Fault-based probabilistic seismic hazard analysis in regions with low strain rates and a thick seismogenic layer: a case study from Malawi
Notice bibliographique
Résumé
SUMMARY Historical and instrumental earthquake catalogs in low strain rate regions are not necessarily indicative of the long-term spatio-temporal distribution of seismicity. This implies that probabilistic seismic hazard analysis (PSHA) should also consider geologic and geodetic data through fault-based seismogenic sources. However, it is not always clear how on-fault magnitude-frequency distributions (MFDs) should be described and, if the seismogenic layer is especially thick, how fault sources should be extrapolated down-dip. We explore these issues in the context of a new PSHA for Malawi, where regional extensional rates are 0.5–2 mm yr−1, the seismogenic layer is 30–40-km thick, the instrumental catalog is ∼60 yr long and fault-based sources were recently collated in the Malawi Seismogenic Source Model. Furthermore, Malawi is one of several countries along the East African Rift where exposure to seismic hazard is growing, but PSHA does not typically consider fault sources. We use stochastic event catalogs to explore different fault source down-dip extents and MFDs. Our PSHA indicates that hazard levels are highest for a Gutenberg–Richter on-fault MFD, even at low probabilities of exceedance (2 per cent in 50 yr), whilst seismic hazard levels are also sensitive to how relatively short (<50 km) fault sources are extrapolated down-dip. For sites close to fault sources (<40 km), seismic hazard levels are doubled compared to previous instrumental-seismicity based PSHA in Malawi. Cumulatively, these results highlight the need for careful fault source modelling in PSHA of low strain rate regions and the need for new fault-based PSHA elsewhere in the East Africa Rift.
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 | 0,001 |
| 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 ».