Crust and Upper Mantle Structure of the South China Sea and Adjacent Areas From the Joint Inversion of Ambient Noise and Earthquake Surface Wave Dispersions
Notice bibliographique
Résumé
Abstract In this study, we built a high‐resolution 3D S‐wave velocity model of the South China Sea (SCS) and adjacent areas by the joint inversion of surface wave dispersions retrieved from ambient noise and earthquake data. We first measured Rayleigh wave phase velocity dispersions from the waveforms recorded by 94 broadband seismic stations. Subsequently, we used a generalized least squares inversion scheme with spatially varying resolution to perform 2D tomographic inversion at different periods. Lastly, we performed 1D inversion at different grid points and obtained the 3D S‐wave velocity model in the depth range of 15–250 km. Our model reveals a prominent high velocity (high‐V) anomaly beneath the SCS basin and shows that the lithosphere beneath the SCS basin is about 70–80 km thick. We observe a prominent low velocity (low‐V) anomaly in the asthenosphere beneath the SCS basin, and we interpret this as evidence for the ongoing partial melting of the asthenosphere. An obvious high‐V anomaly is also revealed beneath the Khorat Plateau (KP) in the depth range of 80–150 km, suggesting that the KP has a cold and thick lithosphere and has suffered limited destruction in the Cenozoic era. In the northern part of Kalimantan Island (KI), a prominent low‐V anomaly is shown in the upper 60 km of the lithosphere revealing the upwelling of the asthenosphere. Our findings shed lights on the tectonic evolution of the SCS and adjacent areas.
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) | 0,000 | 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 ».