海域地震区划与活动断裂的探测和识别密切相关。文中在台湾海峡闽东南隆起带开展了活动断裂的地球物理探测研究, 选取GI枪震源与电火花震源剖面进行对比分析, 发现了晚更新世以来活动的3条基底断裂构造和2条垂向延伸较小的细小断裂。基底断裂可在GI枪震源剖面和电火花震源剖面上识别, 细小断裂则只能在电火花剖面上识别; 3条基底断裂在2种剖面上的错断地层位置、 几何形态接近, 但断裂周围的地层形态及次级断裂展布样式受分辨率的影响存在成像差异。相似的断裂探测结果体现了这2种方法的有效性, 而剖面成像差异则说明在实际工作中开展组合探测的必要性。基于2种数据的融合结果, 对断裂F₁的构造属性进行更为详细的分析说明: 断裂F₁是基底先存断裂晚更新世活化的结果, 为一坳陷边界断层, 呈伸展正断活动, 分析认为其应归属为华南沿海滨海断裂带。因此, 在海域地震区划和海域地震危险性评价工作中, 应重视多种探测方法的组合使用, 以便获取更加详实的断裂信息。

为实现天然地震与爆破、 塌陷事件类型的快速高效识别, 文中应用深度学习技术中的卷积神经网络模型, 设计了基于单个事件单个台站波形记录的深度学习训练模块和基于单个事件多个台站波形记录的实时测试模块。 以每个事件P波到时最早的5个台站记录到的原始三分向波形为输入, 分别采用目前主流的AlexNet、 VGG16、 VGG19、 GoogLeNet 4种卷积神经网络结构进行学习训练, 结果显示各类卷积神经网络结构对训练集与测试集的识别准确率均达93%以上, 且各个网络在训练过程中的训练集与测试集的准确率及代价函数的走势曲线基本一致。 其中, AlexNet网络结构的识别准确率最高, 测试集为98.51%, 且未发生过拟合现象; VGG16、 VGG19网络结构的准确率次之; GoogLeNet网络结构的识别准确率相对较低。 为检验深度学习卷积神经网络在数字地震台网实时运行过程中的事件判别效能, 选取训练好的AlexNet卷积神经网络开展基于单个事件多个台站波形记录的事件类型判定检验。 最终结果显示, 在山东台网实时触发的110个M≥0.7事件中, 共有89个事件的类型被准确识别, 准确率约为80.9%。 具体到各个类型事件中, 天然地震的准确率约为74.6%; 爆破的准确率约为90.9%; 塌陷事件的准确率为100%。 若删除其中由于波形失真而造成的类型识别错误事件, 则天然地震的识别准确率将提高至91.4%, 而所有事件的整体识别准确率也将由80.9%提高至91.7%, 与目前地震台网日常工作中人工判定的识别准确率基本相当。 这表明, 深度学习技术可以快速高效地实现天然地震与爆破、 塌陷的事件类型识别。