Tremor Waveform Denoising and Automatic Location with Neural Network Interpretation
Notice bibliographique
Résumé
<p>Active faults release tectonic stress imposed by plate motion through a spectrum of slip modes, from slow, aseismic slip, to dynamic, seismic events. Slow earthquakes are often associated with tectonic tremor, non-impulsive signals that can easily be buried in seismic noise and go undetected. </p><p>We present a new methodology aimed at improving the detection and location of tremors hidden within seismic noise. After detecting tremors with a classic convolutional neural network, we rely on neural network attribution to extract core tremor signatures. By identifying and extracting tremor characteristics, in particular in the frequency domain, the attribution analysis allows us to uncover structure in the data and denoise input waveforms. In particular, we show that these cleaned signals correspond to a waveform traveling in the Earth's crust and mantle at wavespeeds consistent with local estimates. We then use these cleaned waveforms to locate tremors with standard array-based techniques. </p><p>We apply this method to the Cascadia subduction zone. We analyze a slow slip event that occurred in 2018 below the southern end of the Vancouver Island, Canada, where we identify tremor patches consistent with existing catalogs. Having validated our new methodology in a well-studied area, we further apply it to various tectonic contexts and discuss the implications of tremor occurrences in the scope of exploring the interplay between seismic and aseismic slip.</p>
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».