0

0
0

文字

分享

0
0
0

震源在高雄為什麼台南最嚴重?草嶺為什麼震度最大?關於206大地震你會想問的6個問題

活躍星系核_96
・2016/02/07 ・4149字 ・閱讀時間約 8 分鐘 ・SR值 525 ・七年級
相關標籤: 206台南大地震 (2)

文/ RUBY CHEN

再次強調本文只是藉由此次地震做一些相關知識的科普介紹,請勿斷章取義!在沒有完整的證據時請勿下定論!

= = = = = = = = = = = = = = = = = = = = = = =

各位好,今天(2016/2/6)凌晨的地震真的非常嚇人。

當然,目前最重要的是人員平安,不過在看完報導後,我的腦中仍有許多疑問,相信應該也有不少人和我一樣;此外,網路上有人痛批傾倒的大樓為豆腐渣工程,然而我認為在做出評斷前,必須先有全面的理解,因此在詢問過地震專家後,寫了相關的小知識,以及這次災情嚴重地區分布的可能原因。

在此特別感謝我的父親,一位正直認真的土木/地震工程專家,提供相關專業知識與研究資料,若我的詮釋/書寫有所錯誤,請各位不吝指教,謝謝!

p.s. 閱讀本文需有國高中以上之地科程度(我也是邊寫邊撿回高中記憶XD 希望不會太艱深)

讓我們先看看這次地震的基本資料。

-----廣告,請繼續往下閱讀-----
圖1:地震基本資料 (來源:中央氣象局網站)

可以知道,此次地震皆屬於極淺~淺層地震(震源 < 30 km稱為極淺地震,30~70 km則稱為淺層地震;原則上,陸地上的地震大多為淺層地震),震源越淺,傳到地面的能量就越大(因為輻射阻尼(radiation damping)越小),故本次規模6.4雖為中等,但實際上震度卻很大。

對於本次地震有了基本認知後,來談談為什麼災害會如此嚴重吧!首先,地震波造成的災害主要由以下三種因素決定:

  1. 地震波的頻率
  2. 震幅大小
  3. 地震的延時(duration)

為什麼地震波的頻率會影響災害的形成?每個地震波的頻率都不同,而建築物也有自己的「自然振動頻率」(註1),若地震波的頻率恰好與建築物的自然振動頻率相同,則會產生「共振效應」(resonance effect),使建築物搖晃程度加劇,因此會有「某棟建築倒塌,旁邊卻沒事」這樣的現象產生。(有句話:「你可以用一根吉他絃震垮一棟房子」就是在講共振效應。)

請看圖2右半部,以盪鞦韆為例,若鞦韆搖擺的頻率正好等同推人的頻率,則鞦韆會越晃越大力(大家共同的兒時回憶> <),同理,若房子搖晃的頻率正好等於地震波的頻率(圖2左半部),則房子搖晃的程度會加劇。(鞦韆=房子;地震=推的人)

-----廣告,請繼續往下閱讀-----

註1:請將建築物想成單擺。回想高中物理所教,單擺會受到擺長(i.e.建築物的高度)影響而有不同的震動頻率,建築物亦然;不過建築物的振動頻率也會受到建材、結構形狀、使用狀況影響,故相同高度的建築物,其自然振動頻率不一定相同。自然振動頻率是可以在建築物設計階段就估算出來(八九不離十的那種估算)。

圖2:共振現象示意圖(來源:gva-tomo

因此,房子越矮,擺長越短 (圖3左半部),越容易與短周期的地震波共振;反之,房子越高,擺長越長 (圖3右半部),越容易與長周期的地震波共振。

圖3:房子高度與震波週期示意圖(來源:gva-tomo

大家可別小看共振的效果喔!以1990年菲律賓地震為例,圖4中的建築就是因為與該地震波共振,所以整棟倒塌(collapse),而旁邊建築卻平安無事。

圖4:菲律賓地震建築倒塌圖(來源:陳教授)

至於震幅大小與延時則相當直觀。震幅越大,能量越高,傷害越大;相同強度下,延時越長,傷害越大(用膝蓋想想就知道啦!!!)因此在地震來襲時,哪棟建築物會傾倒、傾倒的方式如何,都與以上三種因素息息相關,當然也和周遭地質、建築物本身脫不了關係。(i.e. 建築物的自然振動頻率、有沒有偷工減料A___A)

對災害形成的原因稍有了解後,利用PBL(Problem based learning, 問題導向學習)的方式來討論吧!注意,以下的答案都是「可能原因」,造成災害的變因實在太多,因此我只是提出可能原因順便長知識,請勿直接下定論。

-----廣告,請繼續往下閱讀-----

1. 為什麼整個雲嘉南的震度都是 5,但永康、新化、歸仁、東區災情特別嚴重呢?

