Modeling long‐term volcanic hazards through Bayesian inference: An example from the Tohoku volcanic arc, Japan
Notice bibliographique
Résumé
The need to quantitatively estimate future locations of volcanoes in the long‐term is of increasing importance, partly as a result of the requirement of constructing certain types of installations in regions of low geologic risk. The complex geological factors and natural processes controlling the locations of volcanoes make it problematic to estimate future patterns deterministically. Instead, the probabilistic approach can be developed with quite high levels of confidence; however, for regions with few or no volcanoes, there is a need to include additional geological and geophysical data that may indicate the likelihood of future volcanism. We achieve this using Bayesian inference in the Tohoku volcanic arc, Japan, in order to combine one or more sets of geophysical information to a priori assumptions of volcano spatiotemporal distributions yielding modified a posteriori probabilities. The basic a priori assumption is that new volcanoes will not form far from existing ones and that such a distribution ranges from Gaussian (not so conservative) to Cauchy (conservative). Seismic tomographs are used as an indirect clue, and from this geophysical data a likelihood function is generated in the Bayesian context that updates or fine tunes the initial Gaussian or Cauchy kernels to better reflect the distribution of future volcanism. These models are evaluated using pre‐100 ka volcanic events to forecast locations of subsequent events that actually formed from 100 kyr ago to present. Probabilities in Tohoku region range from 10 −10 /yr between clusters and up to 9.8 × 10 −6 /yr near the centers of clusters.
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 | 0,001 | 0,000 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».