Singular spectrum analysis and its applications in mapping mantle seismic structure
Notice bibliographique
Résumé
Seismic discontinuities are fundamental to the understanding of mantle composition and dynamics. Their depths and impedance contrasts are generally determined using secondary phases such as SS precursors and P-to-S converted waves. However, analysing and interpreting these weak signals often suffer from incomplete data coverage, high noise levels and interfering seismic arrivals, especially near tectonically complex regions such as subduction zones. To overcome these pitfalls, we adopt a singular spectrum analysis (SSA) method to remove random noise, reconstruct missing traces and enhance the robustness of SS precursors and P-to-S conversions from mantle seismic discontinuities. Our method takes advantage of the predictability of time series in the frequency–space domain and performs rank reduction using a singular value decomposition of the trajectory matrix. We apply SSA to synthetic record sections as well as the observations of (1) SS precursors beneath the northwestern Pacific subduction zones, and (2) P-to-S converted waves from southwestern Canada. In comparison with raw or interpolated data, the SSA enhanced seismic sections exhibit greater resolution due to the suppression of random noise (which reduces signal amplitude during standard averaging procedures) through rank reduction. SSA also enables an effective separation of the SS precursors from the postcursors of S-wave core diffractions. This method will greatly benefit future analyses of weak crustal and mantle seismic phases, especially when data coverages are less than ideal.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».