Detection of Hidden Low-Frequency Earthquakes in Southern Vancouver Island with Deep Learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Low-frequency earthquakes (LFEs) are small-magnitude earthquakes that are depleted in high-frequency content relative to traditional earthquakes of the same magnitude. These events occur in conjunction with slow slip events (SSEs) and can be used to infer the space and time evolution of SSEs. However, because LFEs have weak signals, and the methods used to identify them are computationally expensive, LFEs are not routinely cataloged in most places. Here, we develop a deep-learning model that learns from an existing LFE catalog to detect LFEs in 14 years of continuous waveform data in southern Vancouver Island. The result shows significant increases in detection rates at individual stations. We associate the detections and locate them using a grid search approach in a 3D regional velocity model, resulting in over 1 million LFEs during the performing period. Our resulting catalog is consistent with a widely used tremor catalog during periods of large-magnitude SSEs. However, there are time periods where it registers far more LFEs than the tremor catalog. We highlight a 16-day period in May 2010, when our model detects nearly 3,000 LFEs, whereas the tremor catalog contains only one tremor detection in the same region. This suggests the possibility of hidden small-magnitude SSEs that are undetected by current approaches. Our approach improves the temporal and spatial resolution of the LFE activities and provides new opportunities to understand deep subduction zone processes in this region.
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.
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 | 0,001 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle