基于机器学习的多尺度、多分辨率模型融合方法——以南加州为例

张昊 博士

美国南加州大学

2023.06.16（星期五）13:30，理科二号楼2821

报告摘要：

地震速度模型在震源参数反演、强地面震动估计、地球动力学模拟等问题中具有关键性作用。由于所使用反演方法和观测数据时空尺度的差异，在同一研究区域内，可能存在多个覆盖范围和分辨率不同的速度模型。为了充分发挥这些模型的互补优势，我们发展了一种基于稀疏字典学习的新方法，可利用局部高分辨率模型中的信息来增强相对低分辨率的区域速度模型。将该方法应用于南加州地区的速度模型，我们发现增强后的区域速度模型在地震波形拟合方面优于原始区域模型，且与地质特征更为一致。 这一方法可以推广到其他地震数据丰富的区域，例如中国地震科学试验场、欧洲和日本地区，从而建立相关区域大尺度高分辨率的统一速度模型。

报告人简介：

张昊，美国南加州大学在读博士，2020本科毕业于北京大学地球与空间科学学院，曾获北京大学/北京市优秀毕业生。研究方向包括断层带结构精细成像、多尺度速度模型融合、中小地震震源反演等。已有多篇文章于GRL，JGR: Solid Earth, GJI发表/在投。