zur Vorhersage der Bodenbewegung. J. Geophys. Res. Solid Earth 123, 5886–5901 (2018).

ADS Google Scholar

Brune, JN Tektonischer Stress und die Spektren seismischer Scherwellen von Erdbeben. J. Geophys. Res. 75, 4997–5009 (1970).

ADS Google Scholar

Madariaga, R. Dynamik einer expandierenden kreisförmigen Verwerfung. Stier. Seismol. Soc. Bin. 66, 639–666 (1976).

Google Scholar

van den Ende, M. et al. Ein selbstüberwachter Deep-Learning-Ansatz zur blinden Rauschunterdrückung und Verbesserung der Wellenformkohärenz in verteilten akustischen Erfassungsdaten. IEEE Trans. Neuronales Netz. Lernen. Syst. 1–14 (2021) https://doi.org/10.1109/TNNLS.2021.3132832.

Guerin, G. et al. Hochauflösende Umgebungsgeräuschtomographie der Südwestalpen und des Ligurienrandes. Geophys. J. Int. 220, 806–820 (2020).

ADS Google Scholar

Ajo-Franklin, JB et al. Verteilte akustische Erfassung mittels Dark Fiber zur oberflächennahen Charakterisierung und breitbandigen seismischen Ereigniserkennung. Wissenschaft. Rep. 9 (2019).

Atterholt, J., Zhan, Z., Shen, Z. & Li, Z. Ein einheitlicher Wellenfeldaufteilungsansatz für verteilte akustische Erfassung. Geophys. J. Int. 228, 1410–1418 (2021).

ADS Google Scholar

Fernández-Ruiz, MR, Costa, L. & Martins, HF Verteilte akustische Erfassung mithilfe der phasenempfindlichen Chirped-Pulse-OTDR-Technologie. Sensoren 19, 4368 (2019).

ADS Google Scholar

Oth, A., Miyake, H. & Bindi, D. Zum Zusammenhang zwischen Erdbebenspannungsabfall und Bodenbewegungsvariabilität. J. Geophys. Res. Solid Earth 122, 5474–5492 (2017).

ADS Google Scholar

Trugman, DT & Shearer, PM Starke Korrelation zwischen Spannungsabfall und maximaler Bodenbeschleunigung bei jüngsten Erdbeben der Stärke M 1–4 in der San Francisco Bay Area. Stier. Seismol. Soc. Bin. 108, 929–945 (2018).

Google Scholar

Trugman, DT, Page, MT, Minson, SE & Cochran, ES Die maximale Bodenverschiebung erreicht genau zum erwarteten Zeitpunkt die Sättigung: Auswirkungen auf die Erdbebenfrühwarnung. J. Geophys. Res. Solid Earth 124, 4642–4653 (2019).

ADS Google Scholar

Kaneko, Y. & Shearer, PM Variabilität seismischer Quellspektren, geschätzter Spannungsabfall und abgestrahlte Energie, abgeleitet aus Kohäsionszonenmodellen symmetrischer und asymmetrischer kreisförmiger und elliptischer Brüche. J. Geophys. Res. Solid Earth 120, 1053–1079 (2015).

ADS Google Scholar

Trugman, DT & Shearer, PM Anwendung einer verbesserten Spektralzerlegungsmethode zur Untersuchung der Erdbebenquellenskalierung in Südkalifornien: Erdbebenquellenskalierung in Südkalifornien. J. Geophys. Res. Solid Earth 122, 2890–2910 (2017).

ADS Google Scholar

Shearer, PM, Abercrombie, RE, Trugman, DT & Wang, W. Vergleich von EGF-Methoden zur Schätzung der Eckfrequenz und des Spannungsabfalls aus P-Wellenspektren. J. Geophys. Res. Solid Earth 124, 3966–3986 (2019).

ADS Google Scholar

Deichmann, N. Lokale Größe, ein noch einmal betrachteter Moment. Stier. Seismol. Soc. Bin. 96, 1267–1277 (2006).

Google Scholar

Kohler, MD et al. Erdbebenfrühwarnung ShakeAlert 2.0: Pubic Rollout. Seismol. Res. Lette. 91, 1763–1775 (2020).

Google Scholar

Mateeva, A. et al. Verteilte akustische Erfassung zur Reservoirüberwachung mit vertikaler seismischer Profilierung: Verteilte akustische Erfassung (DAS) zur Reservoirüberwachung mit VSP. Geophys. Aussicht. 62, 679–692 (2014).

ADS Google Scholar

Madariaga, R., Ruiz, S., Rivera, E., Leyton, F. & Baez, JC Nahfeldspektren großer Erdbeben. Reine Appl. Geophys. 176, 983–1001 (2019).

ADS Google Scholar

Böse, M., Heaton, TH & Hauksson, E. Echtzeit-Finite-Fault-Rupture-Detektor (FinDer) für große Erdbeben. Geophys. J. Int. 191, 803–812 (2012).