在山跟平原交界處,會產生「盆地邊緣效應」(basin effect)(圖5)。圖5為一實驗模型,圖表橫軸為地形變化,可見左右兩側高,中間為一平原,縱軸則是理論計算出的最大加速度與輸入震波的最大加速度之比值。由於地形關係,地震波到平原山地交界處會反射,再加上入射的波累積能量,使得此處震度較大

請見圖6,這是台南地形與行政區的疊圖(解析度有點不足,但我找不到更好的了> <),可以看到這次災情較嚴重的地區位於平原與山區交界之處(橘框:永康、新化、歸仁、仁德)。

圖5:Basin effect(來源:陳教授)
圖6:台南地形與行政區疊圖(來源:認識南瀛

2. 震源在美濃,為什麼最嚴重的地方在台南?

根據研究,斷層裂開的速度與橫波(S波)的傳遞速度是相當接近的,而當斷層裂開時會釋放能量,因此斷層結束端除了震波的能量之外,還接收了斷層裂開的能量總和,稱作Fling effect,如圖7中,0為震央,1,2,3,4是斷層裂開處,5則是斷層結束的地方。

因此,圖片左下方代表遠離斷層裂開方向之處所測得的波型,為震幅不變、延時長;而右下方則是斷層終點處,由於每個斷層裂開的能量與震波幾乎同時抵達,因此震幅大增、延時短,就是Fling effect。

-----廣告,請繼續往下閱讀-----
圖7:Fling effect(來源:陳教授)

不過,斷層究竟開裂到哪裡,需要獲得強震紀錄才能得知,目前只能用猜測的方式(大家就當作長知識吧~),另一種可能的原因是「場址效應」(site effect)。

3. 什麼是「場址效應」?

有電視台已經在報導中提及這個名詞了。所謂場址效應,指的是地震波傳至沖積層地表時,因淺層地下介質之速度降低,所引起的地震波放大現象,最有名的例子是1985年的墨西哥大地震,其災情因為場址效應而加重不少。而理論上,在設計建築物前,建商應該要做土壤分析(理論上啦,理論上)。

圖8:台灣地震力場址效應圖 (來源:web.fg.tp.edu.tw

4. 地震不是發生在高雄台南嗎?為什麼雲林草嶺的震度反而最大呢?

當地震波傳到山頂的時候,會被放大,稱作 Topography effect。以圖9為例,這是在日本Matsuzaki地區,透過5個地震紀錄實際量測的結果,橫軸是高程(elevation),縱軸則是各高度之加速度與最高點加速度的比值,可發現平地的加速度約為200m處的0.4倍而已。

圖9:Topography effect(來源:陳教授)

草嶺可能因為地勢關係而比其他地區多了一級,但並不一定完全是這個原因。

-----廣告,請繼續往下閱讀-----

p.s. 中央氣象局的測站,會將地震完的最大加速度傳回去計算,以確認各地的震度;地震的級數是由最大加速度判斷,故由草嶺級數最高,我們可以回推草嶺的最大加速度也是最大的。

5. 新聞都報說柱子裡面有沙拉油桶了,難道不是豆腐渣工程嗎!?(怒)

這要視哪根柱子而定,有些柱子屬於裝飾柱,在結構本身並沒有功能,因此有沙拉油桶不會影響,但如果是真正的柱子,那就太糟糕啦!該罰!該譴責!

6. 所以永大路的大樓倒塌究竟是為什麼?

