Fast and full characterization of large earthquakes from prompt elastogravity signals
Notice bibliographique
Résumé
Prompt ElastoGravity Signals (PEGS) are light-speed gravity-induced signals recorded by seismometers before the arrival of seismic waves. They have raised interest for early warning applications but their weak amplitudes, close to the background seismic noise even for large earthquakes, have questioned PEGS actual potential for operational use. A deep-learning model has recently demonstrated its ability to mitigate this noise limitation and to provide in near real-time the earthquake moment magnitude (Mw). However, this approach has proven to be efficient only for very large earthquakes (Mw > 8.3) of known focal mechanism. Here we show unprecedented performance in full earthquake characterization from PEGS using the dense broadband seismic network deployed in Alaska and Western Canada. Our deep-learning model is able to provide accurate magnitude and focal mechanism estimates of Mw > 7.8 earthquakes, 2 minutes after origin time (hence the tsunamigenic potential). For very large earthquakes whose rupture is still ongoing after 2 minutes, the model tracks the instantaneous magnitude from that time until the rupture completion. Our results represent a major step towards the routine use of PEGS in operational warning systems, and demonstrate its potential for tsunami warning in the Alaska region, and other densely-instrumented areas.
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 | 0,000 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,002 |
| 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 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 ».