Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

Lihat diskusi, statistik, dan profil penulis untuk publikasi ini di:https://www.researchgate.net/publication/276422146

Persamaan Konversi Gerakan Tanah ke Intensitas (GMICEs): Hubungan

Global dan Evaluasi Ketergantungan Regional

Artikeldi dalamBuletin Masyarakat Seismologi Amerika · Mei 2015

DOI: 10.1785/0120140286

KUTIPAN BACA
108 8.297

5 penulis, termasuk:

Martha Caprio Charles Bruce Worden

ETH Zurich Survei Geologi Amerika Serikat
10PUBLIKASI 130KUTIPAN 31PUBLIKASI2.820KUTIPAN

LIHAT PROFIL LIHAT PROFIL

Stefan Wiemer
ETH Zurich

430PUBLIKASI 20.154KUTIPAN

LIHAT PROFIL

Semua konten setelah halaman ini diunggah olehCharles Bruce Wordenpada 24 Agustus 2016.

Pengguna telah meminta penyempurnaan file yang diunduh.

 Buletin Masyarakat Seismologi Amerika, Vol. 105, No. 3, hal. –, Juni 2015, doi: 10.1785/0120140286

Persamaan Konversi Gerakan Tanah ke Intensitas (GMICEs): Global

Hubungan dan Evaluasi Ketergantungan Daerah
oleh Marta Caprio, Bernadetta Tarigan, C. Bruce Worden, Stefan Wiemer, dan David J. Wald

AbstrakKami menganalisis ketergantungan regional dari gerakan tanah terhadap persamaan

konversi intensitas dan memperoleh hubungan global baru untuk meningkatkan estimasi gerakan
tanah dan intensitas untuk aplikasi bahaya gempa bumi, termasuk yang terkait dengan sistem
ShakeMap. Untuk tujuan ini, kami menggabungkan beberapa database yang dikumpulkan oleh
penulis lain di wilayah geografis yang berbeda untuk menyoroti efek regional sistematis dalam
hubungan antara intensitas makroseismik dan kecepatan puncak tanah serta percepatan tanah
puncak. Basis data kami berisi intensitas makroseismik yang diperoleh dari penugasan ahli atau
dari pertanyaan “Apakah Anda Merasakannya?” database, dipasangkan dengan gerakan tanah
puncak (PGM) dari stasiun seismik. Kami membatasi pasangan intensitas-gerakan tanah menjadi
pasangan dengan jarak maksimum 2 km. Untuk setiap wilayah, kami memperoleh hubungan yang
dapat dibalik antara intensitas dan gerakan tanah menggunakan regresi ortogonal. Kami juga
memperoleh hubungan global untuk mengukur perbedaan regional. Kami menyelidiki
ketergantungan intensitas pada variabel prediktor seperti PGM, magnitudo, dan jarak hiposentral.
Analisis kami menunjukkan bahwa PGM adalah variabel prediktor intensitas yang paling kuat.
Dalam satu deviasi standar, hasil regional dan global kami sesuai dengan hubungan Kata-katadkk. (
2012)untuk Kalifornia,Faenza dan Michelini (2010)untuk Italia,Tselentis dan Danciu (2008)untuk
Yunani, danAtkinson dan Kaka (2007)untuk Amerika Serikat bagian tengah-timur. Gempa bumi
dalam penelitian ini berkisar antara 2,5 hingga 7,3 magnitudo, dan jaraknya berkisar antara kurang
dari satu kilometer hingga sekitar 200 km dari pusat gempa.

Materi Daring:Tabel yang merangkum hubungan yang dipublikasikan dan gambar yang
menunjukkan hubungan antara percepatan dan intensitas puncak tanah.

