Improving resolution model of probable asperity distribution along southern Sumatra Subduction Zone using denser GPS stations
Notice bibliographique
Résumé
The southern Sumatra Subduction Zone (SSZ) is point outed as an area with seismic potential due to plate tectonic movement. To observe seismic activity in this region, Global Positioning System (GPS) networks can be used to monitor tectonic plate movement. We aim to determine the best resolution model of probable asperity zone in the southern SSZ by testing various slip patch models and using the GPS networks (SuGAr, InaCORS, SuMO, and UNIB networks) installed as synthetic data. This study provides a necessary resolution analysis and a validated methodology, providing a reliable foundation for future studies of interplate coupling models, interseismic deformation, and seismic potential. The testing of resolution model was conducted using a Checkerboard Resolution Test (CRT) through Akaike Bayesian Information Criterion (ABIC) inversion and a bicubic b-spline basis function to parametrize the slip velocity. The results show that utilizing a denser GPS station network by adding the SuMo and UNIB networks (47 stations) can improve resolution model from 40-70% to 80-100% in southern Sumatra near land areas. This enhancement confirms that the denser station distribution is crucial for resolving fine-scale slip heterogeneity. Consequently, the Bengkulu-Enggano segment can now be modeled with high fidelity, providing a reliable foundation for future studies of interplate coupling models, interseismic deformation, and seismic potential. • Denser GPS networks boost resolution from 40-70% to 80-100%. • Network density is key to resolving fine-scale fault asperities. • Land-based data has a critical blind spot offshore near the trench. • Seafloor geodetic stations crucial for resolving offshore seismic gaps. • Optimal 16-km spline interval ensures stable asperity modeling.
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 | 0,000 |
| 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 ».