Beyond Receiver Functions: Green's Function Estimation by Transdimensional Inversion and Its Application to OBS Data
Notice bibliographique
Résumé
Abstract Receiver functions, calculated by deconvolving P (or vertical) component records of teleseismic waveforms from the corresponding SV (or radial) components, have been widely used to obtain receiver‐side Green's functions in an approximate form. Conventional receiver function methods, however, often fail due to numerical instability of the deconvolution and strong multiples on the P components. These problems become severe when analyzing in high frequency and using data from ocean bottom seismometers (OBSs). We present a novel technique to estimate Green's functions of receiver‐side structure from teleseismic P waveforms. In this method, two components of Green's functions, which are assumed to form a series of pulses, are directly related in a single equation without explicit deconvolution. Based on the equation, we construct posterior probability distributions regarding the number of pulses, their timing, and amplitudes within a transdimensional Bayesian framework. A reversible‐jump Markov chain Monte Carlo method is used for this purpose, and we further utilize a parallel tempering method to achieve rapid convergence. Synthetic tests and application to an OBS installed at the Yamato Basin, the Sea of Japan, show that the proposed method can estimate radial‐component Green's functions more accurately than conventional receiver function methods. We suggest that the high‐frequency Green's functions estimated by the new method can be used to reveal fine‐scale (in order ~100 m) structure of the seafloor sediment.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 | 0,001 |
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 ».