Optimization of the Match‐Filtering Method for Robust Repeating Earthquake Detection: The Multisegment Cross‐Correlation Approach
Notice bibliographique
Résumé
Abstract Waveform match‐filtering (MF), based on cross‐correlation between an earthquake pair, is a powerful and widely used tool in seismology. However, its performance can be severely affected by several factors, including the length of the cross‐correlation window, the frequency band of the applied digital filter, and the presence of a large‐amplitude phase(s). To optimize the performance of MF, we first systematically examine the effects of different operational parameters and determine the generic rules for selecting the window length and the optimal frequency passband. To minimize the influence of a large‐amplitude phase(s), we then propose a new approach, namely, MF with multisegment cross‐correlation (MFMC). By equally incorporating the contributions from various segments of the waveforms, this new approach is much more sensitive to small separation between two sources compared to the conventional MF method using the entire waveform template. To compare the reliability and effectiveness of both methods in capturing interevent source separation and identifying repeating earthquakes, we systematically conduct experiments with both synthetic data and real observations. The results demonstrate that the conventional MF method can detect the existence of an event but sometimes lacks the resolution to tell whether the template and detected events are co‐located or not, whereas MFMC works in all cases. The far‐reaching implication from this study is that inferring source separation between an earthquake pair based on the conventional MF method, particularly with data from a single channel/station, may not be reliable.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».