建议结合原文图片看方便理解。

Prompt

https://note.com/kotoho7/n/n59e423877b1b

请分析并总结这篇文章中的震源推算方法。

GPT

我先读一下原文，再把里面的震源推算步骤拆成清晰的流程给你。已思考片刻

这篇文章里的“震源推算”思路，本质上是把“揺れ（检测到震动的时间）”和“震源位置”之间的关系，转成一个误差最小化问题：先假设一个震源，再看它能不能解释各观测点的检测时刻；越能让各点的推算到达时刻彼此一致，这个假设震源就越接近真实震源。作者明确说，这个思路参考了气象厅用的 Geiger 反复法，但实现上是自己写的近似版本。

具体流程是这样的：先记录每个观测点“检测到震动”的时刻；再用“最先检测到的观测点”当作初始假定震源，位置取该点经纬度四舍五入到小数第 2 位，深度先设 10 km，发震时刻设为“检测时刻 − 2 秒”。

接着，作者定义了一个“误差レベル（误差等级）”来衡量某个假定震源有多像真实震源：对所有已检测到的观测点，先根据假定震源计算震央距和走时，再用“检测时刻 − 走时”反推出各点的发震时刻；然后求这些发震时刻的平均值，再计算各点发震时刻相对平均值的平方误差，并乘上权重后加总。这个权重让更近的观测点影响更大，具体做法是“最先检测点的震央距 ÷ 当前点震央距”，但 50 km 以内固定为 1。

作者还补了一个很关键的修正：如果只看“已检测到”的站点，可能会把震源误判到一个虽然拟合得很好、但明显不合理的位置。为此，他加入了“未检测站点”的约束：在震源附近挑选尚未检测到的观测点，若按当前假定震源推算它们本应已经到达，却实际上还没到，就给误差再加 1。这样会把“过早覆盖了未检测站点”的震源排除掉。

最后一步是反复搜索：围绕当前假定震源，先用较粗的步长搜索候选点——经纬度 ±0.5°；找到更小误差的点就把假定震源移过去，直到局部不再变好。然后再缩小步长，改成经纬度 ±0.1°；之后再把深度也加入搜索，依次用深度 ±50 km、±10 km 配合经纬度 ±0.1° 继续迭代，直到误差不再下降，那个位置就作为最终震源。作者把它描述成“往误差谷底滚下去”的过程。

一句话概括：它不是直接做严格的地震学反演，而是用“走时表 + 检测时刻 + 误差最小化 + 网格迭代搜索”来近似找震源。 作者自己也说，最后求出来的其实已经接近“震源计算”而不只是“震央检测”了。

如果你愿意，我可以把这套流程再画成一张“输入 → 计算 → 迭代 → 输出”的流程图，方便你一眼看懂。

Gemini

这篇文章介绍了一种从地震摇晃监测数据中推算震中（震央）的方法。作者通过从简单的物理原理出发，逐步演进到复杂的专业算法，总结出以下几种主要的推算思路和方法：

1. 核心物理逻辑：等时圈与走时曲线

地震波（P波约 7km/s，S波约 5km/s）以震源为中心向外扩散，理论上距离震中相等的观测点探测到摇晃的时间也应该相近。

• 基本原理：当选定的“假设震中”越接近“实际震中”时，各观测点的“震中距离”与“检测到摇晃的时间”之间的关系会越符合走时曲线（Travel-Time Curve）。
• 判定方式：如果假设位置偏离实际震中，观测数据在走时坐标系中会显得杂乱无章；如果假设准确，数据点会整齐地排列在曲线上。

2. 作者的自研推算流程（基于离散度分析）

作者提出了一套适合程序实现的启发式搜索方法，分为以下几个步骤：

• 设定初始种子点：将第一个检测到摇晃的观测点位置设为“临时震中”。
• 引入 JMA2001 走时表：利用气象厅的标准走时表，根据假设的震源深度和距离，计算出理论上的地震波传递时间（走时）。
• 计算“误差水平”（Error Level）：

1. 对所有已检测到摇晃的站点，用“检测时间”减去“理论走时”，反推发震时刻。
2. 如果假设震中是正确的，那么所有站点反推出来的“发震时刻”应该高度一致。
3. 通过计算这些时刻的**方差（Variance）**来评估误差。方差越小，说明假设位置越接近真实震中。

• 距离权重优化：离震中近的站点数据更可靠，因此在计算误差时，给予近距离站点更高的权重。

3. 关键修正技术：着未着法（Arrival/Non-arrival Method）

为了解决在监测点稀疏地区可能出现的误报（例如，程序可能在没有监测器的远海区域计算出一个低误差震中），文章提到了“着未着法”：

• 逻辑：如果假设震中在某处，那么该处附近的站点理论上应该已经感应到摇晃。如果现实中这些站点“尚未着”（还没检测到摇晃），则说明假设震中是错误的，需要大幅度增加该位置的误差权重。

4. 专业级算法：IPF法（集成粒子滤波法）

文章进一步介绍了目前日本紧急地震速报中使用的 IPF (Integrated Particle Filter) 法，这是更为先进的统计学方法：

• 多参数拟合：不仅使用触发时间，还结合了地震波的最大振幅、B-Δ法推算的距离、以及主成分分析得到的震源方位。
• 粒子群搜索：在三维空间（经纬度+深度）内随机散布大量“虚拟震源粒子”，根据观测数据不断调整这些粒子的权重。
• 贝叶斯迭代：高概率区域会产生更多新粒子，通过不断迭代，粒子群会迅速向真实的震源位置汇聚。这种方法在处理“多震源同时发生”的情况时具有极强的鲁棒性。

总结

这篇文章揭示了震中推算从**几何作图（三圆交汇）向数值优化（方差最小化）再到概率统计（粒子滤波）**的演进过程。其核心在于利用已知地震波波速模型（走时表），不断调整假设坐标，直到观测到的时间序列在统计上达到逻辑自洽。