DiTingMotion: A deep-learning first-motion-polarity classifier and its application to focal mechanism inversion
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
Accurate P-wave first-motion-polarity (FMP) information can contribute to solving earthquake focal mechanisms, especially for small earthquakes, to which waveform-based methods are generally inapplicable due to the computationally expensive high-frequency waveform simulations and inaccurate velocity models. In this paper, we propose a deep-learning-based method for the automatic determination of the FMPs, named “DiTingMotion”. DiTingMotion was trained with the P-wave FMP labels from the “DiTing” and SCSN-FMP datasets, and it achieved ∼97.8% accuracy on both datasets. The model maintains ∼83% accuracy on data labeled as “Emergent”, of which the FMP labels are challenging to identify for seismic analysts. Integrated with HASH, we developed a workflow for automated focal mechanism inversion using the FMPs identified by DiTingMotion and applied it to the 2019 M 6.4 Ridgecrest earthquake sequence for performance evaluation. In this case, DiTingMotion yields comparable focal mechanism results to that using manually determined FMPs by SCSN on the same data. The results proved that the DiTingMotion has a good generalization ability and broad application prospect in rapid earthquake focal mechanism inversion .
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découle