JOURNAL ARTICLE

Time-dependent earthquake probability calculations for southern Kanto after the 2011
M9.0 Tohoku earthquake
Perhitungan probabilitas gempa bergantung waktu untuk Kanto selatan setelah gempa Tohoku
2011 M 9.0

Abstrak
Kegempaan di Kanto selatan diaktifkan dengan gempa bumi Tohoku 11 Maret 2011
berkekuatan M 9,0, tetapi apakah ini menyebabkan perbedaan yang signifikan dalam
kemungkinan lebih banyak gempa bumi saat ini atau di To? Menjawab pertanyaan ini di masa
depan, kami menguji efek dari perubahan tingkat kegempaan terhadap probabilitas gempa
bumi. Kumpulan data kami berasal dari katalog gempa Badan Meteorologi Jepang, diunduh
pada 30 Mei 2012. Pendekatan kami didasarkan pada perhitungan probabilistik gempa yang
tergantung waktu, sering digunakan untuk penilaian bahaya gempa susulan, dan didasarkan
pada dua hukum statistik: Gutenberg–Richter ( GR) hukum frekuensi-magnitudo dan hukum
peluruhan susulan Omori-Utsu (OU). Kami pertama-tama mengkonfirmasi bahwa
kegempaan setelah gempa M4 atau lebih besar dimodelkan dengan baik oleh hukum GR
dengan b ∼ 1. Kemudian, ada kesepakatan yang baik dengan hukum OU dengan p ∼ 0,5,
yang menunjukkan bahwa peluruhan lambat sangat signifikan. Berdasarkan hasil ini, kami
kemudian menghitung perkiraan yang paling mungkin dari M. masa depanPeristiwa kelas 6–
7 untuk berbagai periode, semua dengan tanggal mulai 2012 30 Mei. Perkiraan tersebut lebih
tinggi dari tingkat sebelum gempa jika kita mempertimbangkan periode durasi 3 tahun atau
lebih pendek. Namun, untuk peramalan berbasis statistik seperti ini, kesalahan yang muncul
dari estimasi parameter harus diperhatikan. Mempertimbangkan kontribusi kesalahan ini
terhadap perhitungan probabilitas, kami menyimpulkan bahwa setiap peningkatan
probabilitas gempa bumi tidak signifikan. Meskipun kami mencoba untuk menghindari
melebih-lebihkan perubahan probabilitas, pengamatan kami dikombinasikan dengan hasil
dari studi sebelumnya mendukung kemungkinan bahwa afterslip (fault creep) di Kanto
selatan akan perlahan mengendurkan langkah tekanan yang disebabkan oleh gempa Tohoku.
Afterslip ini pada gilirannya mengingatkan kita pada potensi redistribusi stres ke daerah
sekitarnya.

PERKENALAN
Kegempaan di Kanto selatan aktif karena kompleks, tektonik aktif: di bawah wilayah Kanto,
lempeng Laut Filipina menunjam dari selatan dan Lempeng Pasifik menunjam dari timur.
Estimasi probabilistik untuk gempa bumi besar (magnitudo kelas 7 M ) di wilayah ini tinggi;
misalnya, Earthquake Research Committee (ERC) menghitung kemungkinan terjadinya satu
atau lebih gempa bumi kelas 7 ( M 6.7–7.2) di Kanto selatan selama periode 30 tahun
menjadi 70 persen, melalui asumsi bahwa lima Gempa bumi kelas 7 M sejak 1885 adalah
proses Poisson (ERC 2004). Karena probabilitas tinggi ini dan kepentingan sosial dan
ekonomi Kanto selatan, yang meliputi Tokyo, Kantor Kabinet pemerintah Jepang
mempelajari kemungkinan kerusakan akibat gempa (Central Disaster Management Council
2005 ) .
Kegempaan diaktifkan lebih lanjut sebagai respons terhadap gempa Tohoku 2011 M 9.0.
Misalnya, Ishibe et al. ( 2011 ) melaporkan bahwa perubahan statis dalam fungsi kegagalan
coulomb (CFF) memperkirakan peningkatan kegempaan pasca gempa di dan sekitar Kanto
selatan. Toda dkk. ( 2011 ) juga menunjukkan gambaran yang sama. Distribusi gempa
interplate M ≥ 4 sebelum dan sesudah gempa Tohoku menunjukkan peningkatan tingkat
kegempaan di beberapa daerah di bawah distrik Kanto (Kato & Igarashi 2012), menyiratkan
pergeseran sesar (afterslip) antara batas lempeng akibat gempa Tohoku. Implikasi ini
didukung oleh studi tentang gempa berulang (Kimura 2011 ) dan deformasi pasca-seismik
(Ozawa et al. 2011 ).

