EURATOM METIS D4.1 Seismic source characterizations methodologies and applications
Notice bibliographique
Résumé
Probabilistic seismic hazard assessment considers the occurrence of earthquakes as Poissonian, each even beingindependent of the others. As earthquakes do not occur as isolated events but for clusters of foreshocks, mainshock andaftershocks, it is necessary to identify and remove the earthquakes that are other than mainshocks from the catalog beforecalculating the annual rate of events used for the characterization of the seismic activity of the seismogenic sources of thehazard model. The aim of this study is to find a methodology to obtain a Poissonian declustered catalog while removing as fewearthquakes as possible. To do so, we developed a methodology that allows to test the Poissonian nature of a declusteredearthquake catalog and find the declustering algorithm that keeps the largest number of events while still performing well onthe Poissonian test. Building a hazard model requires to perform statistic on the number of events per units of time and theirspatial repartition, therefore, the Poissonian test was developed to reflect these needs. By comparing the inter-eventspatio-temporal distances between the events of the tested catalog to the ones from simulated Poissonian catalogs sharingsimilar properties, we can score the statistical similarities between the tested and the simulated catalogs. We apply thismethodology on the catalog for central Italy after being declustered with a range of different published algorithms and anadditional algorithm that we propose in this study, and we perform a seismic hazard study for two locations in Central Italy toquantify the impact of the declustering algorithm on the seismic hazard level estimate.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,010 |
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 ».