2026年6月4日 20:10吉林

Upper-mantle earthquakes beneath East Antarctica

成果简介

近期，来自阿拉巴马大学、马德里康普顿斯大学和俄克拉荷马大学的研究团队在《Science》期刊发表重要研究成果，首次利用深度学习技术在东南极洲深部识别出板内中深源地震（IDEs），为理解板块内部地震成因提供了

全新的地球动力学证据。研究团队将深度学习地震检测算法与迁移学习技术相结合，对覆盖维多利亚地区域的49个地震台站记录的历史数据进行系统分析，在 David 冰川下方识别出 1068 个地震事件（震级 M 1.6~3.5），

其中 510 个事件的震源深度超过 70 km，集中分布在 100~150 km 的上地幔深度范围内，紧邻岩石圈-软流圈边界（LAB）。研究认为，这些上地幔地震的成因既不同于已知的古俯冲板片脱水、岩石圈拆沉或"滴落构造"等机制，

而是由东南极克拉通厚冷岩石圈与西南极裂谷系薄热岩石圈之间的急剧强度梯度，叠加沿横南极山脉前缘的差异性热驱动动力地形抬升，在 David 冰川下方岩石圈底部产生集中弯曲应力所致。冰盖荷载变化引起的冰川均衡

调整也对区域应力场有额外贡献，揭示了冰冻圈、岩石圈与软流圈之间深刻的跨圈层耦合关系。

引言

板内地震是地球科学长期面临的重要挑战之一。传统板块构造理论认为，板块内部远离活动边界，应处于应力平静状态，几乎不发生显著变形。然而，现实观测表明，板内地震不仅存在，而且其成因往往难以用现有理论框架

加以解释。当板内地震的震源深度超过 70 km，进入上地幔范围时，问题变得更加棘手。在上地幔的极端高温高压条件下，岩石理论上应以韧性流变方式响应应力，而非发生脆性破裂产生地震。此类板内中深源地震（IDEs）

迄今仅在极少数地区有所记录——阿富汗兴都库什、摩洛哥阿特拉斯山脉和罗马尼亚弗朗恰区域，且每个案例的成因解释均存在争议，分别被归因于古俯冲残留板片、岩石圈拆沉或"滴落构造"等机制。东南极洲长期被视为全球

地震活动最为平静的地区之一。此前在该地区识别出的少量地震事件，绝大多数被归因于冰盖底部粘滑运动、冰裂缝形成等浅表冰冻圈过程，仅有极少数被认为是中地壳事件。这一认知的局限，在很大程度上源于台站稀疏、

信号微弱带来的观测瓶颈，而非该地区真正缺乏地震活动。该研究的重要意义在于：首次将先进的深度学习地震检测技术系统应用于东南极洲，突破了传统方法在弱信号识别上的瓶颈，在这片"地震沉默"的大陆深部发现了数百

个上地幔地震事件，并提出了一套全新的、以岩石圈弯曲应力为核心的板内 IDE 成因机制，对全球板内地震研究具有重要的启示意义。

研究方法

样品体系：多台网联合、跨越时间的地震数据整合该研究整合了三个相互独立、时间不重叠的地震观测网络的历史数据，构建了迄今覆盖维多利亚地区域最为完整的地震波形数据集：TAMSEIS（横南极山脉地震实验）：

2001~2003年运行，专为探测东西南极岩石圈边界结构而设计David Glacier 台阵：2003~2004年运行，专门针对 David 冰川区域的冰震活动监测TAMNNET（横南极山脉北部台网）：2012~2015年运行，覆盖维多利亚地

北部广大区域，并辅以附近的全球地震台网站点三个台网合计提供 49 个地震台站的宽频带波形数据，时间跨度长达 14 年，为构建高质量地震目录奠定了数据基础。

技术突破：深度学习 + 迁移学习的地震检测框架

南极洲地震探测面临极端挑战：台站间距大、背景噪声复杂（冰震信号与构造地震信号高度混叠）、目标事件震级小（M<3.5）且P波和S波到时往往微弱或渐现（emergent）。传统的短时平均/长时平均（STA/LTA）

触发算法在此类环境下误检率高、漏检率高。为此，研究团队采用了两层技术架构：

第一层：自动深度学习地震检测包（easyQuake）基于深度神经网络，直接从原始波形中学习P波和S波到时的特征模式能够识别传统算法难以捕捉的微弱、渐现震相输出初始地震事件候选列表及各震相到时拾取结果

第二层：迁移学习（Transfer Learning）精细调优将在其他地区（数据丰富环境）预训练的深度学习模型，迁移至南极洲这一数据稀缺的特殊环境利用少量已知南极洲地震样本对模型进行微调，使其适应当地独特的