以上所說的都可能是造成建築倒塌的原因。不過,學者看了該大樓的照片(圖10)後表示,永大路的大樓的傾倒方式看起來是受到了共振現象的影響,當然建築結構本身的問題也可能存在(一切有待更進一步的查證!!!請勿斷章取義!!!),不過,別忘了這棟房子在921大地震的時候並沒有垮,因此大家還是要好好思考共振效應的可能性(921大地震的頻率與206大地震應該是不同的(此點待查證))。

圖10:永大路大樓倒塌情況(來源:陸軍航特部)

以上就是一些關於206台南大地震的Q&A,謝謝各位耐心看完:)

-----廣告,請繼續往下閱讀-----

= = = = = = = = = = = = = = = =

後記:

凌晨驚醒後看了許多網友提供的資訊,腦中的問題就一個個冒了出來,幸好老爸願意讓我纏著問,還拿出以前他做的PPT幫我上了一課(好像在做共筆啊XD),使我這個外行人可以在短時間內稍微搞懂一些理論。

打完這份網誌,我想起前陣子老爸在喝茶聊天時提到的「大學教育的重要性」。以土木工程師為例,若在大學時期認真學習,在設計建築物時便能運用所學的知識,在安全範圍內減少不必要的人力、物力、財力的浪費,也能確保建築物本身沒有問題;我想,不管哪個科系的學生都是一樣的,下學期還沒開始,請各位新年許下願望,一起努力學習,不要浪費大學最珍貴的資源吧!然後,進入社會後,依然要秉持著良心,做個正直的人,無論在哪個領域。

天佑台灣 祝各位歲歲平安。

p.s. 原文網誌封面照片來自 Justin Kao Photography / 高靖捷攝影 ,我希望大家記得,地震確實令人恐懼,但也因為地震,台灣才有如此美麗的山林:)

本文轉載自RUBY CHEN 網誌。

文章難易度
活躍星系核_96
752 篇文章 ・ 126 位粉絲
活躍星系核(active galactic nucleus, AGN)是一類中央核區活動性很強的河外星系。這些星系比普通星系活躍,在從無線電波到伽瑪射線的全波段裡都發出很強的電磁輻射。 本帳號發表來自各方的投稿。附有資料出處的科學好文,都歡迎你來投稿喔。 Email: contact@pansci.asia

0

3
3

文字

分享

0
3
3
圖形處理單元與人工智慧
賴昭正_96
・2024/06/24 ・6944字 ・閱讀時間約 14 分鐘

  • 作者/賴昭正|前清大化學系教授、系主任、所長;合創科學月刊

我擔心人工智慧可能會完全取代人類。如果人們能設計電腦病毒,那麼就會有人設計出能夠自我改進和複製的人工智慧。 這將是一種超越人類的新生命形式。

——史蒂芬.霍金(Stephen Hawking) 英國理論物理學家

大約在八十年前,當第一台數位計算機出現時,一些電腦科學家便一直致力於讓機器具有像人類一樣的智慧;但七十年後,還是沒有機器能夠可靠地提供人類程度的語言或影像辨識功能。誰又想到「人工智慧」(Artificial Intelligent,簡稱 AI)的能力最近十年突然起飛,在許多(所有?)領域的測試中擊敗了人類,正在改變各個領域——包括假新聞的製造與散佈——的生態。

圖形處理單元(graphic process unit,簡稱 GPU)是這場「人工智慧」革命中的最大助手。它的興起使得九年前還是個小公司的 Nvidia(英偉達)股票從每股不到 $5,上升到今天(5 月 24 日)每股超過 $1000(註一)的全世界第三大公司,其創辦人(之一)兼首席執行官、出生於台南的黃仁勳(Jenson Huang)也一躍成為全世界排名 20 內的大富豪、台灣家喻戶曉的名人!可是多少人了解圖形處理單元是什麼嗎?到底是時勢造英雄,還是英雄造時勢?

黃仁勳出席2016年台北國際電腦展
Nvidia 的崛起究竟是時勢造英雄,還是英雄造時勢?圖/wikimedia

在回答這問題之前,筆者得先聲明筆者不是學電腦的,因此在這裡所能談的只是與電腦設計細節無關的基本原理。筆者認為將原理轉成實用工具是專家的事,不是我們外行人需要了解的;但作為一位現在的知識分子或公民,了解基本原理則是必備的條件:例如了解「能量不滅定律」就可以不用仔細分析,即可判斷永動機是騙人的;又如現在可攜帶型冷氣機充斥市面上,它們不用往室外排廢熱氣,就可以提供屋內冷氣,讀者買嗎?