Pertanyaan penting adalah apakah prakiraan probabilistik yang berguna dapat dibuat dengan
memantau kegempaan. Bahkan, ini sudah dilakukan dalam hal penilaian bahaya (misalnya
Reasenberg & Jones 1994 ; Frankel et al . 1996; ERC 1998 ; Wiemer 2000 ; Wyss & Wiemer
2000 ; Gerstenberger et al. 2005 ; Parsons 2005 ; Bachmann et al. 2011 ). Penggunaan model
statistik memungkinkan kita mengekstrapolasi laju kejadian gempa bumi kecil dan menengah
saat ini dan di masa lalu hingga gempa bumi besar di masa mendatang. Model statistik yang
digunakan adalah hukum frekuensi-magnitudo Gutenberg–Richter (GR) (Gutenberg &
Richter1944 ). Untuk setiap penilaian bahaya yang bergantung pada waktu, hukum peluruhan
gempa susulan Omori–Utsu (OU) (Utsu 1961 ) sering dimasukkan. Seperti yang akan kami
tunjukkan nanti, kegempaan sebenarnya dapat dimodelkan dengan cara ini, dan ini membuat
peramalan probabilistik bergantung waktu tersedia. Karena model ini didasarkan pada
observasi, kita perlu menentukan ketidakpastian dan sensitivitas dari perhitungan probabilitas
bergantung waktu.

Kami pertama-tama akan memastikan bahwa gempa bumi di Kanto selatan dimodelkan
dengan baik oleh hukum GR dan OU. Berdasarkan hasil, kami kemudian menerapkan
pendekatan pemantauan berbasis probabilitas bergantung waktu untuk menilai kemungkinan
kejadian kelas M -7. Akhirnya, kami membahas model yang berlaku untuk kegempaan pasca
gempa dan menyatakan implikasi untuk meningkatkan penilaian bahaya seismik untuk Kanto
selatan.

DATA DAN METODE

Kami menggunakan katalog gempa bumi yang dikelola oleh Badan Meteorologi Jepang
(JMA), diunduh pada 30 Mei 2012. Katalog ini mencakup peristiwa pada dan sebelum 28
Mei 2012 dan dipangkas untuk memasukkan hanya data di wilayah 35.0–36.5°LU dan 139.3–
140.8 °BT dengan rentang kedalaman 0–150 km (Gbr. 1 ). Wilayah ini termasuk asumsi
pusat gempa dari lima gempa kelas M 7 (ERC 2004 ).
Gambar 1