ADS Google Scholar

Kodera, Y. et al. Die Propagation of Local Undamped Motion (PLUM)-Methode: Ein einfacher und robuster Ansatz zur Schätzung seismischer Wellenfelder für die Erdbebenfrühwarnung. Stier. Seismol. Soc. Bin. 108, 983–1003 (2018).

Google Scholar

Munn, JD, Coleman, TI, Parker, BL, Mondanos, MJ & Chalari, A. Neuartige Kabelkopplungstechnik für verbesserte flach verteilte akustische Sensor-VSPs. J. Appl. Geophys. 138, 72–79 (2017).

ADS Google Scholar

Van Houtte, C., Larkin, T. & Holden, C. Über Dauer, Spitzenfaktoren und Nichtstationaritätskorrekturen bei seismischen Gefahrenanwendungen der Zufallsvibrationstheorie. Stier. Seismol. Soc. Bin. 108, 418–436 (2018).

Google Scholar

Taner, MT, Koehler, F. & Sheriff, RE Komplexe seismische Spurenanalyse. Geophysik 44, 1041–1063 (1979).

ADS Google Scholar

Hanks, TC b-Werte und seismische ω-γ-Quellenmodelle: Implikationen für tektonische Spannungsschwankungen entlang aktiver Krustenstörungszonen und die Schätzung hochfrequenter starker Bodenbewegungen. J. Geophys. Res. 84, 2235 (1979).

ADS Google Scholar

McGuire, RK & Hanks, TC RMS-Beschleunigungen und Spektralamplituden starker Bodenbewegung während des Erdbebens in San Fernando, Kalifornien. Stier. Seismol. Soc. Bin. 70, 1907–1919 (1980).

Google Scholar

Luco, JE Über starke Bodenbewegungsschätzungen basierend auf Modellen des abgestrahlten Spektrums. Stier. Seismol. Soc. Bin. 75, 641–649 (1985).

Google Scholar

Lior, I. & Ziv, A. Die Beziehung zwischen Bodenbeschleunigung und Erdbebenquellenparametern: Theorie und Beobachtungen. Stier. Seismol. Soc. Bin. 107, 1012–1018 (2017).

Google Scholar

Anderson, JG & Hough, SE Ein Modell für die Form des Fourier-Amplitudenspektrums der Beschleunigung bei hohen Frequenzen. Stier. Seismol. Soc. Bin. 74, 1969–1993 (1984).

Google Scholar

Eshelby, JD Die Bestimmung des elastischen Feldes eines ellipsoiden Einschlusses und verwandte Probleme. Proz. R. Soc. London. Ser. Mathematik. Physik. Wissenschaft. 241, 376–396 (1957).

ADS MathSciNet MATH Google Scholar

Referenzen herunterladen

Dieses Projekt wurde vom Europäischen Forschungsrat (ERC) im Rahmen des Forschungs- und Innovationsprogramms Horizon 2020 der Europäischen Union (Fördervereinbarung Nr. 101041092) und vom Projekt UCAJEDI Investments in the Future, das von der Nationalen Forschungsagentur (ANR) verwaltet wird, gefördert Referenznummer ANR-15-IDEX-01 und vom Observatoire de la Côte d'Azur. Wir danken der GTD Grupo SA, die den Zugang zur Infrastruktur bereitgestellt hat, und den Mitarbeitern des Centro Sismologico Nacional, die bei der Logistik geholfen haben.

Institut für Geowissenschaften, Hebräische Universität, Jerusalem, Israel

Itzhak Lior

Côte d'Azur-Universität, Côte d'Azur-Observatorium, CNRS, IRD, Geoazur, Valbonne, Frankreich

Diane Rivet, Jean-Paul Ampuero und Anthony Sladen

Nationales Seismologisches Zentrum, Universität Chile, Santiago, Chile

Sergio Barrientos und Rodrigo Sánchez-Olavarría

Gtd Group SA, Santiago, Chile

Deutscher Alberto Villarroel Opazo und Jose Antonio Bustamante Prado

Sie können diesen Autor auch in PubMed Google Scholar suchen

IL entwarf die vorgestellten Algorithmen, führte die Analyse durch und verfasste den ersten Entwurf. DR, JPA und AS trugen zur Diskussion, Methodik, Interpretation und Präsentation der Ergebnisse bei. DR, JPA, AS, SB, RSO, GAVO und JABP beteiligten sich an der Durchführung von DAS-Messungen.

Korrespondenz mit Itzhak Lior.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Lior, I., Rivet, D., Ampuero, JP. et al. Magnitudenschätzung und Bodenbewegungsvorhersage zur Nutzung der faseroptischen verteilten akustischen Sensorik zur Erdbebenfrühwarnung. Sci Rep 13, 424 (2023). https://doi.org/10.1038/s41598-023-27444-3

Zitat herunterladen

Eingegangen: 23. September 2022

Angenommen: 02. Januar 2023

Veröffentlicht: 09. Januar 2023

DOI: https://doi.org/10.1038/s41598-023-27444-3

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.

Nachricht

Magnitudenschätzung und Bodenbewegungsvorhersage zur Nutzung der faseroptischen verteilten akustischen Sensorik zur Erdbebenfrühwarnung