CPU 與 GPU

不管是大型電腦或個人電腦都需具有「中央處理單元」(central process unit,簡稱 CPU)。CPU 是電腦的「腦」,其電子電路負責處理所有軟體正確運作所需的所有任務,如算術、邏輯、控制、輸入和輸出操作等等。雖然早期的設計即可以讓一個指令同時做兩、三件不同的工作;但為了簡單化,我們在這裡所談的工作將只是執行算術和邏輯運算的工作(arithmetic and logic unit,簡稱 ALU),如將兩個數加在一起。在這一簡化的定義下,CPU 在任何一個時刻均只能執行一件工作而已。

-----廣告,請繼續往下閱讀-----

在個人電腦剛出現只能用於一般事物的處理時,CPU 均能非常勝任地完成任務。但電腦圖形和動畫的出現帶來了第一批運算密集型工作負載後,CPU 開始顯示心有餘而力不足:例如電玩動畫需要應用程式處理數以萬計的像素(pixel),每個像素都有自己的顏色、光強度、和運動等, 使得 CPU 根本沒辦法在短時間內完成這些工作。於是出現了主機板上之「顯示插卡」來支援補助 CPU。

1999 年,英偉達將其一「具有集成變換、照明、三角形設定/裁剪、和透過應用程式從模型產生二維或三維影像的單晶片處理器」(註二)定位為「世界上第一款 GPU」,「GPU」這一名詞於焉誕生。不像 CPU,GPU 可以在同一個時刻執行許多算術和邏輯運算的工作,快速地完成圖形和動畫的變化。

依序計算和平行計算

一部電腦 CPU 如何計算 7×5+6/3 呢?因每一時刻只能做一件事,所以其步驟為:

  • 計算 7×5;
  • 計算 6/3;
  • 將結果相加。

總共需要 3 個運算時間。但如果我們有兩個 CPU 呢?很多工作便可以同時(平行)進行:

-----廣告,請繼續往下閱讀-----
  • 同時計算 7×5 及 6/3;
  • 將結果相加。

只需要 2 個運算時間,比單獨的 CPU 減少了一個。這看起來好像沒節省多少時間,但如果我們有 16 對 a×b 要相加呢?單獨的 CPU 需要 31 個運算的時間(16 個 × 的運算時間及 15 個 + 的運算時間),而有 16 個小 CPU 的 GPU 則只需要 5 個運算的時間(1 個 × 的運算時間及 4 個 + 的運算時間)!

現在就讓我們來看看為什麼稱 GPU 為「圖形」處理單元。圖一左圖《我愛科學》一書擺斜了,如何將它擺正成右圖呢? 一句話:「將整個圖逆時針方向旋轉 θ 即可」。但因為左圖是由上百萬個像素點(座標 x, y)組成的,所以這句簡單的話可讓 CPU 忙得不亦樂乎了:每一點的座標都必須做如下的轉換

x’ = x cosθ + y sinθ

y’ = -x sinθ+ y cosθ

-----廣告,請繼續往下閱讀-----

即每一點均需要做四個 × 及兩個 + 的運算!如果每一運算需要 10-6 秒,那麼讓《我愛科學》一書做個簡單的角度旋轉,便需要 6 秒,這豈是電動玩具畫面變化所能接受的?

圖形處理的例子

人類的許多發明都是基於需要的關係,因此電腦硬件設計家便開始思考:這些點轉換都是獨立的,為什麼我們不讓它們同時進行(平行運算,parallel processing)呢?於是專門用來處理「圖形」的處理單元出現了——就是我們現在所知的 GPU。如果一個 GPU 可以同時處理 106 運算,那上圖的轉換只需 10-6 秒鐘!

GPU 的興起

GPU 可分成兩種:

  • 整合式圖形「卡」(integrated graphics)是內建於 CPU 中的 GPU,所以不是插卡,它與 CPU 共享系統記憶體,沒有單獨的記憶體組來儲存圖形/視訊,主要用於大部分的個人電腦及筆記型電腦上;早期英特爾(Intel)因為不讓插卡 GPU 侵蝕主機的地盤,在這方面的研發佔領先的地位,約佔 68% 的市場。
  • 獨立顯示卡(discrete graphics)有不與 CPU 共享的自己專用內存;由於與處理器晶片分離,它會消耗更多電量並產生大量熱量;然而,也正是因為有自己的記憶體來源和電源,它可以比整合式顯示卡提供更高的效能。

