2017 Fiscal Year Research-status Report
３次元的に分布させたモーメントテンソルによる次世代震源過程解析手法の開発
| Project/Area Number |
16K05539
|
|---|
| Research Institution | Kyoto University |
|---|
Principal Investigator |
深畑 幸俊 京都大学, 防災研究所, 准教授 (10313206)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
八木 勇治 筑波大学, 生命環境系, 教授 (50370713)
|
|---|
| Project Period (FY) |
2016-04-01 – 2019-03-31
|
| Keywords | インバージョン解析 / モーメントテンソル / 断層面形状 / 先験的拘束条件 |
|---|
| Outline of Annual Research Achievements |
モーメントテンソルを３次元的に分布させて、地震による地殻変動あるいは地震波形データをインバージョン解析し、内部力源（地震すべり）の分布を３次元的に推定することが本研究の主目的である。既存のインバージョン解析では、力源を２次元的な断層面上にのみ分布させていたことに加え、運動の方向も断層面に平行な剪断２成分に限っていた。そこで本年度は、力源分布は断層面上に限った上で、運動方向は剪断成分に限定せず体積変化なしという条件下で最大となる５つの自由度を持たせる拡張を行った。この拡張により、誤った断層形状の仮定に起因するモデリング誤差が軽減できると同時に、仮定する断層形状とは独立に断層面上の各点で断層パラメータを見積もることが可能となる。具体例として，幾何学的に複雑な形状の断層システムで発生したと考えられている、2013年パキスタン・バローチスターン地震 (Mw 7.7) の遠地実体波データに対して本手法を適用した。震源メカニズム解の節面の走向が，震源の北東から南西に向かうにつれ，時計回りに205°から250°へと連続的に回転していることが明らかになった．この変化は、震央周辺の地形や既存の断層帯及び衛星画像解析による地震前後で生じた地表面変位の分布と調和的で、本手法の有効性が確認された。
また、固体地球物理学におけるインバージョン解析では通常先験的拘束条件を用いるが、直接的先験拘束条件と間接的先験拘束条件を併用して使用する際に、しばしば確率密度関数の表現が非常に複雑で使いにくいものになってしまうという問題があった。この問題に対し、直接的先験拘束条件を観測データの一部として取り扱うことを発想した。このとき、観測データを直接的先験拘束条件も含むものに拡張し、さらにデータ核行列と誤差の表現をその拡張に合わせて改変するだけで、基本的に従来のシンプルな枠組みで解析することが可能であり、両者の併用に道を拓いた。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
地震波データのインバージョン解析において、内部力源として、仮定した断層面に平行な剪断２成分のみから体積変化のない条件下でのモーメントテンソルの最大の自由度である５成分への拡張を行うことには成功し、予想以上の良い結果を得たが、本来の目的である内部力源を３次元的に分布させることはまだできていないため。
|
| Strategy for Future Research Activity |
本年度新たに開発した、仮定した２次元の断層面上に５つの自由度を持つモーメントテンソルを分布させて震源過程を推定するインバージョン解析手法は、比較的単純な方法であるにも拘わらず予想外に良い結果が得られたため、その手法を2016年熊本地震など複雑な断層運動を伴った他の地震へも適用し、それらの地震の震源過程を明らかにする。さらに本来の目的である内部力源を３次元的に分布させるインバージョン手法へと拡張を行う。具体的には、震源域を細かなブロックに分割して体積的にモーメントテンソルを分布させ、平滑化など適当な拘束条件下で地殻変動データや地震波形データをインバージョン解析することによりその各成分の大きさを推定することを行う。また、拘束条件を課すインバージョン解析において、機械学習の適用を検討する。
|
| Causes of Carryover |
本年度は、2次元の断層面上に５つの自由度を持つモーメントテンソルを分布させてインバージョン解析を行ったので、計算量が非常に大きなものとはならなかった。加えて、機械学習を当該問題に用いることも検討し、GPUコンピュータの購入について比較検討したため、ワークステーションの購入が遅れた。平成30年度に入り機械学習の経験のある大学院生も新たに研究室に加わったため、既に中程度の性能を持つGPUコンピュータは購入済みであり、ワークステーションについても近く発注する予定である。また、国際学会での発表にも予算を使用する予定である。
|
