Retrieving surface waves from ambient seismic noise using seismic interferometry by multidimensional deconvolution
Notice bibliographique
Résumé
Abstract Retrieving virtual source surface waves from ambient seismic noise by cross correlation assumes, among others, that the noise field is equipartitioned and the medium is lossless. Violation of these assumptions reduces the accuracy of the retrieved waves. A point‐spread function computed from the same ambient noise quantifies the associated virtual source's spatial and temporal smearing. Multidimensional deconvolution (MDD) of the retrieved surface waves by this function has been shown to improve the virtual source's focusing and the accuracy of the retrieved waves using synthetic data. We tested MDD on data recorded during the Batholiths experiment, a passive deployment of broadband seismic sensors in British Columbia, Canada. The array consisted of two approximately linear station lines. Using 4 months of recordings, we retrieved fundamental‐mode Rayleigh waves (0.05–0.27 Hz). We only used noise time windows dominated by waves that traverse the northern line before reaching the southern (2.5% of all data). Compared to the conventional cross‐correlation result based on this subset, the MDD waveforms are better localized and have significantly higher signal‐to‐noise ratio. Furthermore, MDD corrects the phase, and the spatial deconvolution fills in a spectral ( f , k domain) gap between the single‐frequency and double‐frequency microseism bands. Frequency whitening of the noise also fills the gap in the cross‐correlation result, but the signal‐to‐noise ratio of the MDD result remains higher. Comparison of the extracted phase velocities shows some differences between the methods, also when all data are included in the conventional cross correlation.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».