2007 年,英偉達發布了可以在獨立 GPU 上進行平行處理的軟體層後,科學家發現獨立 GPU 不但能夠快速處理圖形變化,在需要大量計算才能實現特定結果的任務上也非常有效,因此開啟了為計算密集型的實用題目編寫 GPU 程式的領域。如今獨立 GPU 的應用範圍已遠遠超出當初圖形處理,不但擴大到醫學影像和地震成像等之複雜圖像和影片編輯及視覺化,也應用於駕駛、導航、天氣預報、大資料庫分析、機器學習、人工智慧、加密貨幣挖礦、及分子動力學模擬(註三)等其它領域。獨立 GPU 已成為人工智慧生態系統中不可或缺的一部分,正在改變我們的生活方式及許多行業的遊戲規則。英特爾在這方面發展較遲,遠遠落在英偉達(80%)及超微半導體公司(Advance Micro Devices Inc.,19%,註四)之後,大約只有 1% 的市場。

-----廣告,請繼續往下閱讀-----
典型的CPU與GPU架構

事實上現在的中央處理單元也不再是真正的「單元」,而是如圖二可含有多個可以同時處理運算的核心(core)單元。GPU 犧牲大量快取和控制單元以獲得更多的處理核心,因此其核心功能不如 CPU 核心強大,但它們能同時高速執行大量相同的指令,在平行運算中發揮強大作用。現在電腦通常具有 2 到 64 個核心;GPU 則具有上千、甚至上萬的核心。

結論

我們一看到《我愛科學》這本書,不需要一點一點地從左上到右下慢慢掃描,即可瞬間知道它上面有書名、出版社等,也知道它擺斜了。這種「平行運作」的能力不僅限於視覺,它也延伸到其它感官和認知功能。例如筆者在清華大學授課時常犯的一個毛病是:嘴巴在講,腦筋思考已經不知往前跑了多少公里,常常為了追趕而越講越快,將不少學生拋到腦後!這不表示筆者聰明,因為研究人員發現我們的大腦具有同時處理和解釋大量感官輸入的能力。

人工智慧是一種讓電腦或機器能夠模擬人類智慧和解決問題能力的科技,因此必須如人腦一樣能同時並行地處理許多資料。學過矩陣(matrix)的讀者應該知道,如果用矩陣和向量(vector)表達,上面所談到之座標轉換將是非常簡潔的(註五)。而矩陣和向量計算正是機器學習(machine learning)演算法的基礎!也正是獨立圖形處理單元最強大的功能所在!因此我們可以了解為什麼 GPU 會成為人工智慧開發的基石:它們的架構就是充分利用並行處理,來快速執行多個操作,進行訓練電腦或機器以人腦之思考與學習的方式處理資料——稱為「深度學習」(deep learning)。

黃仁勳在 5 月 22 日的發布業績新聞上謂:「下一次工業革命已經開始了:企業界和各國正與英偉達合作,將價值數萬億美元的傳統資料中心轉變為加速運算及新型資料中心——人工智慧工廠——以生產新商品『人工智慧』。人工智慧將為每個產業帶來顯著的生產力提升,幫助企業降低成本和提高能源效率,同時擴大收入機會。」

附錄

人工智慧的實用例子:下面一段是微軟的「copilot」代書、谷歌的「translate」代譯之「one paragraph summary of GPU and AI」。讀完後,讀者是不是認為筆者該退休了?