Perkenalan
Intensitas makroseismik telah digunakan selama beberapa
abad sebagai gambaran dampak gempa bumi yang dirasakan.
Saat ini, meskipun terdapat banyak seismograf digital modern
dan perekam gerak kuat, data intensitas makroseismik terus
memainkan peran penting dalam komunitas seismologi, teknik,
dan pemodelan kerugian. Munculnya sistem ShakeMap (Wald,
Quitoriano, Heaton, Kanamori, dkk.,1999) semakin
meningkatkan visibilitas dan pentingnya intensitas
makroseismik. Meskipun ahli seismologi terbiasa bekerja
dengan nilai puncak gerakan tanah, sebagian besar pemodelan
kehilangan cepat yang dilakukan di seluruh dunia
menggunakan data makroseismik sebagai masukan bahaya,
misalnya, Penilaian Cepat Gempa Bumi Global untuk Response
(PAGER;Earle dkk.,2009), Penilaian Kerugian Gempa untuk
Respon dan Mitigasi (QLARM;Trenafiloskidkk.,2011), dan Rutin
Estimasi Kerugian Gempa Bumi (ELER;Kamardkk., 2009).
Intensitas makroseismik juga cocok untuk komunikasi dengan
banyak audiens non-teknis yang potensial, seperti masyarakat,
media, komunitas tanggap gempa dan perencanaan, serta
pendidik.
Selain penugasan intensitas tradisional yang dilakukan oleh para
ahli (melalui survei lapangan pascabencana, dari laporan teknik dan
lainnya, atau dari kuesioner pos), kuesioner berbasis internet, seperti
Survei Geologi AS (USGS) “Apakah Anda Merasakannya?” (DYFI) sistem (
Wald, Quitoriano, Dengler, dan Dewey, 1999), telah meningkatkan
volume data intensitas yang tersedia secara signifikan, serta mendorong
keterlibatan masyarakat dalam ilmu gempa bumi. Sistem bergaya DYFI
berbasis internet saat ini menjadi bagian integral dari banyak penilaian
kerusakan pascagempa, dan merupakan alat komunikasi yang penting,
karena sistem ini memungkinkan umpan balik dari masyarakat mengalir
kembali ke ahli seismologi. Bahkan untuk gempa bumi berkekuatan
sedang, di daerah berpenduduk padat, ribuan hingga puluhan ribu
tanggapan diajukan secara online. Data DYFI telah terbukti menjadi alat
yang berguna dan andal untuk mendeteksi variabilitas intensitas di suatu
wilayah (Atkinson dan Wald, 2007;Walddkk.,2011), dan jumlahnya jauh
lebih banyak daripada rekaman gerakan kuat. Data DYFI menambah
kendala yang berharga bagi banyak peristiwa baru-baru ini, baik di
Amerika Serikat (pasca tahun 1999) dan secara global (pasca tahun 2003),
khususnya di bidang-bidang tertentu.

BSSA Edisi Awal / 1

2 M. Caprio, B. Tarigan, CB Worden, S. Wiemer, dan DJ Wald

Gambar 1.Bentuk fungsional percepatan tanah puncak (PGA; kiri) dan kecepatan tanah puncak (PGV; kanan) terhadap hubungan intensitas diperoleh
untuk berbagai wilayah. Garis padat menunjukkan fungsi puncak gerakan tanah (PGM) dan rentang intensitas yang dibatasi oleh kumpulan data
masing-masing; garis putus-putus menunjukkan persamaan konversi gerakan tanah ke intensitas (GMICE) ketika diekstrapolasi di luar kumpulan
datanya. Perkiraan intensitas lebih sesuai pada nilai PGM yang lebih besar dibandingkan dengan nilai yang lebih kecil. (Diadaptasi dariCuadkk.,2010.)

