Next Generation Seismic Source Detection by Computer Vision: Untangling the Complexity of the 2016 Kaikōura Earthquake Sequence
Notice bibliographique
Résumé
Abstract Seismic source locations are fundamental to many fields of Earth and planetary sciences, such as seismology, volcanology and tectonics. However, seismic source detection and location are challenging when events cluster closely in space and time with signals tangling together at observing stations, such as they often do in major aftershock sequences. Though emerging algorithms and artificial intelligence (AI) models have made processing high volumes of seismic data easier, their performance is still limited, especially for complex aftershock sequences. In this study, we propose a novel approach that utilizes three‐dimensional image segmentation—a computer vision technique—to detect and locate seismic sources, and develop this into a complete workflow, Source Untangler Guided by Artificial intelligence image Recognition (SUGAR). In our synthetic and real data tests, SUGAR can handle complex, energetic earthquake sequences in near real time better than skillful analysts and other AI and non‐AI based algorithms. We apply SUGAR to the 2016 Kaikōura, New Zealand sequence and obtain five times more events than the analyst‐based GeoNet catalog. The improved aftershock distribution illuminates a continuous fault system with extensive fracture zones beneath the segmented, discontinuous surface ruptures. Our method has broader applicability to non‐earthquake sources and other time series image data sets.
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 | 0,001 |
| 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 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 ».