-----廣告,請繼續往下閱讀-----

GPU(圖形處理單元)和 AI(人工智慧)之間的協同作用徹底改變了高效能運算領域。GPU 具有平行處理能力,特別適合人工智慧和機器學習所需的複雜資料密集運算。這導致了影像和視訊處理等領域的重大進步,使自動駕駛和臉部辨識等技術變得更加高效和可靠。NVIDIA 開發的平行運算平台 CUDA 進一步提高了 GPU 的效率,使開發人員能夠透過將人工智慧問題分解為更小的、可管理的、可同時處理的任務來解決這些問題。這不僅加快了人工智慧研究的步伐,而且使其更具成本效益,因為 GPU 可以在很短的時間內執行與多個 CPU 相同的任務。隨著人工智慧的不斷發展,GPU 的角色可能會變得更加不可或缺,推動各產業的創新和新的可能性。大腦透過神經元網路實現這一目標,這些神經元網路可以獨立但有凝聚力地工作,使我們能夠執行複雜的任務,例如駕駛、導航、觀察交通信號、聽音樂並同時規劃我們的路線。此外,研究表明,與非人類動物相比,人類大腦具有更多平行通路,這表明我們的神經處理具有更高的複雜性。這個複雜的系統證明了我們認知功能的卓越適應性和效率。我們可以一邊和朋友聊天一邊走在街上,一邊聽音樂一邊做飯,或一邊聽講座一邊做筆記。人工智慧是模擬人類腦神經網路的科技,因此必須能同時並行地來處理許多資料。研究人員發現了人腦通訊網路具有一個在獼猴或小鼠中未觀察獨特特徵:透過多個並行路徑傳輸訊息,因此具有令人難以置信的多任務處理能力。

註解

(註一)當讀者看到此篇文章時,其股票已一股換十股,現在每一股約在 $100 左右。

(註二)組裝或升級過個人電腦的讀者或許還記得「英偉達精視 256」(GeForce 256)插卡吧?

(註三)筆者於 1984 年離開清華大學到 IBM 時,就是參加了被認為全世界使用電腦時間最多的量子化學家、IBM「院士(fellow)」Enrico Clementi 的團隊:因為當時英偉達還未有可以在 GPU 上進行平行處理的軟體層,我們只能自己寫軟體將 8 台中型電腦(非 IBM 品牌!)與一大型電腦連接來做平行運算,進行分子動力學模擬等的科學研究。如果晚生 30 年或許就不會那麼辛苦了?

-----廣告,請繼續往下閱讀-----

(註四)補助個人電腦用的 GPU 品牌到 2000 年時只剩下兩大主導廠商:英偉達及 ATI(Array Technology Inc.)。後者是出生於香港之四位中國人於 1985 年在加拿大安大略省成立,2006 年被超微半導體公司收購,品牌於 2010 年被淘汰。超微半導體公司於 2014 年 10 月提升台南出生之蘇姿豐(Lisa Tzwu-Fang Su)博士為執行長後,股票從每股 $4 左右,上升到今天每股超過 $160,其市值已經是英特爾的兩倍,完全擺脫了在後者陰影下求生存的小眾玩家角色,正在挑戰英偉達的 GPU 市場。順便一題:超微半導體公司現任總裁(兼 AI 策略負責人)為出生於台北的彭明博(Victor Peng);與黃仁勳及蘇姿豐一樣,也是小時候就隨父母親移居到美國。

(註五)

延伸閱讀

  • 熱力學與能源利用」,《科學月刊》,1982 年 3 月號;收集於《我愛科學》(華騰文化有限公司,2017 年 12 月出版),轉載於「嘉義市政府全球資訊網」。
  • 網路安全技術與比特幣」,《科學月刊》,2020 年 11 月號;轉載於「善科教育基金會」的《科技大補帖》專欄。
文章難易度

討論功能關閉中。

賴昭正_96
43 篇文章 ・ 56 位粉絲
成功大學化學工程系學士,芝加哥大學化學物理博士。在芝大時與一群留學生合創「科學月刊」。一直想回國貢獻所學,因此畢業後不久即回清大化學系任教。自認平易近人,但教學嚴謹,因此穫有「賴大刀」之惡名!於1982年時當選爲 清大化學系新一代的年青首任系主任兼所長;但壯志難酬,兩年後即辭職到美留浪。晚期曾回台蓋工廠及創業,均應「水土不服」而鎩羽而歸。正式退休後,除了開始又爲科學月刊寫文章外,全職帶小孫女(半歲起);現已成七歲之小孫女的BFF(2015)。首先接觸到泛科學是因爲科學月刊將我的一篇文章「愛因斯坦的最大的錯誤一宇宙論常數」推薦到泛科學重登。

0

0
2

文字

分享

0
0
2
一次不夠震兩次,連發的地震更難懂 ──地震定位的實作篇(二)
震識:那些你想知道的震事_96
・2019/01/21 ・3484字 ・閱讀時間約 7 分鐘 ・SR值 535 ・七年級

解題囉!地震定位沒有想像中簡單?──地震定位的實作篇(一)中,我們已經解析過了以下的試題(取自 107 年學測自然科),但今天我們要利用這題談談不同的情況。

107 年大學學科能力測驗自然科第 68 題。圖/截自大考中心

請試想一下,題目中「離洛杉磯較近的地震」,如果發生在台灣附近,這樣一來在很近的時間之內,接連發生了地震,地震波的紀錄中會有什麼情況?又會對地震定位有什麼影響?

