Support Vector Machine Classification of Seismic Events in the Tianshan Orogenic Belt
Notice bibliographique
Résumé
Abstract Discriminating between various types of seismic events is of significant scientific and societal importance. We use a machine learning method employing support vector machine (SVM) to classify tectonic earthquakes (TEs), quarry blasts (QBs), and induced earthquakes (IEs) among 30,181 1.5 < M L <2.9 seismic events that occurred in the Tianshan orogenic belt in China from 2009 to 2017. SVM classifiers are derived based on discriminant features of a training data set consisting of 1,400 TEs selected from the aftershock sequences of 18 M L ≥ 5.0 earthquakes, 2,881 QBs from repeating events occurring in those areas with a percentage of event daytime occurrence greater than 0.9, and 987 IEs from events in the known oil/gas fields and water reservoirs. The discriminant features include spectral amplitudes of observed P and S wave signals in a frequency range of 1–15 Hz normalized by the P spectrum and averaged over the entire seismic network, and an optional feature of the percentage of event daytime occurrence. Statistics analyses indicate that the accuracies of the SVM classifiers are 99.81% for TEs, 99.93% for QBs, and 99.62% for IEs. Our classification indicates that 37.57% of the seismic events are QBs occurring in possible mine areas and appearing mostly as clusters with a percentage of event daytime occurrence greater than 0.9, 50.12% are TEs occurring in various thrust faults in the Tianshan orogenic belt, and 12.31% are IEs or shallow tectonic earthquakes occurring mostly as clusters near oil and gas fields and water reservoirs. We reevaluate b values in the region and obtain relatively uniform values for the classified TEs with most of them below 1.0, as opposed to a large range of values (0.5–2.7) when all the seismic events are used in the analysis.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».