Accounting for theory errors with empirical Bayesian noise models in nonlinear centroid moment tensor estimation
Notice bibliographique
Résumé
SUMMARY Centroid moment tensor (CMT) parameters can be estimated from seismic waveforms. Since these data indirectly observe the deformation process, CMTs are inferred as solutions to inverse problems which are generally underdetermined and require significant assumptions, including assumptions about data noise. Broadly speaking, we consider noise to include both theory and measurement errors, where theory errors are due to assumptions in the inverse problem and measurement errors are caused by the measurement process. While data errors are routinely included in parameter estimation for full CMTs, less attention has been paid to theory errors related to velocity-model uncertainties and how these affect the resulting moment-tensor (MT) uncertainties. Therefore, rigorous uncertainty quantification for CMTs may require theory-error estimation which becomes a problem of specifying noise models. Various noise models have been proposed, and these rely on several assumptions. All approaches quantify theory errors by estimating the covariance matrix of data residuals. However, this estimation can be based on explicit modelling, empirical estimation and/or ignore or include covariances. We quantitatively compare several approaches by presenting parameter and uncertainty estimates in nonlinear full CMT estimation for several simulated data sets and regional field data of the Ml 4.4, 2015 June 13 Fox Creek, Canada, event. While our main focus is at regional distances, the tested approaches are general and implemented for arbitrary source model choice. These include known or unknown centroid locations, full MTs, deviatoric MTs and double-couple MTs. We demonstrate that velocity-model uncertainties can profoundly affect parameter estimation and that their inclusion leads to more realistic parameter uncertainty quantification. However, not all approaches perform equally well. Including theory errors by estimating non-stationary (non-Toeplitz) error covariance matrices via iterative schemes during Monte Carlo sampling performs best and is computationally most efficient. In general, including velocity-model uncertainties is most important in cases where velocity structure is poorly known.
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 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 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 ».