Peta spasial gempa di Kanto selatan setelah gempa Tohoku. Inset yang diperbesar
menunjukkan di mana area studi (kotak hitam) terletak di Jepang.
Untuk memodelkan kegempaan di wilayah mana pun, kita membutuhkan pengetahuan
tentang besarnya kelengkapan, M c , di bawah ini hanya sebagian kecil dari semua peristiwa
dalam bin besar yang terdeteksi oleh jaringan (misalnya Woessner & Wiemer 2005 ).
Kelengkapan sebagai fungsi ruang dan waktu bervariasi dalam katalog gempa JMA (Nanjo et
al. 2010 ). Kami memperkirakan M c dalam ruang dan waktu (Lampiran S1 dan Gambar S1
dan S2) dan menemukan bahwa pengaturan besaran minimum pada M3.0 memastikan
homogenitas pencatatan setelah gempa Tohoku di wilayah studi. Kami percaya bahwa banyak
peneliti akan memeriksa urutan ini di masa mendatang, jadi kami telah melaporkan hasil
analisis kelengkapan kami, yang dapat menjadi titik awal untuk analisis di masa mendatang.
Hukum GR diberikan sebagai log 10 N = a − bM , di mana N adalah jumlah gempa bumi per
satuan waktu dengan magnitudo lebih besar atau sama dengan M , a menggambarkan
produktivitas kegempaan regional dan b adalah rasio dari kecil ke besar acara. Nilai b
biasanya 1. Dengan menggunakan kecocokan kemungkinan maksimum (Aki 1965 ), kami
menentukan nilai a dan b . Ketidakpastian dalam b diasumsikan menurut Shi & Bolt ( 1982 ).
Hukum OU diberikan sebagai λ = K /( c + t ) p , di mana t adalah waktu sejak guncangan
utama, λ adalah jumlah gempa susulan per satuan waktu pada t dengan magnitudo lebih besar
atau sama dengan M , dan c , K dan p adalah konstanta. Ketika p = 1, itu hanya disebut
hukum Omori. Mirip dengan kasus GR, kami menggunakan kecocokan kemungkinan
maksimum untuk menentukan parameter hukum ini. Ketidakpastian dalam p dihitung dengan
bootstrap.
Tingkat r ev peristiwa yang terjadi dalam rentang magnitudo M 1 ≤ M < M 2 selama rentang
waktu S ≤ t < T pertama diperoleh dengan menggabungkan hubungan GR dan OU (lihat
Lampiran S2 untuk rinciannya). Asumsikan bahwa gempa bumi yang terjadi pada rentang
yang sama M 1 ≤ M < M 2 dan S ≤ t < T adalah proses Poisson, r ev kemudian dikonversi
menjadi peluang P dari satu atau lebih gempa bumi untukM 1 ≤ M < M 2 selama S ≤ t < T :
P = 1 − exp(− r ev ) (ERC 1998 ). S selalu ditetapkan pada 30 Mei 2012. T berubah untuk
mempertimbangkan durasi evaluasi yang berbeda. Fokus utama kami adalah P untuk gempa
kelas M 7 (6,7 ≤ M <7,2). Selain itu, kami menggunakan kelas M 6 dan 6.5 (5.7 ≤ M <6.2,
6.2 ≤ M <6.7).
Model probabilitas kami dengan seperangkat parameter, yang dihitung untuk kejadian selama
0 ≤ t < S , digunakan secara prospektif untuk meramalkan kegempaan. Kami memperoleh
nilai parameter dari penyesuaian terbaik hukum GR dan OU secara terpisah dan kemudian
menggunakannya untuk perhitungan probabilitas.

HASIL (gambar 1)
Untuk kegempaan pra-gempa (merah pada Gambar. 2 ), ada perubahan skala di sekitar M 4:
di atas dan di bawah besarnya ini, kita melihat kesepakatan yang baik dengan hukum GR
dengan b = 1,0 dan 0,75, masing-masing. Perubahan ini disebabkan oleh cara JMA
mendeteksi dan menemukan kejadian: di bawah M 4, seismometer yang mengukur kecepatan
gerakan lebih banyak digunakan; di atas magnitudo ini, seismometer yang mengukur
perpindahan terutama digunakan. Penyimpangan data dari hukum GR pada M 6 dapat
dikaitkan dengan sejumlah kecil gempa bumi yang sangat besar dalam rentang waktu yang
relatif singkat.

