Mapping Crustal Vp/Vs in North America With a Machine Learning Approach
Notice bibliographique
Résumé
Abstract Vp/Vs (Poisson's ratio) provides critical information for constraining the bulk crustal composition, stress state, and tectonic evolution of the Earth. The receiver function technique has been extensively utilized to constrain the crustal Vp/Vs, yet the reliability of measurements can be affected by complex structures and uneven distribution of seismic stations. Consequently, the interpolated Vp/Vs maps can often be biased by unreliable observations, especially in data‐sparse regions. We tackle these issues by proposing a machine learning model that integrates multiple geophysical data sets to estimate Vp/Vs, leveraging the physical and structural properties of the crust. We train the model by compiling an extensive data set of global Vp/Vs measurements at 13,314 seismic stations and employ XGBoost to map Vp/Vs with other key crustal properties. Experiments using data from the (a) United States and (b) United States and Canada demonstrate superior prediction accuracy, achieving an overall value of 0.84 in both cases. Feature importance analysis indicates that crustal tectonic type, geographic coordinates, mid‐crust shear‐wave velocity, and crustal thickness primarily capture Vp/Vs variations, together explaining over 70% of reduction in the normalized root‐mean‐square error. The inclusion of other features further refines small‐scale Vp/Vs variation. Compared to cubic and Kriging interpolations, the predicted Vp/Vs map from machine learning exhibits less local extremes and a better alignment with the first‐order crustal structure across the continent. This study highlights the capability of machine learning to uncover complex geophysical relationships for reliable Vp/Vs estimates and its potential to constrain crustal composition at a continental scale.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 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 ».