Improved Earthquake Clustering Using a Density-Adaptive DBSCAN Algorithm: An Example from Iran
Notice bibliographique
Résumé
Abstract DBSCAN is a widely used unsupervised machine learning algorithm for clustering and spatial data analysis. However, the accuracy of the algorithm is highly dependent on the selection of its hyperparameters, minimum samples (Smin), the minimum number of points required to form a cluster, and ϵ, the maximum distance between points. In this study, we propose a modification to the DBSCAN algorithm by introducing an event density map replacing Smin and ε. Through this method, we decrease the number of hyperparameters from two to one, N which represents the number of cells in the event density map, simplifying, and speeding up optimization. As a result, the optimization of the algorithm will be improved as the sole factor to consider is the size of each cell. In addition, the utilization of dynamic Smin will provide more effective clustering because it is better suited to regions that have a variable earthquake density. We used the Iranian earthquake catalog for testing the algorithm, and we compared the outcomes to the Mirzaei et al. (1998) model as a standard for evaluation. Because this algorithm allows for density contrasts between clusters, it can be a good indicator when studying the zonation of a new area. The findings were more consistent than those of other methods and may offer additional insight into the seismotectonic of Iran. Other than earthquake studies, this algorithm can be applied in multiple fields of science and engineering for clustering datasets with variable-density clusters.
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 | 0,002 | 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».