The influence of nonuniform ambient noise on crustal tomography in Europe
Notice bibliographique
Résumé
Abstract Ambient‐noise seismology is of great relevance to high‐resolution crustal imaging, thanks to the unprecedented dense data coverage it affords in regions of little seismicity. Under the assumption of uniformly distributed noise sources, it has been used to extract the Green's function between two receivers. We determine the imprint of this assumption by means of wave propagation and adjoint methods in realistic 3‐D Earth models. In this context, we quantify the sensitivity of ambient‐noise cross‐correlations from central Europe with respect to noise‐source locations and shear wave‐speed structure. We use ambient noise recorded over 1 year at 196 stations, resulting in a database of 864 cross‐correlations. Our mesh is built upon a combined crustal and 3‐D tomographic model. We simulate synthetic ambient‐noise cross‐correlations in different frequency bands using a 3‐D spectral‐element method. Traveltime cross‐correlation measurements in these different frequency bands define the misfit between synthetics and observations as a basis to compute sensitivity kernels using the adjoint method. We perform a comprehensive analysis varying geographic station and noise‐source distributions around the European seas. The deterministic sensitivity analysis allows for estimating where the starting crustal model shows better accordance with our data set, and gain insight into the distribution of noise sources in the European region. This highlights the potential importance of considering localized noise distributions for tomographic imaging, and forms the basis of a tomographic inversion in which the distribution of noise sources may be treated as a free parameter similar to earthquake tomography.
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 | 0,001 |
| 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) | 0,000 | 0,000 |
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 ».