Loading [MathJax]/extensions/tex2jax.js

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。

-----廣告,請繼續往下閱讀-----
文章難易度
活躍星系核_96
778 篇文章 ・ 128 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

1
0

文字

分享

0
1
0
拆解邊緣AI熱潮:伺服器如何提供穩固的運算基石?
鳥苷三磷酸 (PanSci Promo)_96
・2025/05/21 ・5071字 ・閱讀時間約 10 分鐘

本文與 研華科技 合作,泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言,總能牽動整個 AI 產業的神經。然而,我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線,那如果哪天「網路斷了」,會發生什麼事?

想像你正在自駕車打個盹,系統突然警示:「網路連線中斷」,車輛開始偏離路線,而前方竟是萬丈深谷。又或者家庭機器人被駭,開始暴走跳舞,甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎?當然不是!也因為如此,「邊緣 AI」成為業界關注重點。不靠雲端,AI 就能在現場即時反應,不只更安全、低延遲,還能讓數據當場變現,不再淪為沉沒成本。

什麼是邊緣 AI ?

邊緣 AI,乍聽之下,好像是「孤單站在角落的人工智慧」,但事實上,它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前,像是企業、醫院、學校內部的伺服器,個人電腦,甚至手機等裝置,都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。簡單來說,就是將原本集中在遠端資料中心的運算能力,「搬家」到更靠近數據源頭的地方。

-----廣告,請繼續往下閱讀-----

那麼,為什麼需要這樣做?資料放在雲端,集中管理不是更方便嗎?對,就是不好。

當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。/ 圖片來源:MotionArray

第一個不好是物理限制:「延遲」。
即使光速已經非常快,數據從你家旁邊的路口傳到幾千公里外的雲端機房,再把分析結果傳回來,中間還要經過各種網路節點轉來轉去…這樣一來一回,就算只是幾十毫秒的延遲,對於需要「即刻反應」的 AI 應用,比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時,每一毫秒都攸關安全與精度,這點延遲都是無法接受的!這是物理距離與網路架構先天上的限制,無法繞過去。

第二個挑戰,是資訊科學跟工程上的考量:「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送,湧入的資料數據量就像超級大的水流,一下子就把水管塞爆!要避免流量爆炸,你就要一直擴充水管,也就是擴增頻寬,然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理,把重要資訊「濃縮」過後再傳回雲端,是不是就能減輕頻寬負擔,也能節省大量費用呢?

第三個挑戰:系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時,一旦網路不穩、甚至斷線,那怎麼辦?很多關鍵應用,像是公共安全監控或是重要設備的預警系統,可不能這樣「看天吃飯」啊!邊緣處理讓系統更獨立,就算暫時斷線,本地的 AI 還是能繼續運作與即時反應,這在工程上是非常重要的考量。

所以你看,邊緣運算不是科學家們沒事找事做,它是順應數據特性和實際應用需求,一個非常合理的科學與工程上的最佳化選擇,是我們想要抓住即時數據價值,非走不可的一條路!

邊緣 AI 的實戰魅力:從工廠到倉儲,再到你的工作桌

知道要把 AI 算力搬到邊緣了,接下來的問題就是─邊緣 AI 究竟強在哪裡呢?它強就強在能夠做到「深度感知(Deep Perception)」!

-----廣告,請繼續往下閱讀-----

所謂深度感知,並非僅僅是對數據進行簡單的加加減減,而是透過如深度神經網路這類複雜的 AI 模型,從原始數據裡面,去「理解」出更高層次、更具意義的資訊。

研華科技為例,旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例,利用物件偵測模型,快速將工業產品中的瑕疵挑出來,而且由於 AI 模型可以使用同一套參數去檢測,因此品管上能達到一致性,減少人為疏漏。尤其在高產能工廠中,檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品,替工廠節省大量人力,同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。/ 圖片提供:研華科技

此外,在智慧倉儲場域,研華與威剛合作,研華與威剛聯手合作,在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台,打造倉儲系統的 AMR(Autonomous Mobile Robot) 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣,AMR 不需要事先規劃好路線,靠著感測器偵測,就能輕鬆避開障礙物,識別路線,並且將貨物載到指定地點存放。

當然,還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning ),除了可以做備忘錄跟排程規劃以外,還能將實務上碰到的問題記錄下來,等到之後碰到類似的問題時,就能詢問 AI 並得到解答。

你或許會問,那為什麼不直接使用 ChatGPT 就好了?其實,對許多企業來說,內部資料往往具有高度機密性與商業價值,有些場域甚至連手機都禁止員工帶入,自然無法將資料上傳雲端。對於重視資安,又希望運用 AI 提升效率的企業與工廠而言,自行部署大型語言模型(self-hosted LLM)才是理想選擇。而這樣的應用,並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。

但問題也接著浮現:要在這麼小的設備上跑大型 AI 模型,會不會太吃資源?這正是目前 AI 領域最前沿、最火熱的研究方向之一:如何幫 AI 模型進行「科學瘦身」,又不減智慧。接下來,我們就來看看科學家是怎麼幫 AI 減重的。

-----廣告,請繼續往下閱讀-----

語言模型瘦身術之一:量化(Quantization)—用更精簡的數位方式來表示知識

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像:有些畫面細節我們肉眼根本看不出來,刪掉也不影響整體感覺,卻能大幅減少檔案大小。

模型量化的原理也是如此,只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示,什麼是浮點數?其實就是你我都熟知的小數。舉例來說,圓周率是個無窮不循環小數,唸下去就會是3.141592653…但實際運算時,我們常常用 3.14 或甚至直接用 3,也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思! 

