Bayesian estimation of non-linear centroid moment tensors using multiple seismic data sets
Notice bibliographique
Résumé
Centroid moment tensor (CMT) parameters of earthquakes are routinely estimated to gain information on structures and regional tectonics. However, for small earthquakes (M < 4), it is still challenging to determine CMTs due to the lack of high-quality waveform data. In this study, we propose to improve solutions for small earthquakes by incorporating multiple seismic data types in Bayesian joint inversion: polarities picked on broad-band signals, amplitude spectra for intermediate frequency bands (0.2–2.0 Hz), and waveforms at low frequencies (0.05–0.2 Hz). Both measurement and theory errors are accounted for by iterative estimation of non-Toeplitz covariance matrices, providing objective weightings for the different data types in the joint parameter estimation. Validity and applicability of the method are demonstrated using simulated and field data. Results demonstrate that combinations of data, such as a single high-quality waveform, a few amplitude spectra and many waveform polarities, are able to resolve CMT parameters to comparable quality as if many high-quality waveforms were available. Results of 10 induced seismic events that occurred in northeastern British Columbia, Canada, between January 2020 and February 2022 indicate predominantly strike-slip focal mechanisms with low non-double-couple components. These events appear to be located at shallow depths with short time duration, as expected for induced seismicity. These results are consistent with previous studies, indicating that this method reduces the dependence of source inversion on high-quality waveforms, and can provide resolution of CMT parameters for earthquakes as small as ML 1.6.
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 | 0,010 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,007 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».