Spatial Inference of Coseismic Slip on the Cascadia Subduction Zone

Abstract

Statistisk inferens rundt store historiske jordskjelv er et viktig steg for å forstå risikoen ved fremtidige potensielle jordskjelv. I Cascadiaregionen, ved Stillehavskysten av Nord-Amerika, ble den siste fullstendige forkastningen dannet år 1700. For å lage en statistisk fordeling av forflytningen av det underliggende berget ved subduksjonssonen i Cascadiaregionen må en bruke geologiske estimater av overflatebevegelsen langs Stillehavskysten ved USA og Kanada i denne regionen. Fordelingen som brukes er en Cascadia subduksjonssone (CSZ) seismisk glidefordeling (coseismic slip distribution) og de geologiske estimatene som brukes vil være datasett med seismiske senkningsinformasjon.

I denne oppgaven modelleres den underliggende seismiske glidefordelingen (coseismic slip distribution) som et transformert tilfeldig Gaussian felt (GRF), ved å bruke en tilnærming med stokastiske partielle differensiallikninger (SPDE). Hovedbidraget fra dette arbeidet er ved å utvikle et Bayesiansk rammeverk som kobler sammen den seismiske glidefordelingen med det geologiske senkningsestimatet via dislokasjonsmodellen Okada. Metoden er kontrollert ved å beregne senkning i forhold til kjente senkningsestimater. Dette viser at den beste modellen som er presentert kan fange opp den geologiske historien av subduksjonssonen (CSZ) bra. Dataene antyder en stor likhetsgrad mellom de ulike undersøkte historiske jordskjelvene og forutser et potensielt fremtidig jordskjelv til å ha en stor seismisk glidning konsentrert i grunnere deler av dagens subduksjonssone (CSZ). Vi konkluderer med å reflektere over forbedringer som kan gjøres ved den nye metoden som er presentert her. Hovedfokuset vil være på å inkorporere datakilder med høyere kvalitet, samtidig som en øker oppløsningen til de kunstige modellstrukturene for å bedre kunne fange opp den kontinuerlige oppførselen i den seismiske glidefordelingen.

Inference about historical great earthquakes is a key step in understanding the risk involved from a potential future event. In the Cascadia region, located on the Pacific Coast of the North American continent, the most recent full margin rupture was in 1700AD. As such the spatial distribution of the movement in the underlying rock structure of the Cascadia Subduction Zone (CSZ) needs to be inferred from geological estimates of surface movements taken throughout this region. This spatial distribution is the CSZ coseismic slip distribution, and the geological estimates used will be a coseismic subsidence data set.

Here we model the underlying coseismic slip distribution as a transformed Gaussian Random Field (GRF), using the Stochastic Partial Differential Equations (SPDE) approach. The main contribution of this work is in developing a Bayesian framework which links the coseismic slip distribution to the geological subsidence estimates via the Okada dislocation model. Existing scientific information is also incorporated into the framework via a taper function and an anisotropic coseismic slip distribution to align with the current literature.

The method is validated by predicting unseen subsidence estimates which demonstrates that the best model presented can capture the geological history of the CSZ well. The data suggests a high degree of similarity between the studied historic great earthquakes, and predicts a potential future magnitude 9.0 event which has a high coseismic slip concentrated in the shallower depths of the CSZ. We conclude by reflecting on improvements to be made to the new methodology presented here. The main focus being on incorporating higher quality data sources, as well as increasing the resolution of artificial modelling structures to better capture the continuous nature of the coseismic slip distribution.