或許有人會聯想到物理上的干涉現象,但實驗室中接觸到的是理想的波動,純天然的地震波動會有點複雜,相對也會有一些較麻煩之處。

普遍實驗室中的干涉現象結果。圖/wikimedia

-----廣告,請繼續往下閱讀-----

搖啊搖,兩個地震「連發」

如果我們先用開槍來比喻發生地震事件。它有可能是一把槍朝同個靶連開兩槍,也有可能是站得很近的兩人幾乎同時朝同一個靶開槍。這種現象,最常發生在大地震後的餘震,或者是在某地發生一連串的小型群震。

但是,如果是開槍的情況,我們都會事先知道是什麼情況。但實際上,地震學者或是氣象局進行定位的人員在看到地震站地震波時,完全不會知道兩個地震的震源確切位置,僅能藉由 P 波 S 波秒差推測大致是十分接近的兩個震源。而這種情況會對地震定位造成的困擾是:規模比較小或是造成振幅比較小的地震,能用來進行的地震測站相對較少。

以 2018 年 2 月 6 日花蓮強震後續餘震中的編號 52 號和 53 號地震,氣象局網頁上公布花蓮市測站的「即時強地動波形」圖為例:

編號 52、53 號(及其陸續的)地震,花蓮市的波形紀錄。圖/載自中央氣象局網頁

-----廣告,請繼續往下閱讀-----

我們將這張圖「加工」一下,標出圖中的「6 個地震事件」(用灰色標註),此外其中包括編號 52 號和編號 53 號地震的 P 波(紅線)和 S 波(綠線):

修改自上圖編號 52 號花蓮站波形,標註上 6 個地震事件,並以灰色顯示其主要波動的範圍。紅色代表 P 波,綠色代表 S 波。

以花蓮站的狀況看起來每個地震事件的 P 波和 S 波都明顯好認,畢竟花蓮站距離編號 52 號的震央僅僅只有 3.66 公里,而看 P 波和 S 波的間隔相近,加上這一陣子附近地區的餘震偏多,想必 53 號的震央也不會差太遠。

但是,如果到了再遠一點的地方呢?來看合歡山觀測站(加工版)的情況:

-----廣告,請繼續往下閱讀-----

可見編號 53 號地震的 P 波已和 52 號地震後續的振動混雜在一起了。

因為地震波傳遞時,不同的頻率和振動型式的震波速度不一,就像賽車比賽一樣有快有慢。而上面這張圖的情況就是 53 號地震的 P 波已經追上 52 號地震「吊車尾」的尾波。可想而知,離震央再更遠的地方,可能連 S 波確切的位置都很難辨識了,如下面這張的德基測站波形圖(沒辦法加工,因為已經難以辨認):

編號 52 號地震德基站的波形紀錄。
圖/載自中央氣象局網頁

實際上臺灣的地震測站密度很高,即使是在這樣的情境下,還是大致能出這幾個地震的位置,然而若是兩個地震相隔的時間更短,地震波形發生相互干擾、難以辨認的測站一多,比較小的地震在波形資料上,往往會被大的地震給「蓋過去」,就有可能讓我們少發現到一個小地震。

-----廣告,請繼續往下閱讀-----

餘震是什麼?

科學家很早就發現,較大地震發生後,通常都會有餘震,而且餘震的規模和數量也會有一定隨時間衰減的關係,這點在我們之前文章(為什麼本來是主震,一下又變成前震?餘震有可能會比主震規模大嗎?──《震識》)中也曾提過餘震衰減定律。

但到底為什麼會是這樣的情況?餘震發生的原因又是怎樣?我們再從另一篇文章(在動與不動之處,那些斷層面上的複雜事(下)──《震識》)提到的斷層模型來切入,現在從地震波反演回推斷層活動的相關研究,已經可以透過地震後的波形紀錄,推測斷層上面的破裂過程。