噪声特征和波形形态显著提升了对微弱板内地震信号的识别能力，大幅扩充了地震目录的完备性

地震精确重定位：三维速度模型约束下的概率定位震相到时拾取完成后，研究团队采用 NonLinLoc（NLL）软件包对所有候选事件进行三维精确重定位。速度模型采用 An et al.（2015）发布的南极洲三维横波速度模型

的修正版本，充分考虑了东西南极岩石圈结构的强烈横向非均匀性。NLL 基于概率密度函数框架输出震源位置，而非单一最优解，因此可以直接量化定位不确定性。研究团队以空间集中程度作为定位质量的评判标准，

仅保留横向和垂向误差均 ≤20 km 的事件进入最终目录。

多重独立验证体系

为确保地震检测和定位结果的可靠性，研究团队建立了四重独立验证机制：信噪比阈值筛选：对所有震相到时拾取施加信噪比 ≥ 2.0 的硬性门槛，并对高通滤波（1 Hz）后的波形进行人工逐一目视核查，确认清晰的P波

和S波到时，排除假阳性检测S-P走时差独立验证：通过射线追踪正演计算不同震源深度（0~150 km）和不同震中位置对应的理论S-P到时差，与观测值进行独立比对，验证NLL定位深度的准确性空间位置唯一性验证：S-P

走时差评估同时验证了 David 冰川事件与周边其他地震群（如 Ross Island 火山地震）在空间上的明确区分，排除了位置混淆的可能性PDF集中度评估：NLL输出的概率密度函数空间分布的集中程度，作为定位鲁棒性的定量指标

震源机制解算与应力分析

对于波形质量较高、台站方位角覆盖较好的事件，研究团队基于P波初动极性计算了 13 个 IDE 的震源机制解，以判断地震的断层类型（逆断层/正断层/走滑断层）。在此基础上，研究团队进一步基于 Brenn et al.（2017）

提供的横南极山脉前缘挠曲剖面，结合弹性板模型，定量估算了 David 冰川下方岩石圈底部的最大弯曲应力，并按照 Ivins et al.（2003）的方法将其转换为 Coulomb 差应力和 Mogi-von Mises 差应力，以评估断层滑动的触发概率。

图文导读

东南极洲 David 冰川下方地震事件的空间分布与地壳速度结构

研究发现，David 冰川下方的地震事件并非随机分布于地壳各个深度，而是呈现出两个截然分离的深度群集，且中深源地震群精确聚集在岩石圈-软流圈边界（LAB）附近，与东西南极岩石圈之间的横波速度急剧转变带高度吻合，

这一空间对应关系是理解其成因的关键线索。图A为研究区域的平面地图，底图为冰下基岩地形（色标从深蓝色的 -2 km 到白色的 +4 km），粉红色圆点标示经 NLL 重定位后的地震震中，白色三角形为地震台站位置，白色实线标

注了 A-A' 和 B-B' 两条剖面的位置。地震震中高度集中在 David 冰川（DG）出口附近，而非沿整条横南极山脉（TAMs）分散分布，这一空间局限性本身就是成因机制的重要约束。右上角小图标注了研究区在南极洲全图中的位置

（红色方框），清晰区分东南极（EA）与西南极（WA）的地理关系。图B和图C分别展示了沿 A-A'（东西向，穿越 Wilkes 冰下盆地至西南极裂谷系）和 B-B'（南北向，连接 Royal Society Range 与 Deep Freeze Range）两条剖面的

深度截面。背景色场为横波速度异常（Vs %），蓝色代表高速（冷、厚、强的东南极岩石圈），红色代表低速（热、薄、弱的西南极岩石圈），黑色粗实线标注了解释的 LAB 位置。左侧宽视图（垂直夸大 VE=24）显示，LAB 在 David 

冰川下方呈现出明显的上凸形态，深度约 100~150 km，而东侧东南极克拉通下方 LAB 则更深；右侧放大图（VE=2~4）则清晰展示粉红色地震点密集分布在 LAB 附近，震源机制解（沙滩球图案）以逆断层和正断层为主，与弯曲应

力场的上凹模式（浅部受压、深部受拉）完全一致，有力支持了岩石圈弯曲应力触发 IDE 的核心论点。

Fig. 1. Map of the study area and cross-sectional profiles.

