Using COVID19 as an Opportunity to Measure Seismic Silences and Bring Geoscience Projects to Students
Notice bibliographique
Résumé
On 11 March 2020, the World Health Organization declared Covid19 a pandemic. Countries around the world rushed to declare various states of emergencies. Canada also implemented emergency measures to restrict the movements of people including the closure of borders, non-essential services, and schools and offices to slow the spread of Covid19. I used this opportunity to measure changes in seismic vibrations registered in Canada before, during, and after the lockdown due to the slowdown in transportation, economic, and construction activities. I analyzed continuous seismic data for 6 Canadian cities: Calgary and Edmonton (Alberta), Montreal (Quebec), Ottawa, and Toronto (Ontario), and Yellowknife (Northwest Territories). These cities represented the wide geographical spread of Canada. The source of data was seismic stations run by the Canadian National Seismograph Network (CNSN). Python and ObSpy libraries were used to convert raw data into probabilistic power spectral densities. The seismic vibrations in the PPSDs that fell between 4 Hz and 20 Hz were extracted and averaged for every two weeks period to determine the trend of seismic vibrations. The lockdown had an impact on seismic vibrations in almost all the cities I analyzed. The seismic vibrations decreased between 14% - 44% with the biggest decrease in Yellowknife in the Northwest Territories. In the 3 densely populated cities with a population of over 1 million - Toronto, Montreal, and Calgary, the vibrations dropped by over 30%. To enable other students to undertake similar projects for their cities, I created a comprehensive online training module using Jupyter notebooks available on Github. Students can learn about seismic vibrations, how to obtain datasets, and analyze and interpret them using Python. They can share their findings with local policymakers so that they become aware of the effectiveness of the lockdown imposed and are better prepared for lockdowns in the future. When we make data and technology accessible, then lockdowns because of pandemics can be an opportunity for students to take up practical geoscience projects from home or virtual classrooms.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,004 |
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 ».