“密集恐惧症”可能大家都有所了解，密集恐惧症（Trypophobia）是一种恐惧症，其主要症状是对密集排列的相对小或有孔洞的事物敏感，如莲蓬、肥皂泡、青蛙卵及蜂巢（来源于 perplexity.ai，最近很火的 ChatGPT 类似款）。对于部分人来说，密集的东西比较恐怖，没有想到的是，地震也有“密集恐惧症”。这该从何说起呢？就从地震属性谈起吧。
地震，就我们所理解的，就是地震动。地壳的颤动传达到地面，如果我们没有感受到那就是无震感的地震，如果天崩地裂，那么这个地震震级就往高了去了。抛开地震震级不谈，我们总是收到相应的地震速报，大致包含了以下关键信息：震级大小，发震时刻，发震位置，发震深度以及震中距（你与地面地震中心的距离）等。
那你有没有思考过，这些信息到底是怎么来的？有过一定了解或者环境周边见过的，一定知道地震台，这就是固定的地震监测系统，全国的地震台所组成的台网就是地震台网 —— 密集地震观测网 (Dense Observation Network)，这是监测地震的天眼。因此利用地震台网，再结合一些技术手段就可以定位到地震发生的相关信息（地震定位多台法等等）。不过，对于区域性的地震而言，地震台的数量是相对少的，这就导致了一定的局限性。那为什么不多建一些呢？考虑到实际成本、实际效用，如果国家没有富足到随意拨科研经费的程度，那就不会存在太多的固定地震台。因此，相对固定地震台，流动地震台（也就是节点地震仪）也就体现了它的优势。
节点式的地震仪因为其便于携带的特性，因此被地球物理学家广泛应用在区域性的科学研究上。而不同的布设方式，对于不同的科学问题又会有不同的作用。近年来计算机和存储的发展使得数据处理的算了大幅提升，这个时候“密集台阵”—— 超密集地震台阵 (Dense Seismic Array)，就应运而生了。密集台阵得益于其布设的密集性，能够对区域地球物理问题有着很好的解决能力。那为什么密集台阵能够有效得解决区域地球物理问题呢？这是因为密集的观测能够获取到更多的观测数据，结合后续的处理分析，能够获得更多的有效信息。例如，在地震定位方面，密集台阵能够获取到更多的地震走时信息，这就为其精确定位提供了更多的约束。
早在 2011 年，美国相关高校研究人员就在洛杉矶长滩（Long Beach）布设了间距约 100m 的密集台阵，5200 个地震仪以 500Hz 的采样连续监测了 6 个月，覆盖的工区范围达到了 10km * 7km。2012 年又布设了另外一期密集台阵，数量是 2500 个，其下方是 Newport-Inglewood 断层带。虽说已经是十年前的观测实验了，但是围绕着这个实验的相关工作一直到现在都陆陆续续地公布，这就是科研工作的特性，不同时期不同技术方法的发展能够对于旧数据的有更好的理解。
2016 年，Inbal 等研究人员利用长滩的这个密集台阵研究了台阵下方的地震活动性。如何研究活动性呢？研究基础就是地震定位，我们知道密集台阵的特性就是各个地震仪之间数据的相似性，具体是怎么相似的呢？我们来看具体的数据。下面这张图是经过深度学习去噪后的地震数据（关于深度学习，我们后续的推文再来详细说说），把每个地震仪的波形数据按照震中距排列起来，横纵坐标分别是时间和震中距，我们可以看到地震信号的一个明显传播过程，利用这些信息就可以精确定位到地震起源的位置。
通过地震信号的识别，然后对其定位，就可以获得观测时段内的地震定位结果，进而了解其活动性。2016 年这篇《SCIENCE》文章的结果表明了，转换断层的上地幔存在地震活动性。一般而言陆地上的转换断层的地震活动基本局限在上地壳，而 Newport-Inglewood 断层带在上地幔也存在地震活动，这就与以往认知不相符，属于是新的发现了。不过有意思的是，2022 年在《SCIENCE ADVANCES》上发布的一篇文章表明，Newport-Inglewood 断层带在上地幔不存在地震活动性。
且不论谁对谁错，只有一点我们 get 到了，科学认知的过程是曲折且上升的！对相应的具体内容和技术细节感兴趣的可以阅读下原文。
密集台阵技术是近几年来普遍使用的区域研究的技术手段，也使得地球物理学科有了一个质的飞跃。这也是为什么说，地震也有“密集恐惧症”！
参考文献：
-
[1] Inbal, A., Ampuero, J. P., & Clayton, R. W. (2016). Localized seismic deformation in the upper mantle revealed by dense seismic arrays. Science, 354(6308), 88-92.
-
[2] Yang, L., Liu, X., Zhu, W., Zhao, L., & Beroza, G. C. (2022). Toward improved urban earthquake monitoring through deep-learning-based noise suppression. Science advances, 8(15), eabl3564.
本文来自微信公众号：石头科普工作室 （ID：Dr__Stone），作者：行雨