Gambar 2
Distribusi frekuensi-magnitudo gempa sebelum (merah) dan sesudah (biru) gempa Tohoku.
Frekuensi yang diamati untuk periode tertentu dikonversi menjadi frekuensi tahunan. Untuk
kegempaan pra-gempa (merah), kami mempertimbangkan periode yang berbeda untuk
memperhitungkan resolusi pendeteksian peristiwa yang berbeda karena modernisasi jaringan
seismik (Nanjo et al. 2010 ). Kurva untuk resolusi yang berbeda terkait dengan besaran cut-
off yang berbeda saling tumpang tindih. Bintang menunjukkan frekuensi tahunan sebesar
0,04, berbanding terbalik dengan asumsi tingkat Poisson dari probabilitas gempa bumi
dengan M 6,7–7,2 dalam waktu 30 tahun menjadi 70 persen (ERC 2004 ).
Perbandingan dengan kegempaan pra-gempa (merah) menunjukkan bahwa tingkat
kegempaan pasca-gempa (biru) sangat tinggi, menunjukkan bahwa produktivitas kegempaan
meningkat. Selama rentang 4 ≤ M ≤ 6, kemiringan hubungan frekuensi-magnitudo peristiwa
pasca gempa serupa dengan peristiwa pra gempa. Penyimpangan data dari hukum GR untuk
M ≤ 3 dapat dikaitkan dengan besarnya kelengkapan pelaporan jaringan seismik yang
digunakan untuk memelihara katalog JMA (Lampiran S1 dan Gambar S1 dan S2). Gempa
bumi yang lebih kecil segera setelah gempa Tohoku tampaknya hilang, dan ini dianggap
karena tertutup oleh coda gempa Tohoku dan saling tumpang tindih di seismograf.
Kesenjangan serupa juga telah dilaporkan di luar wilayah gempa susulan setiap gempa besar
(Iwata 2008 ). Berbeda dengan kegempaan pra-gempa, tonjolan pada kurva GR di sekitar M4
tidak terlihat jelas. Hal ini disebabkan belum cukup data untuk melihat benjolan tersebut
karena frekuensi kejadian kumulatif pasca gempa diambil berdasarkan data sekitar 1 tahun.
Perhatikan bahwa tidak ada perubahan dalam pengoperasian jaringan seismik antara periode
sebelum dan sesudah gempa, sehingga perbedaan dalam cara mendeteksi dan menemukan
kejadian yang berada di bawah atau di atas M 4 tetap ada setelah gempa Tohoku.
Ekstrapolasi hubungan GR pra-gempa dengan b = 0,955 ± 0,03 dan a = 5,20 (tahun −1 )
tampaknya membuat prediksi frekuensi tahunan gempa bumi kelas M 7 (bintang), yang
dikonversi dari perkiraan probabilistik ERC ( 2004 ) melalui asumsi Poisson. Sebaliknya,
hubungan GR pasca-gempa dengan b = 0,931 ± 0,10 dan a = 5,64 (tahun −1 ) memberikan
frekuensi gempa kelas M 7 yang lebih tinggi daripada perkiraan (bintang) ERC ( 2004 ).
Serupa dengan urutan gempa susulan lainnya, urutan pasca-Tohoku dengan M ≥ 3
berkorelasi baik dengan hubungan OU, dengan p = 0,50 ± 0,04, c = 1,8 × 10 −3 (tahun) dan
K = 2,59 × 10 2 (Gbr. 3 ). Perkiraan untuk M ≥ 3,5 ( p = 0,44 ± 0,09) juga kecil.
Peningkatan kegempaan akibat gempa Tohoku akan bertahan lebih lama daripada kasus
tipikal p = 1. p tidak ditentukan untuk M ≥ 4 karena peristiwa yang dianalisis tidak cukup.
Gambar 3.

