Mapping Seismic Tonal Noise in the Contiguous United States
Notice bibliographique
Résumé
Abstract A subset of seismic signals generated in industrial environments displays spectral peaks organized in sequences of fundamental frequencies with multiple overtones, which we refer to as tonal noise (TN). Using one year of data from each of 1732 stations in the USArray Transportable Array, we detected around 1.5 million TN sequences in the contiguous United States, which corresponds (on average) to around 2.4 detections per day (869 detections per year) at each station. TN across the continent is clustered around specific regions and frequencies. The majority (>70%) of stations in the 90th percentile of total detection numbers (more than 2100 detections per year) are concentrated in the Interior Plains, Canadian Shield, and Appalachian Highlands. We found that the fundamental frequencies of all TN detections are concentrated in six spectral bands with value ranges of 0.9–0.95, 1.8–1.85, 2.5–2.55, 3.3–3.35, 5–5.05, and 5.45–5.5 Hz with around 104, 37, 46, 37, 62, and 45 thousand detections, respectively. Detections in these bands account for around 22% of all detections. We suggest that large regions with similar TN are related to noise from industrial activities driven by physiographic characteristics such as favorable winds or abundance of water (wind and hydroelectric power generators). The presence of TN and other spectrally discrete components in the seismic wavefield is a ubiquitous feature in the seismic background. This type of noise has the potential to affect subsurface imaging efforts by introducing potentially static and continuous sources of noise. The effects of TN can be especially significant as near-surface imaging studies move toward utilizing higher frequency (>1 Hz) for ambient seismic noise.
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 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».