Directional and seasonal variations of seismic ambient noise in southeastern Canada and the NE USA
Notice bibliographique
Résumé
SUMMARY Ambient seismic noise is mainly generated in oceans through the interactions between the atmosphere, ocean waves and the solid Earth. Study areas located near the edges of continents are thus subject to receiving an inhomogeneous noise field that could cause bias in ambient noise wave attenuation measurements and tomography studies. Ambient seismic noise characteristics across SE Canada and the NE USA are studied in detail at a regional scale for the first time, due to the availability of over 2 yr of data (2013–2015) recorded at 69 broad-band seismographs. This large, dense data set allowed us to use a back-projection technique to investigate both the azimuthal and temporal variations of the ambient noise. This method is based on a statistical analysis of signal-to-noise ratios (SNRs) of the waveforms in the calculated empirical Green’s functions for pairs of stations. We propose a new method of analysing the SNR by modifying the already existing concept of fan diagrams to include both causal and acausal components of the noise cross-correlograms in the analysis. We investigate directional and seasonal variations of the recorded noise data across the study area at the three main passbands of the seismic noise spectrum including the secondary microseisms (SM; 3–10 s), the primary microseisms (PM; 10–30 s), and the seismic hum (Hum; 30–300 s). We observe that the strongest and weakest signals are received at the SM and Hum bands, respectively. Considering the results of this study along with those from previous studies, we conclude that the strongest seismic noise arrivals at the three passbands investigated in this study (i.e. SM, PM and Hum) are generated at different locations in the Atlantic, Pacific and Arctic oceans.
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 ».