A Regional Seismic Travel Time Model for North America
Notice bibliographique
Résumé
Abstract : Monitoring seismic events at ever-lower magnitude thresholds requires the utilization of seismic stations that are close to the event. The proliferation of seismic stations across the globe results in lower seismic detection thresholds because more stations are likely to be at regional distance to an event. However, utilization of arrival time data at regional distances often results in degraded location accuracy, because large variations in regional crust and upper-mantle structure can result in large travel time prediction errors. We have completed the data compilation needed to extend RSTT tomography to North America. That effort includes integration into our database of data provided by the NEIC and picks provided by the Array Network Facility for USArray stations. The integrated data have been relocated and epicenter accuracy criteria applied. Pick outliers have been identified based on overall statistics and comparison with neighboring data. Summary rays for the Pn data (Figure 3) provide excellent ray coverage across western North America, good coverage across the eastern U.S., poor coverage across central and eastern Canada. Preliminary tomographic results use a starting model that is based on CRUST2.0. We find that modification to CRUST2.0 are needed. Nonetheless, preliminary tomographic results are consistent with known velocities for major tectonic provinces. Tests of travel-time prediction based on a validation data set (Figure7) show approximately 25% reduction in the standard deviation of residuals. 2010 Monitoring Research Review: Ground-Based Nuclear Explosion Monitoring Technologies 316
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».