近日，我院徐锐副研究员联合美国弗吉尼亚理工大学D.S. Stamps副教授、美国新墨西哥大学E.O. Lindsey助理教授，在地球科学领域顶级期刊《Earth-Science Reviews》（ESR）和《Geophysical Research Letters》（GRL）上发表重要研究成果。该系列研究利用机器学习算法与多源流变模型，重新定义了青藏高原东南缘的活动构造格局，并成功解决了该地区长期存在的地质与大地测量滑移速率不一致的学术难题。

机器学习：突破主观局限，重塑块体格局

发表于ESR的研究针对青藏高原东南缘（SETP）复杂的动力学背景及长期存在的块体划分主观性问题，引入了无监督机器学习——欧拉极聚类算法。研究团队利用高密度GNSS速度场，通过算法自主识别出该区域存在四个近乎平行的弧形长条状块体。这一发现打破了以往研究中对块体边界的人为设定，证明了该区域的现今运动学特征主要受一系列弧形左旋走滑断裂主导。该成果为理解高原物质向东南流动的模式提供了全新的物理证据，也为建立更客观的构造演化模型奠定了基础。

图1. GNSS机器学习识别的丛集（活动块体）及丛集边界（应变集中带）

运动学流变模型：破解滑移速率“不匹配”之谜

在明确了宏观构造格局的基础上，发表于GRL的研究进一步聚焦于鲜水河-小江断裂系的关键区段——则木河-大凉山断裂带。长期以来，该地区的地球物理观测（大地测量）与地质调查得到的断层滑移速率和地震观测得到的闭锁深度存在显著差异。研究发现，传统的“纯弹性”位错模型忽略了中下地壳的流变性，从而导致了错误的评估。通过引入中下地壳粘弹性流变模型，研究团队成功调和了这一矛盾，反演得到的则木河断裂与大凉山断裂的滑移速率（7毫米/年和2毫米/年）与地质结果吻合，且闭锁深度（17-20公里）与测震结果吻合。该研究特别指出，对于大凉山这类处于“非成熟期”的断裂系统，其变形在深部呈现出弥散性特征。这一结论提醒地震学家，在评估不成熟断裂带的地震危险性时，若沿用传统的纯弹性模型，可能会产生误导性的结果。

图2. 不同流变模型拟合GNSS速度剖面

这两项研究展示了从“大数据驱动的活动构造识别”到“复杂物理机制的定量反演”的完整研究链条，为后续构建更符合中国大陆动力学特征的地震风险评价模型提供了关键支撑。

原文链接：

https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2025GL120975

https://doi.org/10.1016/j.earscirev.2026.105420