Seismic inversions of large, rapid landslides: what they can and cannot tell us about event dynamics
Notice bibliographique
Résumé
Researchers are increasingly incorporating force histories derived from long-period seismic waves into multidisciplinary studies of large, rapid landslides. The force history can provide important information about what happened during failure — information that complements data available from field investigations and remote sensing analyses. It can also provide additional constraints on the dynamics of landslide motion than can be used to validate and/or calibrate numerical landslide models. However, the inversions need to be of high quality and must be interpreted properly. Because this technique is relatively new, we are still discovering how to best conduct inversions to obtain robust results and how to appropriately interpret these results. In this study, we run numerical models of landslides with idealized source and path geometries using two different modeling packages, DAN3D and D-Claw, and we use the model outputs to generate synthetic long-period seismic data. Both models use depth-averaged flow equations over 3D topography, with DAN3D using semi-empirical material rheologies and D-Claw using a two-phase granular and fluid flow approach. To examine the influence of station azimuthal coverage and distance, we synthesize seismic data for a wide range of possible station configurations. We then use these synthetic seismic data to conduct seismic inversions using the recently released open-source Python-based software package, lsforce (https://code.usgs.gov/ghsc/lhp/lsforce). In doing these inversions, we add differing levels and types of noise, vary the inversion options (e.g., frequency range, regularization techniques) and then compare the results to the “known” dynamics of the modeled idealized landslides. We aim to understand common artefacts, limitations, and other potential pitfalls in interpretation, to guide the inversion process in future studies. We repeat this process for idealized landslides of increasing complexity, including multi-part failures, sinuous paths, and gradual versus sudden initiations, to simulate how these characteristics are reflected in the force history and to better understand what level of detail can be constrained from the seismic inversion. This work will help guide researchers to obtain more reliable information about landslide dynamics from seismic inversions in future landslide studies.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».