Three-dimensional ambient noise tomography of the Bohemian Massif

Abstract

Vykonali sme 3D tomografiu Českého masívu vychádzajúcu z prevzatých disperzných kriviek povrchových vĺn v rozsahu periód 4-20 s, ktoré boli získané kroskoreláciou seizmického šumu medzi stanicami. V tomografickej inverzii využívame dvojkrokový postup. V prvom kroku sa disperzné krivky medzi stanicami lokalizujú pre každú periódu zvlášť pomocou gradientovej metódy zahŕňajúcej konečno-frekvenčné efekty pomocou Fréchetových kernelov; výsledkom sú tzv. disperzné mapy. Na výpočet kernelov sa použila adjungovaná metóda s predpokladom membránovej aproximácie šírenia povrchových vĺn pre jednotlivé periódy. Aby sme potlačili šum v dátach, regularizujeme Fréchetove kernely hladením Gaussovou funkciou, ktorej šírku stanovujeme na základe syntetických testov. V druhom kroku sa disperzné mapy fázových rýchlostí invertujú pomocou Bayesovského prístupu do 3D modelu rýchlostí S-vĺn. Riešenie obrátenej úlohy, definované pomocou aposteriórnej hustoty pravdepodobnosti, je reprezentované viac ako jedným miliónom modelov, ktoré boli získané pomocou metódy Monte Carlo (konkrétne paralelným temperovaním). Vypočítaná variancia modelových parametrov ukazuje, že dobre rozlíšená časť zodpovedá vrchnej kôre (t.j. horných 20 km). Výsledný štatisticky priemerný rýchlostný model vykazuje najmä dlhovlnné štruktúry, ktoré korelujú...

We have performed 3D ambient noise tomography of the Bohemian Massif. We invert adopted inter-station dispersion curves of both Love and Rayleigh waves in periods 4-20 s, which were extracted from ambient noise cross-correlations, using a two-step approach. In the first step, the inter-station dispersion curves are localized for each period into the so-called dispersion maps. To account for finite-frequency effects, gradient method employing Fréchet kernels is used. Assuming membrane wave approximation of the surface wave propagation at each period, the kernels were calculated using the adjoint method. To reduce the effect of data noise, the kernels were regularized by Gaussian smoothing. The proper level of regularization is assessed on synthetic tests. In the second step, the phase-velocity dispersion maps are inverted into a 3D S-wave velocity model using the Bayesian approach. The posterior probability density function describing the solution is sampled by more than one million models obtained by Monte-Carlo approach (parallel tempering). The calculated variance of the model shows that the well resolved part corresponds to the upper crust (i.e., upper 20 km). The mean velocity model contains mainly large scale structures that show good correlation with the main geologic domains of the Bohemian...