然而,量化並不是那麼容易的事情。而且實際上,降低精度多少還是會影響到模型表現的。因此在設計時,工程師會精密調整,確保效能在可接受範圍內,達成「瘦身不減智」的目標。

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。/ 圖片來源:MotionArray

模型剪枝(Model Pruning)—基於重要性的結構精簡

建立一個 AI 模型,其實就是在搭建一整套類神經網路系統,並訓練類神經元中彼此關聯的參數。然而,在這麼多參數中,總會有一些參數明明佔了一個位置,卻對整體模型沒有貢獻。既然如此,不如果斷將這些「冗餘」移除。

這就像種植作物的時候,總會雜草叢生,但這些雜草並不是我們想要的作物,這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在,而動手去清理這些不需要的連結參數或神經元的技術,就稱為 AI 模型的模型剪枝(Model Pruning)。

-----廣告,請繼續往下閱讀-----

模型剪枝的效果,大概能把100變成70這樣的程度,說多也不是太多。雖然這樣的縮減對於提升效率已具幫助,但若我們要的是一個更小幾個數量級的模型,僅靠剪枝仍不足以應對。最後還是需要從源頭著手,採取更治本的方法:一開始就打造一個很小的模型,並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」,是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾(Knowledge Distillation)—讓小模型學習大師的「精髓」

想像一下,一位經驗豐富、見多識廣的老師傅,就是那個龐大而強悍的 AI 模型。現在,他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案,老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」,例如「為什麼我會這樣想?」、「其他選項的可能性有多少?」。這樣一來,小小的學徒模型,用它有限的「腦容量」,也能學到老師傅的「智慧精髓」,表現就能大幅提升!這是一種很高級的訓練技巧,跟遷移學習有關。

舉個例子,當大型語言模型在收到「晚餐:鳳梨」這組輸入時,它下一個會接的詞語跟機率分別為「炒飯:50%,蝦球:30%,披薩:15%,汁:5%」。在知識蒸餾的過程中,它可以把這套機率表一起教給小語言模型,讓小語言模型不必透過自己訓練,也能輕鬆得到這個推理過程。如今,許多高效的小型語言模型正是透過這項技術訓練而成,讓我們得以在資源有限的邊緣設備上,也能部署愈來愈強大的小模型 AI。

但是!即使模型經過了這些科學方法的優化,變得比較「苗條」了,要真正在邊緣環境中處理如潮水般湧現的資料,並且高速、即時、穩定地運作,仍然需要一個夠強的「引擎」來驅動它們。也就是說,要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型,真正放到邊緣的現場去發揮作用,就需要一個強大的「硬體平台」來承載。

-----廣告,請繼續往下閱讀-----

邊緣 AI 的強心臟:SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器,就是扮演「邊緣 AI 引擎」的關鍵角色!那麼,它到底厲害在哪?

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要?因為 GPU 的設計,天生就擅長做「平行計算」,這正好就是 AI 模型裡面那種海量數學運算最需要的!

你想想看,那麼多數據要同時處理,就像要請一大堆人同時算數學一樣,GPU 就是那個最有效率的工具人!而且,有多張 GPU,代表可以同時跑更多不同的 AI 任務,或者處理更大流量的數據。這是確保那些科學研究成果,在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎!

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房,有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計,體積相對緊湊,散熱空間也比較好(這對高功耗的 GPU 很重要!),部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算,進行「工程化」,讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格,背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場,系統穩定壓倒一切!你總不希望 AI 分析跑到一半就掛掉吧?這些設計確保了部署在現場的 AI 系統,能夠長時間、穩定地運作,把實驗室裡的科學成果,可靠地轉化成實際的應用價值。

-----廣告,請繼續往下閱讀-----
研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。/ 圖片提供:研華科技

台灣製造 × 在地智慧:打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能,能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署,及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析,還是其他 AI 相關的服務,都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務,讓企業在啟動 AI 專案前,大幅降低前期投入門檻,靈活又實用。

台灣有著獨特的產業結構,從精密製造、城市交通管理,到因應高齡化社會的智慧醫療與公共安全,都是邊緣 AI 的理想應用場域。更重要的是,這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示,這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果,往往已經錯失最佳反應時機。這也是為什麼邊緣 AI,不只是一項技術創新,更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場,就能被有效的「理解」與「利用」,是將數據垃圾變成數據黃金的賢者之石!

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

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

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----
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。