Automatisch erstellter Erdbeben Katalog des Seiger Projektes

Dieser Datensatz ist der automatisch vom LIDECT System im Rahmen des Seiger Projektes erstellte Erdbebenkatalog zwischen 2013-2022. Zur Detektion wurde ein Voting basierter Ansatz zwischen Detektionen des EarthquakeTransformer (Mousavi, 2020) und Stacking Detekor genutzt. ML basiertes Denoising aller (Archiv) Daten um Anzahl Phasenpicks zu erhöhen wurde zunächst durchgeführt.<br> Dazu wurde der DeepDenoiser, basierend auf Zhu et al (2019) genutzt, mittels Seisbench (Münchmeyer et al, 2022).<br> Der EarthquakeTransformer wurde durch Transfer learning auf die Zielregion erweitert. 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> Der Stacking Detektor basiert auf linearem stacking für Gridpunkte und nutzt hinterlegte Laufzeitabellen (mehere Geschwindigkeitsmodelle möglich). Einstellungen des Dektektors waren. Δ 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 üblichen "noise floors" hat deklariert der Stacking Detektor ein Event. 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 (Küperkoch, 2018) des Untergrundes. 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 Lokalität werden festgehalten auf Basis der Nonlinloc Lokalität.<br> Mousa本数据集为Seiger项目框架内由LIDECT系统自动生成的2013-2022年地震目录。检测环节采用基于投票的融合方案，融合了EarthquakeTransformer（Mousavi, 2020）与堆叠检测器的检测结果。首先对所有（归档）数据开展基于机器学习的去噪处理，以提升震相拾取的数量；本次去噪采用基于Zhu等人（2019）研究的DeepDenoiser工具，依托Seisbench（Münchmeyer et al, 2022）实现。EarthquakeTransformer通过迁移学习适配至目标区域，训练数据采用MAGS项目生成的人工模拟场景地震数据与震相拾取结果。当不同台站记录到3个震相的拾取结果时，EarthquakeTransformer即判定为一次地震事件。堆叠检测器基于网格点的线性堆叠算法，调用预存的走时表（支持多种速度模型）。该检测器的参数设置如下：空间网格为Δ1km，x、y方向范围24km，z方向范围10km，滤波频段为5-45Hz；堆叠计算基于P波与S波的走时假设进行。当某一事件的堆叠能量达到该时段常规“噪声基底”的两倍时，堆叠检测器即判定为一次地震事件。仅当两个检测器均判定存在地震事件时，才会将该事件收录至本目录。随后采用EarthquakeTransformer检测器输出的震相拾取结果，结合Nonlinloc工具与一维地下速度模型（Küperkoch, 2018）完成地震定位。地震震级Ml与震级Mw均自动计算得到，其中Mw的计算基于各向同性震源假设。具体实现方式为：先对数据进行波形恢复，再将5-45Hz带通滤波后的实测数据与合成地震图进行对比；该拟合过程同时结合所有参与台站的绝对振幅值与到时信息完成。地震深度与定位坐标将基于Nonlinloc的定位结果进行记录。Mousa