Jumlah tahunan λ (yr −1 ) gempa bumi dengan M ≥ 3 (lingkaran) dan M ≥ 3,5 (persegi)
sebagai fungsi dari t (yr). Garis putus-putus vertikal menunjukkan 2012 30 Mei.
Nilai p yang diamati kecil dibandingkan dengan nilai p sebelumnya di wilayah penelitian ini.
Gempa susulan dengan M ≥ 2 setelah gempa 17 Desember 1987 M 6.7 Chiba-Toho-Oki
(140.49°, 35.38°) pada kedalaman 58 km berkorelasi baik dengan hubungan OU, dengan p =
0.96 ± 0.02. Data dengan M ≥ 2,5 lagi menunjukkan p = 0,96 ± 0,03. Urutan gempa susulan
dari peristiwa kelas M 6 lainnya juga menunjukkan nilai p yang lebih tinggi daripada
pengamatan kami.
Untuk Gambar 4 , menunjukkan P sebagai fungsi durasi evaluasi, T – S (yr), kami
menggunakan nilai pasca gempa b = 0,931 ± 0,10 dan a = 5,64 (yr −1 ) untuk relasi GR .
Kami juga menggunakan p = 0,50 ± 0,04 dan c = 1,80 × 10 −2 (tahun) untuk peluruhan OU,
dengan asumsi bahwa nilai ini berlaku untuk peluruhan seismisitas M ≥ 4 peristiwa.
Diketahui S = 2012 30 Mei, P diberikan sebagai fungsi dari T – S (yr). Probabilitas untuk
kelas M 7 (M 6.7–7.2) ditunjukkan pada Gambar 4 (a) dan (b). Misalnya, untuk menggambar
kurva berdasarkan nilai b dan p yang paling sesuai (kurva solid hijau), kami mengganti b =
0,931, a = 5,64, p = 0,50, c = 1,80 × 10 −2 , M 1 = 6,7, M 2 = 7.2 dan S = 2012 30 Mei ke
eq. (A1) dan berikan P = 1 − exp(− r ev ) sebagai fungsi dari T − S . Tingkat pra-gempa
referensi (garis putus-putus dengan area abu-abu) dikonversi dari jumlah yang diharapkanM
6.7–7.2 melalui proses Poisson: P = 1 − exp(− r ev ) dengan r ev = ( T − S )[ N ( M = 6.7) −
N ( M = 7.2)], dengan nilai sebelum gempa dari b = 0.955 ± 0.03 dan a = 5.20 (yr −1 ) dan
dengan tanggal awal S = 2012 30 Mei, dan P diberikan sebagai fungsi dari T − S . Mengikuti
Ishibe et al. ( 2011 ) dan Toda et al. ( 2011), tidak ada dukungan untuk gagasan bahwa gempa
bumi Tohoku memindahkan tekanan dengan cara yang menurunkan kemungkinan di Kanto
selatan. Oleh karena itu kami berasumsi bahwa garis dasar pasca gempa diambil berdasarkan
probabilitas pra gempa dan probabilitas pasca gempa tidak turun di bawah tingkat pra gempa
(baseline pasca gempa). Kurva berdasarkan nilai b dan p yang paling sesuai (kurva padat
hijau) menunjukkan bahwa probabilitas pasca gempa lebih tinggi daripada pra gempa untuk
durasi 3 tahun atau kurang (Gbr. 4b ). Namun, kami dengan jelas melihat bahwa variasi
dalam P muncul dari ketidakpastian dalam b dan p : misalnya (Gbr. 4a ), P = 18–35 persen
selama 5 tahun (batas atas kisaran ini diberikan oleh kurva putus-putus merah, ditunjukkan
oleh p = 0,46 dan b = 0,831, dan batas bawahnya oleh kurva putus-putus biru, ditunjukkan
oleh p = 0,54 dan b = 1,031) dan 35-50 persen selama 10 tahun (kurva yang sama untuk 5
tahun memberikan batas atas dan bawah). Kasus probabilitas terendah di antara variasi ( p =
0,54 dan b = 1,031; kurva putus-putus biru) menunjukkan probabilitas yang sama dengan
tingkat pra-gempa untuk setiap durasi. Dengan demikian, perbedaan probabilitas yang
dihitung untuk periode mendatang dari tingkat sebelum gempa tidak signifikan. Kami
mengamati fitur yang sama untuk kelas M 6.5 (Gambar 4c dan d) dan kelas M 6 (Gambar 4 e
dan f). Analisis yang sama dilakukan untuk nilai p yang lebih kecil ( p = 0,44 ± 0,07) untuk
menangkap skenario probabilitas tinggi (Gbr. S3). Hasilnya mendukung kesimpulan kami.

Gambar 4

Gambar 4.
Probabilitas P sebagai fungsi durasi evaluasi T − S (yr) untuk (a,b) kelas M 7, (c,d) kelas M
6.5 dan (e,f) kelas M 6. S = 2012 30 Mei Luas yang dikelilingi oleh persegi panjang di
(a,c,e) masing-masing sama dengan (b,d,f). Untuk melihat variasi dalam P , yang muncul dari
ketidakpastian dalam b dan p , kami menunjukkan kurva berdasarkan sembilan kombinasi
berbeda dari tiga nilai- b (paling cocok 0,931 dan batas atas dan bawah 1,031 dan 0,831) dan
tiga p-nilai (paling cocok 0,50 dan batas atas dan bawah 0,54 dan 0,46). Probabilitas pra-
gempa dan ketidakpastiannya masing-masing ditunjukkan oleh kurva hitam dan area abu-abu

