Evaluation of stochastic source models for the fault displacement hazard analyses using InSAR data: 2019 Ridgecrest earthquakes 
Notice bibliographique
Résumé
The Ridgecrest earthquake sequence occurred in July 2019 in the Eastern California Mojave Desert. The sequence included two large events with moment magnitude (Mw) 6.4 and 7.1 and thousands of aftershocks above lower magnitude cutoff Mw 3.2. There was severe damage to critical infrastructures, such as major cracks and pavement failures along roads and highways, and disruption to utility service due to surface displacements. These infrastructures were important for post-disaster response and recovery operations. Fault displacement hazard analysis serves as an essential tool for characterizing the fault rupture hazard at sites of interest. Advancements in remote sensing approaches provide opportunities to study earthquake ground deformation hazard by modeling fault rupture process and surface displacements more reliably. In the present study, a stochastic source-based fault displacement hazard analysis is conducted. The methodology of the present study is based on statistical scaling relationships of source parameters (e.g., fault length, fault width, mean slip, and maximum slip), and heterogeneous earthquake slip distributions are synthesized to generate various stochastic source models. The method uses ground-truth and remotely sensed data, such as Global Positioning System (GPS) and Interferometric Synthetic Aperture Radar (InSAR) data to search for the source model with a satisfactory match with the available data. The present study differs from conventional fault displacement assessment practices in utilizing stochastic source modeling, instead of empirical predictive relationships. The methodology can be applied to all faulting mechanisms and consider multi-segment fault rupture. The use of Okada’s equations facilitates the calculation of three translational displacements and provides physically consistent fault displacement modeling at two locations for a given earthquake scenario, thereby allowing the estimation of the differential fault displacement at two sites.This study evaluates the effect of applying InSAR data to the stochastic source modeling approach for the 2019 Ridgecrest earthquakes which involved the complex interaction of multiple faults having different mechanisms. InSAR data provide useful information on the geometry and the extent of the rupture system and contributes to the hazard assessment efficiently. The capability of the method is evaluated in the framework of retrospective analyses by comparing the results with available data as well as existing studies and their associated model weighted errors. The performance of the models in earthquake source characterization is also analyzed considering InSAR data by the changes in model weighted errors for the cases of the surface displacement results with and without InSAR data. Based on the obtained results, InSAR data play an integral part in mainshock displacement analyses. Considering all the merits of applying ground truth and remote sensing data to the practice of stochastic source-based fault displacement hazard analysis, the obtained results characterize fault displacements more realistically and contribute to emergency management and disaster risk mitigation of critical facilities and infrastructure.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».