Science: 基於區域地震臺網進行災難性洪流事件識別與早期預警
大體量巖體、冰川滑坡及其誘發的災難性洪流（泥石流、洪水）等次生災害，是山區最危險的地質災害之一，嚴重威脅著人類的生命財產安全。受全球氣候變化影響，此類災害在青藏高原周邊越來越呈現高發、陡發態勢，包括我國在內的區域國家相應的預警與減災需求尤其突出。然而，由於此類災害具有速度快、規模大、隱蔽突發性強等特徵，傳統方法難以對其進行有效的早期預警。巖體/冰川的拆離、衝擊及泥石流、山洪的流動過程，會激發相應的地震波訊號，基於密集地震臺網資料分析為此類災害預警成為了可能（Ekstrom and Stark, 2013; Cook et al., 2018; Maurer et al., 2020）。
圖1 2021年2月7日隆蒂峰滑坡概況（Shugar et al., 2021）。（A）三維地形圖；（B-D）隆蒂峰北坡滑前滑後衛星照片；（E）隆蒂峰北坡滑後三維渲染圖；（F）滑坡體簡圖
2021年2月7日UTC時間4:51（印度標準時間10:21），印度北部北阿坎德邦Ronti Gad河谷上游隆蒂峰（Ronti Peak，海拔6063m）突發大規模冰川山體滑坡（圖1），體量達~2.7×107m3的滑坡體衝擊河谷誘發了災難性洪流，沖毀了下游數個村莊和水電設施，造成了200多人遇難或失蹤的嚴重後果（Shugar et al., 2021）。基於佈設於北阿坎德邦的密集寬頻地震臺網，德國地學研究中心與印度國家地球物理研究所的研究人員詳細分析了此次災害事件中滑坡、碎屑流、洪流等三階段動態過程的地震訊號特徵（圖2），並討論了利用地震學方法對不同階段滑動/流動事件識別定位、預報預警的可行性（Cook et al., 2021）。
圖2 研究區地形及滑坡事件波形反演結果（Cook et al., 2021）。（A）研究區地形；（B）臺站AUL記錄的2021年2月7日印度北阿坎德邦山洪泥石流事件的頻譜能量圖；（C和D）滑坡體拆離、衝擊過程波形反演結果。震源球為單力源下半球投影，其大小與振幅大小成正比。方位角近垂直於滑坡滑移方向的臺站AUL和GDM波形擬合情況
在初期滑坡過程中，滑坡體整體加速、減速過程產生了豐富的低頻訊號，即使是在上千公里外的遠場地震臺，依然能夠識別出相關記錄（圖3）。基於高信噪比低頻訊號（0.08-0.15Hz）的單力源波形反演（Single force inversion），可以很好地重建滑坡體拆離、衝擊過程（圖2C、圖2D）。而在後續的碎屑流、洪水流動過程中，隨著大質量碎屑逐漸減少，低頻訊號（<0.5Hz）逐漸消退，僅在百公里內的近場地震臺，才能觀測到以高頻成分（>1Hz）為主的相關訊號（圖3）。雖然滑坡事件產生的低頻訊號為後續的山洪泥石流預警提供了可能，但是對於缺乏低頻訊號觸發機制的災害事件，如冰湖、堰塞湖壩體潰決引發的山洪泥石流（Cook et al., 2018; Maurer et al., 2020），則無法透過低頻訊號分析來進行有效預警。因此，如何對低信噪比高頻洪流訊號進行快速識別、實時定位、風險評估，是實現山洪泥石流災害有效預警的關鍵所在。
圖3 滑坡-碎屑流-洪流等不同階段事件訊號的可識別性（Cook et al., 2021）。（A-C）三階段地震訊號信噪比分佈；（D-F）三階段地震訊號強度隨距離的變化，以及與臺站日、夜環境噪聲水平對比
該項研究利用歸一化加權互相關法（Normalized weighted cross-correlation）與振幅-距離分析法（Amplitude-distance analysis），分別對洪流運移軌跡進行追蹤定位，結果與衛星影象顯示的洪流前鋒位置隨時間變化有很好的一致性，且兩種方法均能很好地定位緊隨滑坡之後（幾分鐘內）的洪流位置（圖4）。這為快速確定事件性質、準確預估潛在風險，實施有效預警提供了可能。但是，洪流訊號只在環境噪聲水平較低的近場地震臺才能有效識別，且其可探測性受環境噪聲水平的日夜變化、季節變化影響明顯（圖3），如何實現有效預警，仍然面臨眾多挑戰。
圖4 洪流定位及速度分析（Cook et al., 2021）。（A）基於振幅-距離分析法的不同時刻事件定位；（B）基於歸一化加權互相關法的不同時刻事件定位，藍色圓點為衛星影象顯示的洪峰位置；（C）不同方法獲得的洪流速度
本項研究表明，利用地震記錄能夠很好地重建此次災害事件過程，但是受臺站分佈、噪聲水平的影響，在山洪泥石流的可探測性方面仍存在不確定性。根據場地條件、潛在風險等情況，有針對性地合理佈設地震監測臺網，可構建洪流早期預警的骨幹網路；但還需進一步發展山洪泥石流事件的可靠識別、定位、評估方法（如有效利用機器學習等人工智慧技術實現自動化處理流程等，Chmiel et al., 2021），以提高事件探測的確定性是實現成功預警的關鍵。
主要參考文獻：
Chmiel M, Walter F, Wenner M, et al. Machine Learning improves debris flow warning[J]. Geophysical Research Letters, 2021, 48(3): e2020GL090874.
Cook K L, Andermann C, Gimbert F, et al. Glacial lake outburst floods as drivers of fluvial erosion in the Himalaya[J]. Science, 2018, 362(6410): 53-57.
Cook K L, Rekapalli R, Dietze M, et al. Detection and potential early warning of catastrophic flow events with regional seismic networks[J]. Science, 2021, 374(6563): 87-92. （原文連結https://www.science.org/doi/full/10.1126/science.abj1227）
Ekstrom G, Stark C P. Simple scaling of catastrophic landslide dynamics[J]. Science, 2013, 339(6126): 1416-1419.
Maurer J M, Schaefer J M, Russell J B, et al. Seismic observations, numerical modeling, and geomorphic analysis of a glacier lake outburst flood in the Himalayas[J]. Science Advances, 2020, 6(38): eaba3645.
Shugar D H, Jacquemart M, Shean D, et al. A massive rock and ice avalanche caused the 2021 disaster at Chamoli, Indian Himalaya[J]. Science, 2021, 373(6552): 300-306.
編輯：萬鵬
美編：傅士旭
校對：張騰飛 姜雪蛟
