机器学习地震目录绩效变动性：意大利中部地区，2016-2017
地球物理
2026-02-11 v1
摘要
机器学习(ML)目录包含的地震数量远多于常规目录，但其在相位 picking 和地震检测中的绩效尚未得到充分评估。我们使用 logistic 回归开发了站点级检测概率，并将其跨网络组合以计算空间震级完整性场。我们将该方法应用于2016-2017年意大利中部地震序列中基于相同地震网络构建的两个目录：一个常规目录和一个基于 ML 的目录。在站点层面，ML 挑选器通过识别更小规模事件并在更大距离检测地震来提高检测灵敏度。在空间上，震级完整性显著下降，P 波和 S 波的中位数值分别从1.6和1.7下降到0.5。然而，ML 目录在站点层面的绩效变动也大于常规目录。这些结果表明，ML 带来的检测灵敏度改进在范围内广泛存在，但在空间上不均匀，凸显了其优势、局限性以及潜在的进一步改进空间。
引用
@article{arxiv.2602.09792,
title = {Variability in Performance of a Machine-Learning Seismicity Catalog: Central Italy, 2016-2017},
author = {Jaehong Chung and Yifan Yu and Lauro Chiaraluce and Maddalena Michele and Gregory C. Beroza},
journal= {arXiv preprint arXiv:2602.09792},
year = {2026}
}