Ringing mountain ranges: teleseismic signature of the interaction of high-frequency wavefields with near-source topography at the Degelen nuclear test site
Notice bibliographique
Résumé
SUMMARY Over the last decade there has been an international effort to find methods to recover and digitise recordings from historical earthquakes and explosions that occurred during the 1950s through to the 1980s. Making these recordings accessible in digital format offers opportunities to study what signatures are encoded in the data, and to apply state-of-the-art techniques and methods to historical data. In this study, we employ unsupervised machine learning to cluster historical teleseismic waveforms from nuclear explosions conducted at the former USSR Degelen test site, in Kazakhstan, recorded at seismic arrays in the UK (Eskdalemuir array), Canada (Yellowknife array), Australia (Warramunga array), and India (Gauribidanur array). In particular, we use two unsupervised algorithms to cluster waveforms using shape-based clustering: kernel k-means and k-Shape. The algorithms clearly split waveforms into distinct clusters that are spatially related, even when waveform differences are subtle, and we show with local and teleseismic numerical simulations that the clusters are related to the topography. The topography at the Degelen test site has characteristic wavelengths of 2–4 km and local simulations highlight that the seismic wavefield is trapped in reverberating mountain peaks. The location of the explosion is crucial in determining which section of the mountain range reverberates, influencing the outgoing wavefield. Teleseismic waveform simulations confirm that it is this superposition of energy leaving the reverberating peaks that results in the observed teleseismic waveform differences we observe.
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 | 0,000 |
| 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 ».