DISKUSI DAN KESIMPULAN

Kegempaan yang diaktifkan di Kanto selatan setelah gempa Tohoku (Gbr. 1 ) berperilaku
seperti urutan gempa susulan, setidaknya pada tahun pertama setelah peristiwa Tohoku 2011,
dan distribusi frekuensi-magnitudonya dimodelkan dengan baik oleh hukum GR (Gambar 2
dan 3 ). Kami menunjukkan perbedaan yang tidak signifikan dalam probabilitas P dari kelas
M 6-7, relatif terhadap tingkat pra-gempa yang sesuai, jika kami mempertimbangkan variasi
P yang disebabkan oleh kesalahan estimasi dalam b dan p (Gbr. 4 ). Pelajaran yang dipetik di
sini adalah bahwa pendekatan berbasis probabilistik mencakup ketidakpastian yang tinggi,
dan Ptidak dapat dinyatakan dengan nilai tunggal. Variabilitas dalam P yang ditunjukkan
dalam makalah ini merupakan estimasi kasar karena kami hanya mempertimbangkan
kesalahan estimasi dalam b dan p . Kami menyarankan bahwa, di luar kesalahan estimasi
tersebut, faktor lain mempengaruhi variabilitas P . Contoh yang mungkin termasuk (1)
memperkenalkan kesalahan dalam a dan/atau c , (2) memilih wilayah studi yang lebih luas
(atau lebih sempit), (3) memperkirakan nilai parameter GR dan OU dan ketidakpastiannya
secara bersamaan daripada secara terpisah dan (4) memperkenalkan CFF ke dalam
perhitungan probabilitas (Parsons 2005). Mempertimbangkan faktor-faktor ini lebih lanjut
mendukung kesimpulan kami. Seperti yang ditunjukkan pada (3), kami mencoba
memperkirakan nilai parameter GR dan OU secara bersamaan daripada secara terpisah.
Namun, kami menyadari bahwa rangkaian parameter tidak ditentukan untuk kejadian M 4
atau lebih besar dalam kasus kami karena jumlah kejadian tidak cukup untuk
mengidentifikasi solusi unik. Oleh karena itu, ini juga merupakan salah satu faktor yang
mungkin mempengaruhi variabilitas dalam probabilitas dan akan menjadi pekerjaan masa
depan dalam studi kasus yang berbeda.

Kami membuat pilihan model untuk memperkirakan probabilitas pasca-Tohoku, kombinasi

dari hubungan GR dan OU. Model yang lebih canggih seperti model ETAS (misalnya Ogata
1999 ) dapat digunakan sebagai pengganti model OU. Salah satu karakteristik kasus kami
menggunakan relasi OU adalah bahwa p sangat kecil (Gbr. 3 ), relatif terhadap kasus tipikal
dengan p = 1. Jika model ETAS juga memberikan peluruhan lambat yang serupa, maka
penggantian dengan model ETAS menjadi memperkirakan probabilitas tidak diperlukan dan
kami dapat membenarkan penggunaan model sederhana kami. Jika tidak, model ETAS akan
menyebabkan tingkat peluruhan yang berbeda dan akan menjadi pertanyaan menarik untuk
mempertimbangkan penggantian model untuk perkiraan probabilitas. Kami memeriksa
apakah pnilai yang diperoleh dari data yang sesuai dengan model OU serupa dengan model
ETAS (Lampiran S3, Gambar. S4). Kami menemukan bahwa peluruhan lambat tidak
bergantung pada pilihan model peluruhan. Ini menunjukkan bahwa pendekatan berbasis OU
kami (Gbr. 3 ) cukup untuk menangkap aspek penting dari proses relaksasi setelah gempa
Tohoku.
: Hipotesis kerja alternatif untuk penelitian ini adalah mengambil pendekatan waktu-
independen tanpa hukum OU: ekstrapolasi relasi GR untuk peristiwa selama periode 1926
hingga 2012 28 Mei, termasuk kegempaan pascagempa, memberikan prediksi M 7 -Gempa
bumi kelas Kami menemukan bahwa hubungan GR untuk 1926 hingga 2012 28 Mei
menunjukkan kesepakatan yang baik dengan periode 1926–2010, menunjukkan bahwa
aktivasi pasca gempa tidak berkontribusi secara signifikan untuk meningkatkan rata-rata data
selama 86 tahun. Ini merupakan indikasi bahwa itu setara dengan probabilitas pra-gempa
(Gambar 4 dan S3). Dengan demikian, perbedaan yang signifikan pada P , relatif terhadap
tingkat sebelum gempa, lagi-lagi tidak dapat dicapai.

Penggunaan model statistik GR dan OU merupakan alternatif dari pendekatan pemodelan

berbasis fisika. Ini karena model statistik sudah mapan dalam arti bahwa mereka dipahami
dengan baik dan diuji terhadap perilaku kegempaan. Juga, model-model ini lebih sederhana
daripada yang berbasis fisika dan tidak membuat asumsi tentang sifat fisika atau batuan yang
mendasarinya. Mereka dapat dianggap sebagai titik awal referensi untuk setiap penilaian
bahaya, sedangkan model yang lebih halus harus digunakan untuk peramalan hanya jika
mereka terbukti lebih unggul dalam kemampuannya untuk meramalkan kegempaan
(Bachmann et al. 2011 ) .

