OBSTransformer: a deep-learning seismic phase picker for OBS data using automated labelling and transfer learning
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
SUMMARY Accurate seismic phase detection and onset picking are fundamental to seismological studies. Supervised deep-learning phase pickers have shown promise with excellent performance on land seismic data. Although it may be acceptable to apply them to Ocean Bottom Seismometer (OBS) data that are indispensable for studying ocean regions, they suffer from a significant performance drop. In this study, we develop a generalized transfer-learned OBS phase picker—OBSTransformer, based on automated labelling and transfer learning. First, we compile a comprehensive data set of catalogued earthquakes recorded by 423 OBSs from 11 temporary deployments worldwide. Through automated processes, we label the P and S phases of these earthquakes by analysing the consistency of at least three arrivals from four widely used machine learning pickers (EQTransformer, PhaseNet, Generalized Phase Detection and PickNet), as well as the Akaike Information Criterion (AIC) picker. This results in an inclusive OBS data set containing ∼36 000 earthquake samples. Subsequently, we use this data set for transfer learning and utilize a well-trained land machine learning model—EQTransformer as our base model. Moreover, we extract 25 000 OBS noise samples from the same OBS networks using the Kurtosis method, which are then used for model training alongside the labelled earthquake samples. Using three groups of test data sets at subglobal, regional and local scales, we demonstrate that OBSTransformer outperforms EQTransformer. Particularly, the P and S recall rates at large distances (>200 km) are increased by 68 and 76 per cent, respectively. Our extensive tests and comparisons demonstrate that OBSTransformer is less dependent on the detection/picking thresholds and is more robust to noise levels.
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 | 0,000 | 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 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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