Parsimonious Green function data bases for global centroid moment tensor inversions
Notice bibliographique
Résumé
SUMMARY The calculation of synthetic seismograms for global centroid moment tensor (GCMT) inversions relies on advanced 3-D Earth models. However, use of the path-average approximation for mode summation and surface-wave ray theory limits the method’s accuracy. This can cause incorrect predictions of ground motion amplitude and polarization, and other unaccounted-for effects, which can bias the estimated earthquake parameters. To address this issue, we have developed a new and efficient way to calculate, store and access high-fidelity, long-period synthetic seismograms for state-of-the-art 3-D tomographic Earth models. We adapted the spectral-element wave-equation solver SPECFEM3D_GLOBE to generate a data base of Green functions on a global, sparse spectral-element grid of hypocenters for a large set of 180 station locations, using source–receiver reciprocity to speed up the calculation. The seismograms are organized and stored in a format that facilitates rapid access to a particular source region and stations of the Global Seismographic Network. Seismograms for any centroid location can be calculated efficiently via spatial interpolation without losing accuracy compared to full forward calculation. As a proof-of-concept, we perform $\sim$9000 CMT inversions using the Sawade et al. approach, with GCMT solutions as starting models and without restriction on the number of iterations. Although the location updates are consistent with Sawade et al., we find a reduction in non-double-couple components in all types of events except for shallow strike-slip events. Given these encouraging results for future routine implementation, we present a first test and an outlook for routine 3-D GCMT analysis.
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 | 0,001 |
| Science ouverte | 0,001 | 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 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 ».