LOC-FLOW: An End-to-End Machine Learning-Based High-Precision Earthquake Location Workflow
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract The ever-increasing networks and quantity of seismic data drive the need for seamless and automatic workflows for rapid and accurate earthquake detection and location. In recent years, machine learning (ML)-based pickers have achieved remarkable accuracy and efficiency with generalization, and thus can significantly improve the earthquake location accuracy of previously developed sequential location methods. However, the inconsistent input or output (I/O) formats between multiple packages often limit their cross application. To reduce format barriers, we incorporated a widely used ML phase picker—PhaseNet—with several popular earthquake location methods and developed a “hands-free” end-to-end ML-based location workflow (named LOC-FLOW), which can be applied directly to continuous waveforms and build high-precision earthquake catalogs at local and regional scales. The renovated open-source package assembles several sequential algorithms including seismic first-arrival picking (PhaseNet and STA/LTA), phase association (REAL), absolute location (VELEST and HYPOINVERSE), and double-difference relative location (hypoDD and GrowClust). We provided different location strategies and I/O interfaces for format conversion to form a seamless earthquake location workflow. Different algorithms can be flexibly selected and/or combined. As an example, we apply LOC-FLOW to the 28 September 2004 Mw 6.0 Parkfield, California, earthquake sequence. LOC-FLOW accomplished seismic phase picking, association, velocity model updating, station correction, absolute location, and double-difference relocation for 16-day continuous seismic data. We detected and located 3.7 times (i.e., 4357) as many as earthquakes with cross-correlation double-difference locations from the Northern California Earthquake Data Center. Our study demonstrates that LOC-FLOW is capable of building high-precision earthquake catalogs efficiently and seamlessly from continuous seismic data.
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.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découle