深度学习地震检测与 NLL 重定位的多重验证示例

研究发现，深度学习算法成功从复杂的南极背景噪声中识别出震源深达 143.3 km 的上地幔地震，且经过 NLL 概率密度函数定位和 S-P 走时差独立验证后，该事件的震源深度和水平位置均得到高度一致的确认，横向和垂向定位

误差均不超过 20 km，充分证明了深度学习探测框架在极端观测条件下的可靠性。左侧波形图展示了 2015 年 7 月 26 日 22:49:34 发生的一个典型 IDE 事件，在 SAMH、MICH、RAPH、SPLN、SHRD、KNYN、CASY 共 7 个台站

的垂向（BHZ）和水平（BHN）分量上记录的高通滤波（1 Hz）地震波形。红色虚线标注深度学习算法自动拾取的 P 波到时，蓝色虚线标注 S 波到时。尽管各台站距离不同、波形振幅差异显著，但 P-S 震相均清晰可辨，信噪比

良好，排除了假阳性检测的可能性。值得注意的是，S-P 到时差随台站距离的系统性增大，直观反映了震源的深部位置。图A展示了 NLL 计算的三维概率密度函数（PDF）：左侧深度-似然度曲线显示概率密度在约 143 km 处形成极

为尖锐的峰值（红色虚线标注），垂向定位不确定性极小；右侧水平面 PDF 图中，样本点（颜色代表落入每个 1 km 格点的样本数量，从蓝色 25 个到黄色 100 个）高度集中在红色虚线交叉点附近，水平定位误差同样极小，证明

该事件的三维位置得到了高度约束。图C展示了 S-P 走时差独立验证结果：四个子图分别对应假设震源深度为 0、40、100、150 km 时，各台站（蓝色三角形）理论 S-P 到时对应的等时圆（橙色圆圈，圆的半径正比于 S-P 时差），

红色五角星为 NLL 确定的震中位置。当假设深度为 150 km 时，各台站的等时圆在震中附近汇聚最为集中，与 NLL 定位结果（143.3 km）高度吻合；而 0 km 和 40 km 假设深度下，等时圆明显无法在同一点汇聚，有力排除了浅

源事件的可能性，独立验证了上地幔深度的可靠性。

Fig. 2. Example of earthquake detection and relocation validation.

David 冰川下方岩石圈弯曲触发上地幔地震的概念模型

研究发现，David 冰川两侧 Royal Society Range 和 Deep Freeze Range 下方热地幔的差异性上涌，叠加冰川荷载对岩石圈的垂向压制，在 David 冰川出口下方的岩石圈底部产生了上凹弯曲形态，这种弯曲在岩石圈-软流圈

边界附近集中了足以触发脆性破裂的弯曲应力，从而解释了为何中深源地震仅出现在 David 冰川这一特定位置，而非沿整条横南极山脉均匀分布。图的上半部分为沿横南极山脉前缘的三维冰下基岩地形渲染图，颜色从深蓝色

（-1 km，低洼区域）到深红色（>3 km，高山区域）。图中清晰可见，Royal Society Range（左） 和 Deep Freeze Range（右） 海拔显著偏高，而中间的 David Glacier 出口处地形明显低洼，形成一个明显的地形凹陷。这种

地形格局是理解深部弯曲应力分布的地表直观表达。图的下半部分为深部结构的概念性剖面示意图（非按比例绘制），自上而下依次为冰冻圈（浅蓝色）、岩石圈（浅棕色）和软流圈（红色渐变）。关键机制通过三组蓝色箭头和

弯曲形态加以表达：两侧（Royal Society Range 和 Deep Freeze Range 下方）标注"hotter mantle"，蓝色箭头向上，代表热地幔物质产生的动力地形抬升力；中间 David 冰川下方标注"cooler mantle"，蓝色箭头向下，代表冰川

荷载的垂向压制作用以及相对较冷地幔对应的较弱动力支撑。岩石圈底面在 David 冰川下方呈现出清晰的上凹弯曲形态，白色星形符号（代表地震震源）密集分布在弯曲最强烈的岩石圈-软流圈边界附近，直观呈现了弯曲应力

集中区与 IDE 震源位置的空间对应关系，将地表地形观测、深部速度结构和地震震源分布统一在一个自洽的地球动力学框架之中。

Fig. 3. Interpretation cartoon.

小结

该研究将先进的深度学习地震检测技术与严格的多重验证体系相结合，在东南极洲这片长期被认为地震沉默的大陆深部，首次系统识别出数百个上地幔板内中深源地震，并提出了以差异性热驱动动力地形抬升引发岩石圈弯曲

应力为核心的全新成因机制，在地震学和地球动力学领域具有深远意义。从地球动力学角度看，该研究直接验证了地球动力学模型（类比美国西部盆岭省）的核心预测——岩石圈厚度的横向变化与软流圈流动的相互作用是控制

板内变形和地震分布的关键因素，将这一机制的适用范围从北美大陆扩展到了南极克拉通边缘，证明其具有全球普适性。从地球系统科学角度看，该研究揭示了冰冻圈、岩石圈与软流圈之间深刻的跨圈层耦合关系，表明南极

