引发Cahuilla群的自然流体注射过程的例证。
机器学习算法有助于地形分子创建一个故障区域的三维图片，生成进入地震过程的新洞察力。
根据一个新的地震学研究，加利福尼亚州的加利福尼亚州的Cahuilla附近，天然存在的地下流体注入是一家四年长的地震群。利用机器学习算法利用地震监测的进展，利用地震监测的进步。与MainShock /余震序列相比，大地震之后是许多较小的余震，群体通常没有单个突出事件。
今天（6月18日）在科学期刊上发表的研究说明了对故障架构如何控制地震模式的不断发展的理解。在科学论文的助理教授Zachary Ross表示，我们曾经更多地思考过于两种维度的巨大裂缝“我们所学习的是，你真的需要了解三个维度的故障，以清楚地了解地震群体的原因。”
众所周知，Cahuilla Swarm是一系列在2016年和2019年之间发生的一系列小型模板。 San Jacinto在南加州。为了更好地了解从卡特克，美国地质调查（USGS）的摇晃，罗斯和同事以及德克萨斯大学在奥斯汀的地震检测算法以及深邃的神经网络中产生了高度详细的目录，以产生超过22,000的高度详细目录该地区的地震事件幅度为0.7至4.4。
编译时，目录显示了一个复杂但窄断层区域，只有50米宽，在配置文件中观看时陡峭的曲线。罗斯策划了那些曲线，对理解多年常规地震活动的原因至关重要。
通常，根据其向流动方向的定向，似乎认为故障作为地下流体流动的导管或障碍物。虽然Ross的研究一般地支持，但他和他的同事发现，故障的架构为其内流动的地下流体创造了复杂的条件。
研究人员注意到故障区包含的波状地下通道与最初从故障密封的流体的地下储存器连接。当该密封破裂时，将流体注入故障区域并通过通道扩散，触发地震。该团队发现，这种自然喷射过程持续了大约四年。
“这些观察结果让我们更接近地震群体如何以及为何提供具体解释，”罗斯说。
接下来，团队计划建立这些新的见解，并在整个南加州整个整个整个过程中表征这种过程的作用。
这项研究标题为“3D故障架构控制地震群的动态主义”。共同作者包括Caltech Postodoral Scholar Jonathan D. Smith，Usgs的Cochran，以及德克萨斯州奥斯汀大学的Daniel T.特鲁格曼，德克萨斯州和洛杉矶阿拉莫斯国家实验室。该研究由南加州地震中心提供资金。
参考：“3D故障建筑控制地震群体的动态主义”由Zachary E. Ross，伊丽莎白罗斯，Daniel T. Trugman和Jonathan D. Smith，192020年6月19日，Science.Doi：
10.1126 / science.abb0779.
