Uncovering the physical controls of deep subduction zone slow slip using supervised classification of subducting plate features
Notice bibliographique
Résumé
Summary Deep slow slip events (SSEs) at subduction zones have significantly contributed to refining our understanding of the megathrust earthquake cycle at the brittle-ductile transition. However, the specific combination of factors that determine their occurrence has not yet been fully explored. Here we evaluate the contribution of several of these characteristics using globally mapped geophysical data that are used as proxies for physical properties of the subducting plate. This is performed by classifying 25 km-wide, trench-parallel segments into binary classes based on the observation (or lack thereof) of deep, short- or long-term SSEs. The five characteristics explored here include subducting plate age, sediment thickness, relative plate velocity, slab dip, and plate surface roughness. We use these characteristics to train six Machine Learning models based on different learning algorithms: Gaussian Naïve Bayes, Logistic Regression, Linear Discriminant Analysis, Random Forest, Support Vector Machine, and K-Nearest Neighbour. Short-term SSE models show that subducting plate age, relative velocity, and sediment thickness have the strongest predictive power with the first two characteristics negatively correlating and sediment thickness positively correlating with SSE occurrence, respectively. These results are consistent with a conceptual model where slow slip is controlled by conditions favoring the enduring release (and possible storage) of fluids near the source region. However, the relationship between these features and elevated pore fluid pressures is not established here and further evidence is needed to validate this hypothesis. We then use a final model constructed as a weighted average of the best performing models to make predictions on the probability of SSE occurrence, with predicted short-term SSE occurrence in South America, the Aleutians, Sumatra, Vanuatu and Solomon, as well as long-term SSE occurrence in the Aleutians, Izu-Bonin, Kuril-Kamchatka, Mariana, and Tonga-Kermadec. Overall, long-term SSE models do not perform as well as the short-term SSE models which may indicate that long-term SSEs are controlled by a different and/or extended set of physical characteristics than the short-term SSEs.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| 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 | 0,000 |
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 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 ».