Robust Empirical Time–Frequency Relations for Seismic Spectral Amplitudes, Part 2: Model Uncertainty and Optimal Parameterization
Notice bibliographique
Résumé
ABSTRACT In a companion article, Safarshahi and Morozov (2020) argued that construction of distance- and frequency-dependent models for seismic-wave amplitudes should include four general elements: (1) a sufficiently detailed (parametric or nonparametric) model of frequency-independent spreading, capturing all essential features of observations; (2) model parameters with well-defined and nonoverlapping physical meanings; (3) joint inversion for multiple parameters, including the geometrical spreading, Q, κ, and source and receiver couplings; and (4) the use of additional dataset-specific criteria of model quality, while fitting the logarithms of seismic amplitudes. Some of these elements are present in existing models, but, taken together, they are poorly understood and require an integrated approach. Such an approach was illustrated by detailed analysis of an S-wave amplitude dataset from southern Iran. The resulting model is based on a frequency-independent Q, and matches the data closer than conventional models and across the entire epicentral-distance range. Here, we complete the analysis of this model by evaluating the uncertainties and trade-offs of its parameters. Two types of trade-offs are differentiated: one caused by a (possibly) limited model parameterization and the second due to statistical data errors. Data bootstrapping shows that with adequate parameterization, attenuation properties Q, κ, and geometrical spreading parameters are resolved well and show moderate trade-offs due to measurement errors. Using the principal component analysis of these trade-offs, an optimal (trade-off free) parameterization of seismic amplitudes is obtained. By contrast, when assuming theoretical values for certain model parameters and using multistep inversion procedures (as commonly done), parameter trade-offs increase dramatically and become difficult to assess. In particular, the frequency-dependent Q correlates with the distribution of the source and receiver-site factors, and also with biases in the resulting median data residuals. In the new model, these trade-offs are removed using an improved parameterization of geometrical spreading, constant Q, and model quality constraints.
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 | 0,011 | 0,048 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».