Nonlinear Multiple Earthquake Location and Velocity Estimation in the Canadian Rocky Mountain Trench
Notice bibliographique
Résumé
ABSTRACT The calculation of earthquake hypocenters requires careful treatment, particularly when prior knowledge of the study area is limited. The prior knowledge, such as wave velocity and data noise, is often assumed to be known in earthquake location algorithms. Such assumptions can greatly simplify the inverse problem but are less general than nonlinear approaches. A nonlinear treatment is of particular importance when the uncertainty quantification of locations is of interest. We present a nonlinear multiple-earthquake location method that is applicable when little prior knowledge of the area exists. Efficient Markov chain Monte Carlo (MCMC) sampling is employed in conjunction with a hierarchical Bayesian model that treats earthquake hypocenter parameters, as well as P-wave velocity, ratio in P-/S-wave velocities, and P- and S-data noise standard deviations as unknown. Hypocenters for multiple earthquakes are located concurrently to provide sufficient constraints for the parameter’s P-wave velocity, ratio in P-/S-wave velocity, and P- and S-data noise standard deviations, which are shared among events. The algorithm is applied to simulated and field data. With field data, 47 event hypocenters are located in 1 yr of data from 10 sensors in the Canadian Rocky Mountain trench. To analyze the probabilistic solutions, we compare single-earthquake and multiple-earthquake locations for the 47 events and find that the multiple-earthquake location produces better-constrained solutions when compared with the single-event case. In particular, depth uncertainties are significantly reduced for the multiple-earthquake location. The algorithm is inexpensive, considering that it is based on an MCMC approach and highly objective, requiring little practitioner choice for tuning.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».