Melalui kebangkitan baru-baru ini dalam penelitian prediksi gempa di bawah proyek global
Collaboratory for the Study of Earthquake Predictability (CSEP), beberapa peneliti
menyadari bahwa distribusi binominal negatif lebih cocok daripada distribusi Poisson untuk
jumlah gempa bumi di banyak tempat. pengaturan (misalnya Eberhard et al. 2012). Terlepas
dari kesadaran tersebut, prakiraan CSEP hampir selalu ditandai dengan distribusi Poisson.
Kami di sini menggunakan kegempaan di Kanto selatan dan membandingkan antara
distribusi Poisson dan negatif-binomial dalam kesesuaian dengan distribusi jumlah gempa
bumi (Lampiran S4, Gambar. S5 dan Tabel S1 dan S2). Jika distribusi yang terakhir lebih
baik untuk menggambarkan pengamatan, asumsi Poisson tidak tepat dalam pengaturan kami.
Namun, analisis kami tidak menunjukkan bukti bahwa statistik negatif-binomial memberikan
peningkatan kinerja yang signifikan relatif terhadap statistik Poisson. Artinya, kami
membenarkan untuk mengikuti ide ERC ( 1998 ) dan tidak menolak penggunaan asumsi
Poisson untuk studi kasus kami.

Sangat menarik untuk membahas mekanisme nilai p rendah (Gbr. 3 ). Kami menghubungkan
ini dengan tekanan sejarah setelah gempa bumi, dan menjelajahinya dari sudut pandang
hukum gesekan yang bergantung pada laju dan keadaan (misalnya Dieterich 1978 ). Hukum
ini berasal dari eksperimen laboratorium, tetapi berlaku untuk gempa susulan dan
pengelompokan gempa. Berdasarkan Dieterich ( 1994 ), kami berpendapat bahwa proses
creep sesar (afterslip) yang mengendurkan langkah stres, seperti pada gempa Tohoku,
merupakan mekanisme dominan dari laju peluruhan lambat yang teramati.
Dieterich ( 1994 ) meneliti laju kegempaan untuk riwayat tegangan yang terdiri dari langkah
tegangan awal pada t = 0 diikuti dengan tegangan yang bervariasi dengan logaritma waktu.
Ini memberikan contoh efek yang akan muncul dari proses creep yang menambah atau
mengendurkan langkah stres gempa. Dalam kasus peningkatan tegangan yang pertama, kita
melihat p = 1 pada t ≫ 0. Untuk kasus relaksasi tegangan yang terakhir, kita melihat
variabilitas dalam p : p > 1 dan p < 1 masing-masing untuk penurunan tegangan yang cepat
dan lambat. Gambar 8 dari Dieterich ( 1994 ) menyajikan kasus penurunan tegangan lambat
yang dapat mereproduksi peluruhan kegempaan dengan p = 0,5.

Studi nasional (Toda et al. 2011 ) dan khusus Kanto (Ishibe et al. 2011 ) menggunakan CFF
menunjukkan bahwa transfer tegangan selama gempa Tohoku secara instan meningkatkan
tegangan di Kanto selatan. Menggunakan jaringan berdasarkan Global Positioning System,
Ozawa et al. ( 2011 ) menunjukkan bahwa afterslip (pergeseran sesar pada batas lempeng)
telah mulai menindih daerah slip coseismik gempa Tohoku dan meluas ke wilayah sekitarnya.
Area afterslip juga mencapai batas lempeng di bawah Kanto selatan. Studi terperinci tentang
kegempaan batas lempeng di Kanto selatan mendukung afterslip ini, yang menunjukkan
bahwa itu dimulai segera setelah gempa bumi Tohoku (Kimura 2011; Kato & Igarashi 2012 ).
Karena proses mulur dengan tegangan yang bervariasi dengan logaritma waktu berlaku untuk
memodelkan deformasi yang terkait dengan afterslip, kami melihat hubungan erat dengan
sejarah tegangan yang dipertimbangkan oleh Dieterich ( 1994 ). Perbandingan antara prediksi
(Dieterich 1994 ) dan observasi (Gbr. 3 ) menunjukkan relaksasi lambat stres yang
meningkat akibat gempa Tohoku. Studi sistematis yang mengkorelasikan peta afterslip
dengan peta spasial p , menggunakan kasus gempa Tohoku, mendukung gagasan ini.
Afterslip yang meredakan stres di Kanto selatan mengingatkan kita akan potensi redistribusi
stres ke wilayah sekitarnya, menghentikan produksi gempa bumi di beberapa wilayah
sekaligus meningkatkan kegempaan di wilayah lain. Hal ini menunjukkan perlunya pemetaan
spasial dari bahaya yang bergantung pada waktu. Memperluas pendekatan kami ke dalam
peta 3-D dinamis akan membantu menilai potensi gempa dengan lebih baik.

