Earthquake Declustering Using Supervised Machine Learning
Notice bibliographique
Résumé
ABSTRACT Earthquake catalog declustering is the procedure of separating event clusters from background seismicity, which is an important task in statistical seismology, earthquake forecasting, and probabilistic seismic hazard analysis. Several declustering methods have been introduced in the literature and operate under the supposition that background events occur independently whereas clusters are triggered by prior events. Here, we test the ability of supervised machine learning (SML) on the declustering problem by leveraging two popular statistical methods. First, the epidemic-type aftershock sequence model is fit to a target catalog and the parameters are used to generate synthetic earthquake data, which replicate the magnitude–space–time seismicity of the target catalog. Next, the nearest-neighbor distance (NND) metrics are computed between each simulated event and used as features to train the SML algorithm. Finally, the trained algorithm is applied to decluster synthetic testing data and then the original target catalog. Our results indicate that the SML method performs better than the NND-based and stochastic declustering methods on the test data and makes more nuanced selections of background and clustered events when applied to real seismicity. Although the vast majority of the SML technique’s predictive power appears to lie within the NND values of the “first” nearest neighbors, a machine learning analysis reveals that predictive accuracy can be improved by additional “next” nearest neighbors and differential magnitude features. The developed approach is applied to seismic catalogs in southern California and Italy to decluster them.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».