Integrating Magnetotelluric and Seismic Images of Silicic Magma Systems: A Case Study From the Laguna del Maule Volcanic Field, Central Chile
Notice bibliographique
Résumé
Abstract Imaging silicic systems using geophysics is challenging because many interrelated factors (e.g., temperature, melt fraction, melt composition, geometry) can contribute to the measured geophysical anomaly. Joint interpretation of models from multiple geophysical methods can better constrain interpretations of the subsurface structure. Previously published resistivity and shear wave velocity (Vs) models, derived separately from magnetotelluric (MT) and surface wave seismic data, respectively, have been used to model the restless Laguna del Maule Volcanic Field, central Chile. The Vs model contains a 450 km 3 low‐velocity zone (LVZ) interpreted as a region with an average melt fraction of 5–6%. The resistivity model contains a conductor (C3) interpreted as a region with a melt fraction >35%. The spatial extents of the LVZ and C3 overlap, but the geometries and interpretations of these features are different. To resolve these discrepancies, this study investigates the resolution of the MT data using hypothesis testing and constrained MT inversions. It is shown that the MT data are best fit with discrete conductors embedded within the larger LVZ. The differences between the MT and seismic models reflect resolution differences between the two data sets as well as varying sensitivities to physical properties. The MT data are sensitive to smaller volumes of extractable mush that contain well‐connected crystal‐poor melt (C3). The seismic data have lower spatial resolution but image the full extent of the poorly connected crystal‐rich magma storage system. The combined images suggest that the LdMVF magma plumbing system is thermally heterogeneous with coexisting zones of warm and cold storage.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».