Skip to main content
zenodoopen

Automatisch erstellter Erdbeben Katalog des Seiger Projektes

<p>Dieser Datensatz ist der automatisch vom LIDECT System im Rahmen des Seiger Projektes erstellte Erdbebenkatalog zwischen 2013-2022.</p> <p>Zur Detektion wurde ein Voting basierter Ansatz zwischen Detektionen des EarthquakeTransformer (Mousavi, 2020) und Stacking Detekor genutzt.</p> <p>ML basiertes Denoising aller (Archiv) Daten um Anzahl Phasenpicks zu erh&ouml;hen wurde zun&auml;chst durchgef&uuml;hrt.<br> Dazu wurde der DeepDenoiser, basierend auf Zhu et al (2019) genutzt, mittels Seisbench (M&uuml;nchmeyer et al, 2022).<br> &nbsp;</p> <p>Der EarthquakeTransformer wurde durch Transfer learning auf die Zielregion erweitert.&nbsp;Training erfolgte mit Synthetischen Szenario Beben und Picks des MAGS Projektes. Bei Picks von drei Phasen auf unterschiedlichen Stationen, deklariert der EarthquakeTransformer ein Event.<br> &nbsp;</p> <p>Der Stacking Detektor basiert auf linearem stacking f&uuml;r Gridpunkte und nutzt hinterlegte Laufzeitabellen (mehere Geschwindigkeitsmodelle m&ouml;glich). Einstellungen des Dektektors waren. &Delta; 1km Grid mit 24km in x,y und 10 km in z, bei 5-45Hz. Stacking erfolgt unter Annahme von P und S Laufzeiten. Wenn die gestackte Energie eines Ereignisses die doppelte Energie des zu dem Zeitpunkt &uuml;blichen &quot;noise floors&quot; hat deklariert der Stacking Detektor ein Event.</p> <p>Wenn beide Detektoren ein Event deklariert haben wird ein Erdbeben deklariert und in den Katalog aufgenommen. Picks aus dem EarthquakeTransformer Detektor werden dann zum lokalisieren genutzt mittels Nonlinloc und 1-D Modell (K&uuml;perkoch, 2018) des Untergrundes.</p> <p>Ml wird automatisch bestimmt, als auch Mw. Mw wird bestimmt unter Annahme einer Isotroper Quelle. Dazu werden die Daten nach Restitution, BP filtern zwischen 5 und 45 Hz mit synthetischen Daten verglichen. Dieses fitting von absoluten Amplituden Werten und Zeit erfolgt an allen beteiligten Stationen gleichzeitig.<br> Tiefe und Lokalit&auml;t werden festgehalten auf Basis der Nonlinloc Lokalit&auml;t.<br> &nbsp;</p> <p>Mousa</p>

ShareScore

36/100

Overall dataset sharing score

Score breakdown

These five areas show where the dataset supports — or may limit — practical reuse.

Stewardship
4
Harmonization
4
Access
20
Reuse readiness
8
Engagement
0