dengan sedikit instrumen seismik. Penggunaan data makroseismik juga dapat
mengkompensasi kurangnya rekaman gerakan tanah dan dengan demikian
membantu dalam merekonstruksi distribusi guncangan berdasarkan peristiwa
sejarah (misalnya, ShakeMap Atlas,Allendkk.,2008; Pameran PAGER-Kucing,
Allendkk.,2009; dan Database Kerusakan Gempa Universitas Cambridge,
Tempat menyimpan bahan makanandkk.,2009).
Data makroseismik paling berguna jika data tersebut dapat
diintegrasikan sepenuhnya dengan rekaman gerakan tanah dan jika
observasi dapat dikonversi dari satu metrik ke metrik lainnya. Korelasi
antara ukuran puncak gerakan tanah (PGM), seperti percepatan tanah
puncak (PGA) atau kecepatan tanah puncak (PGV) dan intensitas telah
dipelajari selama beberapa dekade. (Selanjutnya, PGM mengacu pada
PGA atau PGV.) Hasilnya, data makroseismik dapat diubah menjadi
parameter PGM (dan sebaliknya) untuk keperluan teknik, untuk menilai
bahaya seismik, dan untuk pemodelan kerugian. Dalam studi awal,
hubungan awalnya dibuat antara beberapa gerakan tanah yang tercatat
dan intensitas tertentu di suatu lokasi, melalui apa yang disebut
persamaan konversi intensitas ke gerakan tanah (IGMCEs;Gutenberg dan
Richter, 1942; Trifunac dan Brady, 1975;Murphy dan O'Brien, 1977).
Dengan berkembangnya jaringan seismik dan semakin
melimpahnya rekaman gerakan kuat, kecenderungan tersebut
menjadi terbalik dan kini mengasosiasikan intensitas dengan nilai
gerakan tanah tertentu dengan persamaan konversi gerakan tanah
ke intensitas. (GMICE;Wald, Quitoriano, Heaton, dan Kanamori, 1999;
Atkinson dan Sonley, 2000;Kaka dan Atkinson, 2004;Atkinson dan
Kaka, 2007;Tselentis dan Danciu, 2008;Danngkua dan Cramer, 2011).
Batasan studi ini untuk GMICE dan IGMCE adalah hubungan yang
disebutkan di atas tidak dapat diubah. Akibatnya, penelitian terbaru
mencari hubungan yang dapat dibalik (Faenza dan Michelini, 2010;
Kata-katadkk., 2012), memastikan timbal balik hasil. Pada Gambar1,
kami menampilkan ringkasan beberapa hubungan GMICE yang ada
PGA dan PGV.
Salah satu penerapan penting penggunaan GMICE adalah
berbagai sistem ShakeMap yang dipasang di seluruh dunia (
Wald, Quitoriano, Heaton, Kanamori,dkk.,1999;Walddkk.,
2005;Michelinidkk.,2008). Karena cakupan rekaman gerakan
tanah yang tidak lengkap, ShakeMaps sering kali bersifat
prediktif dominan atau lokal, mengandalkan persamaan
prediksi gerakan tanah (GMPE) dan kemudian menerapkan
GMICE untuk mengubahnya menjadi apa yang disebut
intensitas instrumental, variabel default yang digunakan dalam
tampilan peta. ketika berkomunikasi dengan komunitas
nonteknis. Ketidakpastian perkiraan intensitas dalam proses
dua langkah ini harus memperhitungkan ketidakpastian GMPE,
serta ketidakpastian GMICE.
Alternatif untuk menerapkan GMPE dan kemudian GMICE (atau
GMPE+GMICE) dalam sistem seperti ShakeMap adalah dengan
menggunakan persamaan prediksi intensitas (IPE; misalnya,
Atkinson dan Wald, 2007;Allendkk.,2012), analog intensitas GMPE,
yang secara langsung memprediksi intensitas makroseismik sebagai
fungsi besaran dan jarak. Keuntungan dari pendekatan ini adalah
hubungan tunggal, dibandingkan pendekatan dua langkah, sudah
cukup untuk memprediksi intensitas. Kami memilih untuk fokus
pada pendekatan GMPE+GMICE untuk memprediksi intensitas,
karena pendekatan inilah yang lebih umum digunakan dalam sistem
ShakeMap di seluruh dunia, dan terdapat lebih banyak penelitian
yang berfokus pada GMPE daripada IPE. Selain itu, GMPE biasanya
menyertakan faktor koreksi lokasi, sedangkan IPE generasi saat ini
sering kali tidak menyertakannya. Dalam pendekatan GMPE+GMICE,
dampak lokasi diperhitungkan berdasarkan ketentuan koreksi lokasi
GMPE. Dengan demikian, diasumsikan bahwa GMI-CE tidak
bergantung pada efek lokasi (Cuadkk.,2010).
Dalam studi ini, tujuan kami adalah untuk
meningkatkan perkembangan dan pemahaman GMICE
dalam beberapa hal:
• Pertama, dengan menerapkan kriteria seleksi yang konsisten, kami
mengumpulkan kumpulan data global yang lebih besar dan lebih homogen
dibandingkan yang tersedia sebelumnya.
• Kedua, kami menerapkan analisis data yang terstandarisasi dan ketat untuk
mendapatkan hubungan konversi yang dapat dibalik untuk GMICE global
yang baru.

