Evaluation of Cross-Correlation Methods on a Massive Scale for Accurate Relocation of Seismic Events in East Asia
Notice bibliographique
Résumé
A weakness of traditional methods of seismic event location is their susceptibility to errors in picking arrival times of regional phases such as Pn, Pg, and teleseismic phases. We evaluate the practical utility of waveform cross-correlation as a way to reduce or remove pick error, applied to large datasets in seismically active regions of East Asia, for purposes of obtaining significant improvements in event location. Key ideas in this project emerged during 2000-2003 from work of a Lamont-led consortium to calibrate stations in East Asia. Thus, we found for a number of regions that one of the best methods for obtaining ground truth events was to use waveform cross-correlations that enabled excellent (sub-kilometer) precision in relative locations. Additional (often, non-seismic) information then allowed absolute locations to be estimated. A preliminary study of China has shown that 1300 out of 14,000 earthquakes (approximately 9%) exhibit high cross-correlations with at least one other earthquake, and on this basis we have found 494 sets of cross correlated multiplets, ranging from doublets to one multiplet with 26 events. We apply waveform cross correlations to the problem of event location in four project areas, namely China, parts of Eastern Canada, the Central United States (New Madrid), and (for purposes of validation of our overall method) California. For each project area, we carry out the three steps of data acquisition (digital waveforms, traditional phase picks, catalog information), waveform cross-correlations (exploring the effects of different filters, spatial event separation, and differences in magnitude), and event location (double-difference). We produce data sets of waveforms, cross-correlation measurements of arrival differences, and sets of precise locations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».