Graphics Processing Unit-Based Match and Locate (GPU-M&L): An Improved Match and Locate Method and Its Application
Notice bibliographique
Résumé
Abstract Microearthquake detection and location are critical for understanding earthquake mechanisms and mitigating seismic hazards. Match and locate (M&L) is an effective method for simultaneously detecting and locating small earthquakes. However, the heavy computational demands of the M&L make it challenging to apply to big data. In this article, we develop an improved M&L method—called graphics processing unit-based M&L (GPU-M&L). The GPU-M&L differs from the M&L in two ways: (1) adding weighting factor for each component of templates to improve the detection ability and (2) implementing the M&L method on GPU to accelerate the computation. Synthetic tests show the GPU-M&L can not only handle smaller earthquakes than the M&L but also perform 4.5 times faster than the M&L parallelly programed on central processing unit. As an example, we utilize the GPU-M&L to study the seismic activity during seven days after the 2015 Ms 5.8 Alxa, China, earthquake (from 15 to 21 April 2015). Using 38 cataloged earthquakes as templates, we detect ∼20 times more events than in the routine catalog. The distribution of those detected events, along with focal mechanisms of large events, suggests that the 2015 Ms 5.8 earthquake occurred on an east–west-trending hidden strike-slip fault.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».