大体量岩体、冰川滑坡及其诱发的灾难性洪流（泥石流、洪水）等次生灾害，是山区最危险的地质灾害之一，严重威胁着人类的生命财产安全。受全球气候变化影响，此类灾害在青藏高原周边越来越呈现高发、陡发态势，包括我国在内的区域国家相应的预警与减灾需求尤其突出。然而，由于此类灾害具有速度快、规模大、隐蔽突发性强等特征，传统方法难以对其进行有效的早期预警。岩体/冰川的拆离、冲击及泥石流、山洪的流动过程，会激发相应的地震波信号，基于密集地震台网资料分析为此类灾害预警提供了可能（Ekstrom and Stark, 2013; Cook et al., 2018; Maurer et al., 2020）。
图1 2021年2月7日隆蒂峰滑坡概况（Shugar et al., 2021）。（A）三维地形图；（B-D）隆蒂峰北坡滑前滑后卫星照片；（E）隆蒂峰北坡滑后三维渲染图；（F）滑坡体简图
2021年2月7日UTC时间4:51（印度标准时间10:21），印度北部北阿坎德邦Ronti Gad河谷上游隆蒂峰（Ronti Peak，海拔6063 m）突发大规模冰川山体滑坡（图1），体量达~2.7×107 m3的滑坡体冲击河谷诱发了灾难性洪流，冲毁了下游数个村庄和水电设施，造成了200多人遇难或失踪的严重后果（Shugar et al., 2021）。基于布设于北阿坎德邦的密集宽频地震台网，德国地学研究中心与印度国家地球物理研究所的研究人员详细分析了此次灾害事件中滑坡、碎屑流、洪流等三阶段动态过程的地震信号特征（图2），并讨论了利用地震学方法对不同阶段滑动/流动事件识别定位、预报预警的可行性（Cook et al., 2021）。
图2 研究区地形及滑坡事件波形反演结果（Cook et al., 2021）。（A）研究区地形；（B）台站AUL记录的2021年2月7日印度北阿坎德邦山洪泥石流事件的频谱能量图；（C和D）滑坡体拆离、冲击过程波形反演结果。震源球为单力源下半球投影，其大小与振幅大小成正比。方位角近垂直于滑坡滑移方向的台站AUL和GDM波形拟合情况
在初期滑坡过程中，滑坡体整体加速、减速过程产生了丰富的低频信号，即使是在上千公里外的远场地震台，依然能够识别出相关记录（图3）。基于高信噪比低频信号（0.08-0.15 Hz）的单力源波形反演（Single force inversion），可以很好地重建滑坡体拆离、冲击过程（图2C、图2D）。而在后续的碎屑流、洪水流动过程中，随着大质量碎屑逐渐减少，低频信号（<0.5 Hz）逐渐消退，仅在百公里内的近场地震台，才能观测到以高频成分（>1 Hz）为主的相关信号（图3）。虽然滑坡事件产生的低频信号为后续的山洪泥石流预警提供了可能，但是对于缺乏低频信号触发机制的灾害事件，如冰湖、堰塞湖坝体溃决引发的山洪泥石流（Cook et al., 2018; Maurer et al., 2020），则无法通过低频信号分析来进行有效预警。因此，如何对低信噪比高频洪流信号进行快速识别、实时定位、风险评估，是实现山洪泥石流灾害有效预警的关键所在。
图3 滑坡-碎屑流-洪流等不同阶段事件信号的可识别性（Cook et al., 2021）。（A-C）三阶段地震信号信噪比分布；（D-F）三阶段地震信号强度随距离的变化，以及与台站日、夜环境噪声水平对比
该项研究利用归一化加权互相关法（Normalized weighted cross-correlation）与振幅-距离分析法（Amplitude-distance analysis），分别对洪流运移轨迹进行追踪定位，结果与卫星图像显示的洪流前锋位置随时间变化有很好的一致性，且两种方法均能很好地定位紧随滑坡之后（几分钟内）的洪流位置（图4）。这为快速确定事件性质、准确预估潜在风险，实施有效预警提供了可能。但是，洪流信号只在环境噪声水平较低的近场地震台才能有效识别，且其可探测性受环境噪声水平的日夜变化、季节变化影响明显（图3），如何实现有效预警，仍然面临众多挑战。
图4 洪流定位及速度分析（Cook et al., 2021）。（A）基于振幅-距离分析法的不同时刻事件定位；（B）基于归一化加权互相关法的不同时刻事件定位，蓝色圆点为卫星图像显示的洪峰位置；（C）不同方法获得的洪流速度
本项研究表明，利用地震记录能够很好地重建此次灾害事件过程，但是受台站分布、噪声水平的影响，在山洪泥石流的可探测性方面仍存在不确定性。根据场地条件、潜在风险等情况，有针对性地合理布设地震监测台网，可构建洪流早期预警的骨干网络；但还需进一步发展山洪泥石流事件的可靠识别、定位、评估方法（如有效利用机器学习等人工智能技术实现自动化处理流程等，Chmiel et al., 2021），以提高事件探测的确定性是实现成功预警的关键。
主要参考文献
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. （原文链接）
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.
（撰稿：李玮，陈赟/岩石圈室）