Edisi Awal BSSA

GMICEs: Hubungan Global dan Evaluasi Ketergantungan Regional 3

Tabel 1
Kumpulan Data yang Dikumpulkan Persamaan Konversi Gerakan Tanah ke Intensitas (GMICE).

Intensitas Jumlah Pasangan

Besarnya Jangkauan Intensitas (Sebelum dan sesudah PGM – Intensitas Jarak
Referensi Jangkauan Definisi PGM Digunakan Jenis Kendala Kami) Jarak (km) Wilayah Jangkauan

Wa99 5:6≤M≤7:3 Lebih besar dari 2 4–9 MMI 342/36 <58 Kalifornia <276
horisontal
komponen
Wo12 3≤M≤7:3 Lebih besar dari 2 1–8.6 MMI 2141/1878 <2 Kalifornia <488
horisontal
komponen
FM10 terintegrasi 3≤M≤6:9 Lebih besar dari 2 2–8 MCS 265/238 <3 Italia <200
dengan IMD horisontal
basis data komponen
TD08 (diperbarui) 3:5≤M≤6:9 Mandiri 4–8 MMI 164 <5 Yunani <141
horisontal
komponen
DC11 2:5≤M≤4:6 Mandiri 2–5 MMI 64 Tidak dikenal Tengah–timur <618
horisontal Amerika Serikat
komponen
Diagregasi 2:5≤M≤7:3 Lebih besar dari 2 2–9 Campuran 2380 <2 Aktif secara global <200
kumpulan data (ini horisontal Kerak
belajar) komponen
Atlas dikompilasi 4:2≤M≤8:1 Lebih besar dari 2 1–10 Campuran 1519/147 <10 Global <707
olehCuadkk. horisontal
(2010) komponen

Kami menggabungkan pasangan gerakan tanah-intensitas yang diambil dari berbagai penelitian:Wald, Quitoriano, Heaton, dan Kanamori (1999)DanKata-katadkk. (2012) dari
California (masing-masing Wa99 dan W12),Faenza dan Michelini (2010)dari Italia (FM10; IMD, Database Makroseismik Italia),Tselentis dan Danciu (2008)dari Yunani (TD08), dan
Danngkua dan Cramer (2011)dari Amerika Serikat bagian tengah-timur (DC11). Kumpulan data diperoleh dengan mengumpulkan semua data lainnya. PGM, puncak gerakan
tanah; MMI, intensitas Mercalli yang dimodifikasi; MCS, Mercalli–Cancani–Sieberg