Gempa bumi berukuran kecil dan sedang adalah sumber daya yang tak ternilai untuk
masukan ke model kegempaan Kanto selatan (Gambar 2–4 ). Oleh karena itu, kegempaan
harus terus dipantau. Selain jaringan rutin untuk katalog JMA, jaringan resolusi tinggi yang
lebih padat yang disebut Metropolitan Seismic Observation Network (MeSO-net) baru saja
mulai…
INFORMASI PENDUKUNG
Informasi Pendukung Tambahan dapat ditemukan dalam versi online dari makalah ini:
Gambar S1. Plot M (titik abu-abu) dan M c sebagai fungsi waktu relatif t (tahun) terhadap
gempa Tohoku untuk beberapa rentang kedalaman (km): (a) 0–150, (b) 0–30, (c) 30 –60 dan
(d) 60–150. Lihat Lampiran S1 untuk detailnya.
Gambar S2. Peta M c selama tiga periode (tahun): t = (a) 0–0,4, (b) 0,4–0,8 dan (c) 0,8–1,2.
Lihat Lampiran S1 untuk detailnya.
Gambar S3. Sama seperti Gambar 4 untuk menggunakan p = 0,44 ± 0,07. Membandingkan
dengan Gambar. 4 menunjukkan bahwa durasi probabilitas tinggi lebih lama, menghasilkan
variabilitas probabilitas yang lebih besar: misalnya, pada Gambar. S3a, kita melihat P = 18–
40 persen selama 5 tahun dan 35–60 persen untuk 10 tahun. Kami menemukan peningkatan
yang tidak signifikan dalam probabilitas gempa untuk tiga kelas magnitudo, yang mendukung
kesimpulan kami.
Gambar S4. Grafik yang menunjukkan p sebagai fungsi dari besarnya cut-off yang lebih
rendah. Segitiga: nilai p berdasarkan data fit model OU (Lihat Gambar. 3 untuk kasus M 3.0
dan M 3.5). Kotak dan lingkaran: nilai p berdasarkan kecocokan data dari model ETAS
sederhana (sementara) untuk kasus μ (mewakili tingkat kegempaan latar belakang) ditetapkan
masing-masing menjadi 0 dan μ sebagai parameter yang dioptimalkan. Tidak ada nilai p yang
ditampilkan untuk beberapa kasus pemasangan OU dan pemasangan ETAS dengan μ-
optimasi nilai karena jumlah peristiwa tidak cukup untuk mengidentifikasi solusi unik. Garis
horizontal menunjukkan p = 1.
Gambar S5. Jumlah gempa M ≥ 5,5 yang diamati dalam katalog pra-Tohoku. (Kiri) Grafik
batang menunjukkan jumlah gempa bumi dalam 16 periode tidak tumpang tindih dengan
durasi 5 tahun. Garis padat menunjukkan jumlah rata-rata peristiwa yang diamati (ϕ = 4,44).
(Kanan) Fungsi distribusi kumulatif (garis hitam solid) dari tingkat gempa dari histogram
bingkai kiri. Garis solid berwarna abu-abu: Distribusi Poisson dengan ϕ = 4,44; garis putus-
putus: distribusi binomial negatif dengan ν = 0,68 dan τ = 9,43. Nilai AIC ditampilkan.
Tabel S1. Perbandingan antara distribusi Poisson dan negatif-binomial untuk data pra-
Tohoku.
Tabel S2. Sama seperti Tabel S1 untuk data pasca-Tohoku.

Lampiran S1. Besaran kelengkapan dalam ruang dan waktu

Lampiran S2. Pendekatan gabungan dari hubungan GR dan OU

Lampiran S3. Perbandingan antara model peluruhan OU dan ETAS

Lampiran S4. Perbandingan antara distribusi poisson dan negatif-binomial (Data Tambahan ).

Harap diperhatikan: Oxford University Press tidak bertanggung jawab atas konten atau fungsi
dari materi pendukung yang disediakan oleh penulis. Setiap pertanyaan (selain materi yang
hilang) harus diarahkan ke penulis yang sesuai untuk makalah tersebut.