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.
Dazu wurde der DeepDenoiser, basierend auf Zhu et al (2019) genutzt, mittels Seisbench (Münchmeyer et al, 2022).
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.
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.
Tiefe und Lokalität werden festgehalten auf Basis der Nonlinloc Lokalität.
Mousa

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.
Dazu wurde der DeepDenoiser, basierend auf Zhu et al (2019) genutzt, mittels Seisbench (Münchmeyer et al, 2022).
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.
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.
Tiefe und Lokalität werden festgehalten auf Basis der Nonlinloc Lokalität.
Mousa