Effects of large aftershocks on spatial aftershock forecasts during the 2017–2019 western Iran sequence
Notice bibliographique
Résumé
On 12 November 2017, an earthquake with a moment magnitude of 7.3 struck the west of Iran near the Iraq border. This event was followed about 9 and 12 months later by two large aftershocks of magnitude 5.9 and 6.3, which together triggered intensive seismic activity known as the 2017–2019 Kermanshah sequence. In this study, we analyse this sequence regarding the potential to forecast the spatial aftershock distribution based on information about the main shock and its largest aftershocks. Recent studies showed that classical Coulomb failure stress (CFS) maps are outperformed by alternative scalar stress quantities, as well as a distance-slip probabilistic model (R) and deep neural networks (DNN). In particular, the R-model performed best. However, these test results were based on the receiver operating characteristic (ROC) metric, which is not well suited for imbalanced data sets such as aftershock distributions. Furthermore, the previous analyses also ignored the potential impact of large secondary earthquakes. For the complex Kermanshah sequence, we applied the same forecast models but used the more appropriate MCC-F1 metric for testing. Similar to previous studies, we also observe that the receiver independent stress scalars yield better forecasts than the classical CFS values relying on the specification of receiver mechanisms. However, detailed analysis based on the MCC-F1 metric revealed that the performance depends on the grid size, magnitude cut-off and test period. Increasing the magnitude cut-off and decreasing the grid size and period reduce the performance of all methods. Finally, we found that the performance of the best methods improves when the source information of large aftershocks is additionally considered, with stress-based models outperforming the R model. Our results highlight the importance of accounting for secondary stress changes in improving earthquake forecasts.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».