• Terakhir, kami membandingkan hubungan GMICE global kami yang baru
dengan hubungan asli yang diperoleh dari kumpulan data regional, serta
kumpulan data independen, dan menentukan apakah ada ketergantungan
regional dan cara terbaik untuk memperhitungkan ketergantungan ini.
Meskipun isu ketergantungan regional terhadap GMPE telah
dipelajari dengan sangat rinci, meskipun dengan hasil yang belum pasti (
Allen dan Wald, 2009), apalagi yang telah dilakukan sehubungan dengan
GMICE. Salah satu tujuan penelitian ini adalah untuk mengukur perilaku
sistematis yang bergantung pada wilayah dalam hubungan antara
intensitas makroseismik dan rekaman gerakan tanah. Kami
menggabungkan kumpulan data yang dipublikasikan dari berbagai
wilayah: California, Amerika Serikat bagian tengah-timur (CEUS), Yunani,
dan Italia. Sebagian besar studi GMICE yang ada (Cuadkk.,2010)
berkonsentrasi pada satu wilayah atau menggabungkan data dari
California dengan database yang lebih sedikit dari wilayah lain (misalnya,
untuk CEUS). Perbandingan antara hubungan-hubungan yang diperoleh
dari penelitian-penelitian sebelumnya menunjukkan bahwa kesenjangan
tersebut dapat disebabkan oleh karakteristik daerah, namun
kesenjangan tersebut tidak pernah diukur. Dalam studi ini, kami
mengumpulkan kumpulan data yang dipublikasikan dari pengamatan
intensitas PGM berpasangan dari wilayah kerak aktif, mengumpulkan
serangkaian metadata yang konsisten untuk menghasilkan GMICE global
baru, dan menentukan faktor koreksi untuk setiap wilayah sebagai sisa
rata-rata antara nilai prediksi dan observasi. .
Di sini kami menyajikan analisis kami pada PGV (cm=s), namun
prosedur yang sama telah diterapkan pada PGA (cm=s2),Ⓔdan itu
rinciannya tersedia dalam suplemen elektronik untuk artikel ini
(Gambar. S1 – S7).
Data
Kami mengumpulkan database global dari wilayah kerak aktif,
termasuk pengamatanWald, Quitoriano, Heaton, dan Kanamori
(1999)DanKata-katadkk. (2012)dari California (masing-masing
kumpulan data Wa99 dan Wo12), versi terbaru dariTselentis dan
Danciu (2008)dari Yunani (dataset TD08),Faenza dan Michelini (2010)
dari Italia (dataset FM10), dan pilihanDanngkua dan Cramer (2011)
data dari wilayah New Madrid di CEUS (dataset DC11). Kumpulan
data asli dariDanngkua dan Cramer (2011)berisi data dari CEUS,
Kanada, dan Bhuj; namun, hanya pasangan dari CEUS yang berisi
semua informasi yang kami perlukan (misalnya, jarak antara sumber
dan stasiun serta antara stasiun dan intensitas yang diukur), jadi
kami hanya menggunakan sebagian data tersebut. Kami juga
menggunakan subset pasangan intensitas-PGM yang diekstraksi
dari dataset ShakeMap AtlasAllen dan Wald (2009), digunakan oleh
Cuadkk. (2010), termasuk 1.516 pasangan intensitas–PGM, sebagai
pengujian untuk melihat bagaimana kinerja GMICE global yang
diturunkan di wilayah yang aktif secara tektonik dari database yang
sepenuhnya independen. Selanjutnya, agar singkatnya, kami
mengacu pada subset pasangan intensitas-gerakan tanah yang
diekstraksi dari ShakeMap Atlas sebagai dataset Atlas, dan
menekankan bahwa data Atlas digunakan dalam verifikasi, dan
bukan dalam derivasi, dari hubungan tersebut.