冰盖的质量变化不仅影响地表均衡，还可能通过调节深部应力场影响上地幔地震活动，这对于在气候变化背景下评估南极地区地震风险具有重要的现实意义。从方法论角度看，深度学习与迁移学习技术在台站稀疏、信号微弱

的极端观测环境下展现出强大的地震识别能力，这一技术范式的成功应用意味着全球其他地震监测薄弱地区（如其他南极区域、深海洋底、偏远克拉通内部）可能同样存在大量未被识别的上地幔板内地震，板内 IDE 的全球发

生频率很可能远高于目前的认知，人类对地球内部动力学过程的理解或将因此迎来系统性的修正与深化。

与AI的潜在结合点

极端噪声环境下的微弱地震信号识别

该研究面临的核心技术挑战之一，是在冰震、风噪声和仪器噪声高度混叠的复杂背景下，从微弱的板内地震信号中准确拾取P波和S波到时。尽管研究团队已采用深度学习方法取得了显著突破，但仍需人工逐一核查波形，存在

主观性和效率瓶颈。生成对抗网络（GAN） 可以通过学习已知地震波形的统计特征，生成大量高质量的合成训练样本，解决南极洲等数据稀缺环境下深度学习模型训练数据不足的问题。Transformer 架构的自注意力机制可以

捕捉地震波形在时间维度上的长程依赖关系，对渐现型（emergent）P波到时的识别能力有望优于现有的卷积神经网络方案。对比学习（Contrastive Learning） 可以在无需大量标注样本的情况下，学习区分构造地震与冰震的

波形表征，为南极洲地震类型的自动分类提供更鲁棒的解决方案。

三维速度模型的深度学习反演与不确定性量化

该研究的地震重定位精度高度依赖于三维横波速度模型的准确性，而南极洲的地震层析成像本身受台站覆盖稀疏的严重制约，速度模型存在较大不确定性。传统的层析成像反演计算成本高昂，且难以系统量化模型不确定性对

定位结果的影响。贝叶斯神经网络（Bayesian Neural Network） 可以在反演地震速度结构的同时，输出每个模型参数的后验概率分布，从而系统量化速度模型不确定性对震源定位结果的传播影响。物理信息神经网络（PINN） 

可以将弹性波方程嵌入损失函数，在稀疏台站约束下实现对三维速度结构的高分辨率反演，同时保证物理自洽性。图神经网络（GNN） 可以将地震台站构建为图节点，将台站间的走时差关系构建为图边，充分利用台站网络的

拓扑结构信息提升速度模型反演的稳定性。

板内地震成因机制的数据驱动判别

该研究通过震源机制解和应力估算，论证了 David 冰川 IDE 的弯曲应力成因，但受限于台站方位角覆盖不足，仅能对 13 个事件计算震源机制解，统计代表性有限。如何从有限的观测数据中更系统地判别不同成因机制，是板内

地震研究的普遍难题。支持向量机（SVM）和随机森林可以整合震源深度分布、震源机制类型、地震时空丛集特征、地热梯度、岩石圈厚度等多维特征，构建板内 IDE 成因机制的自动分类器。图卷积网络（GCN） 可以将地震事件

的时空邻近关系构建为图结构，识别地震序列中的触发传播模式，区分弯曲应力驱动的构造地震与冰川荷载变化诱发的地震。强化学习 可以优化未来地震台站的部署方案，在有限的台站数量约束下最大化对 David 冰川 IDE 震源

机制解算的方位角覆盖质量。

冰-岩-幔耦合系统的多物理场模拟加速

该研究揭示了冰冻圈、岩石圈与软流圈之间的复杂跨圈层耦合关系，但现有的热力学模型尚未能将冰盖质量变化、冰川均衡调整、岩石圈弯曲和上地幔流动整合到统一的时变热机械模型框架中。全耦合的三维球壳热机械模型计算

成本极高，难以系统探索参数空间。神经算子（Neural Operator），如傅里叶神经算子（FNO），可以学习偏微分方程解算子的映射关系，将冰-岩-幔耦合系统的正演模拟速度提升数个数量级，使大规模参数空间探索成为可能。集成

学习替代模型（Surrogate Model） 可以基于有限数量的高精度数值模拟结果，训练出能够快速预测不同冰盖质量变化情景下 David 冰川区域应力场演化的代理模型，为评估未来气候变化对南极地震活动的影响提供高效的计算工具。

DOI：10.1126/science.aea9895

本文版权归原作者所有，本文旨在分享优秀科研成果，文章推送时未能及时与原作者取得联系，若来源标注错误或侵犯到您的权益烦请告知，我们将立即删除。更多详情和引用，请参考原文，点击文章底部（阅读原文）。