Three‐Dimensional Surface Displacements During the 2016 <i>M</i><sub><i>W</i></sub> 7.8 Kaikōura Earthquake (New Zealand) From Photogrammetry‐Derived Point Clouds
Notice bibliographique
Résumé
Abstract High‐resolution, three‐dimensional (3‐D) measurements of surface displacements during earthquakes can provide constraints on fault geometry and near‐surface slip and also quantify on‐fault and off‐fault deformation. However, measurements of surface displacements are often hampered by a lack of high‐resolution preearthquake elevation data, such as lidar. For example, preearthquake lidar for the 2016 M W 7.8 Kaikōura, New Zealand, earthquake only covers ≲10% of ~180 km of mapped surface ruptures. To overcome a lack of preearthquake lidar, we measure 3‐D coseismic displacements during the Kaikōura earthquake using point clouds generated from aerial photographs. From these point clouds, which cover the whole area of the 2016 surface ruptures, it is possible to measure 3‐D displacements to within ±0.2 m. We measure coseismic slip and estimate the geometries of faults in the steep, inaccessible Seaward Kaikōura mountains, where postearthquake field observations are very sparse. The Jordan Fault (previously the Jordan Thrust) ruptured in 2016 as a moderate‐to‐steeply dipping (~50–80°), predominantly strike‐slip fault. Slip on this fault in 2016—which included a normal‐sense component in some areas—contrasts with field observations that indicate significant longer‐term shortening across the Jordan Fault during the Holocene. It is therefore likely that different earthquakes on the Jordan Fault have very different slip vectors and that the fault does not exhibit “characteristic” slip behavior. For faults like the Jordan Fault, long‐term time‐averaged estimates of slip rate may not be reliable indicators of the sense and magnitude of slip in individual earthquakes.
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 | 0,001 |
| 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 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».