Edisi Awal BSSA

4 M. Caprio, B. Tarigan, CB Worden, S. Wiemer, dan DJ Wald

dikembangkan di sini. Meja1merangkum ukuran database asli dan

jumlah observasi yang tersisa setelah penerapan kriteria seleksi kami.
Kumpulan data ini juga telah dipilih untuk menghilangkan data yang
tumpang tindih dengan mempertahankan observasi dari kumpulan data
terlama (misalnya, Wo12 telah dibersihkan dari data yang juga muncul di
kumpulan data Wa99). Untuk kumpulan data Atlas, kami cukup
menghapus data dari California, CEUS, Yunani, dan Italia, karena tidak
mudah untuk memeriksa kesetaraan semua pasangan. Penulis asli,
mengikuti permintaan pribadi, telah menyediakan semua data yang
digunakan dalam penelitian kami.
Kumpulan data yang berkontribusi berbeda dalam definisi PGM
dan pasangan intensitas dan gerakan tanah. Kumpulan data Atlas, Wa99,
dan FM10 mendefinisikan PGM sebagai komponen horizontal terbesar.
TD08 dan DC11 menangani masing-masing saluran horizontal secara
independen. Dalam kumpulan data Wa99, TD08, FM10, dan DC11, setiap
stasiun dikaitkan dengan intensitas terdekat yang teramati, sedangkan
Atlas mengaitkan intensitas dengan stasiun terdekat, sehingga satu
ukuran PGM dapat dikaitkan dengan lebih dari satu intensitas. Terakhir,
kumpulan data Wo12 disusun menggunakan metodologi DYFI untuk
Gambar 2. Basis data PGV yang dipilih versus intensitas dikumpulkan
menggabungkan setidaknya tiga laporan intensitas geocode dalam
di sini untuk wilayah California, Amerika Serikat bagian tengah-timur
radius 2 km dari stasiun. Fakta bahwa berbagai penelitian ini (CEUS), Yunani, dan Italia.
menggunakan pendekatan berbeda dalam memasangkan intensitas dan
gerakan tanah berkontribusi terhadap ketidakpastian hubungan turunan
mirip dengan versi terbatas untuk PGA dan PGV (perbedaan nilai prediksi
kita.
selalu lebih kecil dari 0,27 unit intensitas). Kami fokus pada PGV dan PGA,
Ketidakkonsistenan lain di antara penelitian-penelitian ini terletak
karena penelitian sebelumnya menunjukkan PGV memiliki korelasi
pada skala intensitas yang dijadikan acuan. Basis data terkait USGS
terbaik dengan intensitas pada tingkat intensitas yang lebih tinggi
menggunakan penugasan intensitas Mercalli yang dimodifikasi (MMI)
(misalnya,Pembuat kapaldkk.,2001) dan karena PGA dan PGV adalah
yang konsisten dengan pendekatanDeweydkk. (1995), sedangkan penulis
variabel gerakan tanah yang umum pada kumpulan data yang dipilih.
di Istituto Nazionale di Geofisica e Vulcanologia (INGV) di Italia
GMICE yang diterbitkan biasanya bekerja dengan logaritma PGM basis
menggunakan skala Mercalli–Cancani–Sieberg (MCS). MengikutiMusson
10, jadi kami juga menggunakan logPGM.
dkk. (2009), pertama-tama kami mengasumsikan kesetaraan antara
semua skala dan kemudian memverifikasi apakah terdapat bias
sistematis yang sesuai dengan pemilihan skala. Metodologi dan Hasil Model Regresi
Untuk menghomogenisasi database, kami menerapkan kriteria umum
Kami melakukan pendekatan terhadap asal mula hubungan regional dan
pada sebagian besar penelitian yang sedang dipertimbangkan:
global dalam lima langkah:
• nilai PGM terbesar antara dua komponen horizontal,
1. identifikasi parameter yang berkorelasi tinggi dengan intensitas
• jarak antara pengamatan makroseismik dan gerakan
makroseismik;
tanah <2km,
2. menguji konsistensi data kami dalam dua periode waktu: sebelum dan
• jarak hiposenter stasiun seismik <200km, dan
sesudah tahun 1990;
• intensitas makroseismik 2 adalah intensitas terendah yang diperbolehkan.
3. derivasi hubungan regional dan global;
Danngkua dan Cramer (2011)DanTselentis dan Danciu 4. memverifikasi asumsi model;
(2008)tidak memberikan informasi mengenai jarak intensitas 5. mengevaluasi besaran dan jarak.
terhadap gerak tanah; dalam hal ini, kami tidak menerapkan
batasan apa pun terhadap data ini.
Identifikasi Parameter
Kumpulan data gabungan terdiri dari 2.380 observasi untuk empat
wilayah dan mencakup rentang besaran2:5≤M≤7:3 dan mencakup rentang Matriks plot sebar pada Gambar3menunjukkan distribusi
waktu dari tahun 1965 hingga 2005. Gambar2menunjukkan kumpulan data dan korelasi antara intensitas, PGA, PGV, magnitudo gempa,
agregat akhir ini. Kami menerapkan batasan yang sama pada kumpulan data jarak hiposentral, dan kedalaman gempa untuk empat wilayah
Atlas dan menghapus semua data yang sudah digunakan dalam memperoleh yang diteliti (California, CEUS, Yunani, dan Italia). Setiap baris
hubungan global. Hal ini menghasilkan kumpulan data Atlas yang dikurangi dan kolom dalam suatu matriks mewakili satu parameter.
sebanyak 147 pasangan intensitas–PGM yang terdistribusi secara global (yang Diagonal setiap matriks menunjukkan histogram distribusi
selanjutnya kami rujuk sebagai kumpulan data Atlas) yang digunakan sebagai setiap variabel, dan garis serta kolom yang bersilangan
kumpulan data pengujian independen untuk GMICE global kami. menampilkan plot sebar di segitiga atas dan nilai korelasi di
Sebagai perbandingan, kami juga memproses data tanpa segitiga bawah. Angka4 menunjukkan representasi matriks
menerapkan kriteria seleksi apa pun, dan hasilnya adalah GMICE yang sama dari gabungan

