Characterizing Seismic Activity From a Rock Cliff With Unsupervised Learning
Notice bibliographique
Résumé
Abstract Passive seismic monitoring (PSM) is emerging as a tool for detecting rockfall events and pre‐failure seismicity. In this paper, the potential of PSM for rockfall monitoring is assessed through a case study carried out in Gros‐Morne, Eastern Québec, in a region with prominent roadside cliffs, where more than 500 fallen rocks are found on the main regional road each year. The proposed method relies on using sensitive STA‐LTA windows to detect a very large number of seismic events and build a comprehensive catalog. In total, more than 70,000 seismic events were detected over one year. Gaussian mixtures are used to partition the data set. Based on visual inspection of the data, a main working hypothesis is that the seismic events can be clustered into three groups. After analyzing the spatio‐temporal distribution of the events in each group, we find that the events of one cluster can be associated with anthropogenic activity. The frequency of occurrence of the events of the different clusters and their link with meteorological data is also examined through a regression exercise, to assess the importance of the meteorological variables as explanatory variables. The results allow us to postulate on the physical origins of the signals in the different clusters, attributing them to rockfall activity and wind‐induced seismic noise.
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 | 0,001 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».