實際上,斷層的會發生破裂區域,僅在面上部分一塊塊比較「粗糙」的「地栓」(asperity),而地栓處活動發生地震時,一來可能僅釋放了局部累積的應力(或者理解成能量),二來也可能有些處於臨界狀態的小規模地栓受地震(主震)影響,因而被誘發地震,或許這樣的餘震情況,可以拿「藕斷絲連」來比喻。

從很多例子當中都會發現,餘震分布大致會和主震發生的機制接近,震源分布的位置也會大致在同樣的斷層面附近。不過,由於主震的地栓才剛劇烈的活動完,有很多的餘震是發生在斷層上主震滑動區以外的部分,這種情況在規模越大的地震越為明顯。

-----廣告,請繼續往下閱讀-----

餘震分布大致會和主震發生的機制接近。圖/作者提供

2016 年的台南、高雄美濃地震就有「雙主震」

以 2016 年 2 月 6 日高雄美濃、台南的地震為例,震後報告畫出了主震時最主要的滑移區和餘震的分布,如下圖所示。圖中的白、黃、紅等方格組成的平面為斷層面,紅色為主震時最主要錯動的地方,其它小圓則是餘震,不同顏色代表不同規模。可以發現,多數的餘震集中在斷層上其它的位置,這就是主震後持續釋放能量的情況。

美濃地震主震滑移區(方格)和餘震(圓點)分布。圖/作者提供

另外,這次地震正好就發生了「兩個地震在一起」的情況,一般學術上會稱作為「雙主震」,而這次地震的例子,就是相差僅數秒鐘的主震滑動而發生的地震,藉由下方的「累積滑移量分布圖」,可以看到斷層在最初活動隨時間的變化,而在 8 秒和 16 秒處用紅色圈出了兩個地栓的位置,而這兩個地栓初始錯動的時間也僅只差了一秒鐘,代表確實是兩個同時發生的地震事件。

-----廣告,請繼續往下閱讀-----

反演出美濃地震的斷層面破裂分布,顏色代表斷層錯移量,以公分表示;星號表示震央,紅色圈起來為主要滑移的地栓。圖/作者提供

不過,這樣類型的「雙主震」在中央氣象局最初提供的報告根本看不出來,因為地震波整個被包住了,在初步僅靠 P 波、S 波和最大振幅進行地震定位與芮氏規模計算的方式下,只會知道斷層「初始發生錯動的地點」,即是上圖標示出紅色星號的位置。

而像中央氣象局地震速報,需在極短時間或是用自動化的方式判讀地震並立即公布,就無法用前述學者解析地震波的方式來還原「案發現場」,僅能提供在短時間內盡可能精確的數據,可以說是「沒辦法中的最好辦法」,當然以這次地震的例子來說,即使作為一個地震事件處理,對於後續震度的評估,並不會造成太大影響。

地震定位、規模、震度對於防災的意義

藉此我們不妨思考一下,為何強震警報多以震度四級作為發布標準?在誤差在所難免,無法 100% 避免的情況下,即使四級的震度多半不會有重大災情,但把誤差一級的程度考量進去,我們或許應該對警報某程度多一分警戒!

-----廣告,請繼續往下閱讀-----

像這樣有多個地震或是雙主震讓震波交雜的狀況,主要帶來的麻煩是在於像氣象局這樣第一線的資料處理端,可能會有非戰之罪的誤判或是增加資料處理的繁複程度,但這對科學家而言,卻是一個能讓我們解開斷層特性的現象。因為每一個斷層或是盲斷層都像人有百百種一樣,有不同的特性,因此多了解一些,有助於我們評估斷層未來錯動時的情況,當然,這樣的研究對於未來的防災多少也是有助益的!

延伸閱讀

本文轉載自震識:那些你想知道的震事,原文為《地震定位實作篇之二:地震連發,定位者的最大煩惱》,也歡迎追蹤粉絲頁震識:那些你想知道的震事了解更多地震事。

震識:那些你想知道的震事_96
38 篇文章 ・ 9 位粉絲
《震識:那些你想知道的震事》由中央大學馬國鳳教授與科普作家潘昌志(阿樹)共同成立的地震知識部落格。我們希望透過淺顯易懂的文字,讓地震知識走入日常生活中,同時也會藉由分享各種地震的歷史或生活故事,讓地震知識也充滿人文的溫度。