Edisi Awal BSSA

GMICEs: Hubungan Global dan Evaluasi Ketergantungan Regional 5

Gambar 3.Kumpulan data regional dan korelasi parametriknya. Histogram pada panel diagonal menunjukkan distribusi intensitas, logPGV,
logPGA, magnitudo, jarak hiposentral, dan kedalaman peristiwa. Panel atas setiap matriks berisi plot sebar antara parameter-parameter ini,
dan panel bawah menunjukkan korelasi timbal baliknya. Kami tertarik pada baris dan kolom pertama matriks yang menampilkan
ketergantungan intensitas pada parameter lainnya. Misalnya, pada data California, baris 1 kolom 2 menunjukkan plot sebar antara intensitas
Mercalli termodifikasi (MMI) dan PGV, sedangkan baris 2 kolom 1 menunjukkan korelasinya (0,88). Demikian pula baris 1 kolom 5
menunjukkan sebaran antara MMI dan jarak hiposentral (HDIST), dan baris 5 kolom 1 menunjukkan korelasinya sebesar 0,095.

kumpulan data dan kumpulan data Atlas. Kami tertarik untuk
mengidentifikasi parameter yang paling berkorelasi dengan intensitas
makroseismik. Matriks menunjukkan bahwa logPGV adalah variabel yang
berkorelasi paling kuat dengan intensitas, diikuti oleh logPGA, sehingga
dalam analisis berikut kami akan fokus pada kedua parameter tersebut.
Konsistensi Waktu
rentang waktu kami dan karena kami berasumsi bahwa peraturan
bangunan dan praktik konstruksi telah meningkat seiring berjalannya
waktu. Angka5menunjukkan data sebelum dan sesudah tahun 1990
untuk wilayah yang diteliti. Analisis menunjukkan bahwa California dan
Yunani memiliki perilaku serupa dalam waktu (P-nilainya masing-masing
adalah 0,7373 dan 0,816). Italia menunjukkan perilaku yang konsisten
ketika datanya tumpang tindih tetapi berbeda jika kita
mempertimbangkan keseluruhan rentang waktu (denganP-nilai masing-
masing 0,106 dan6:936×10−6). Data CEUS tidak ditampilkan karena

Kumpulan data gabungan kami mencakup jangka waktu lebih semuanya lebih baru dari tahun 1990. Kita dapat menyimpulkan bahwa

dari 30 tahun. Untuk menghindari inkonsistensi sistematis akibat deklarasi intensitas dalam database kita konsisten dalam hal waktu.

perbedaan kriteria deklarasi intensitas dan/atau peraturan Konsisten dengan penelitian sebelumnya (Atkinson dan Wald, 2007;Kata-

bangunan, kami melakukan analisis varians (ANOVA) sebelum dan
sesudah tahun 1990 untuk semua wilayah. Uji ANOVA terdiri dari
kombinasi uji statistik yang cocok untuk menyimpulkan apakah rata-
rata kelompok (atau model) yang berbeda adalah sama atau tidak.
Ini menghitung probabilitas yang terkait dengan hipotesis nol (P-
nilai) bahwa rata-ratanya sama. (AP-nilai>0:05mendukung hipotesis
nol.) Kami memilih tahun 1990 karena berada di tengah-tengah
katadkk.,2012), kami mengasumsikan kesetaraan antara DYFI dan MMI
tradisional yang dianggap berasal dariDeweydkk. (2002)DanWald,
Quitoriano, Dengler, dan Dewey (1999). Selain itu, kesepakatan yang baik
pada intensitas tinggi antara regresi yang diperolehWald, Quitoriano,
Heaton, dan Kanamori (1999), menggunakan data MMI tradisional, dan
data yang diperoleh dariKata-katadkk. (2012), yang diperoleh dengan
data DYFI, merupakan bukti tambahan dari kesetaraan ini (Gbr.1).

Edisi Awal BSSA

6 M. Caprio, B. Tarigan, CB Worden, S. Wiemer, dan DJ Wald

Gambar 4.Kumpulan data gabungan dan Atlas serta korelasi parametriknya. Histogram pada panel diagonal menunjukkan distribusi intensitas,
logPGV, logPGA, magnitudo, jarak hiposentral, dan kedalaman peristiwa. Panel atas berisi plot sebar antara parameter-parameter ini, dan panel bawah
menunjukkan korelasi timbal baliknya. Kami tertarik pada baris dan kolom pertama yang menampilkan ketergantungan intensitas pada parameter
lainnya. (Skala untuk kedua dataset tidak sama).

data bervolume lebih besar dengan intensitas rendah tidak terlalu

Gambar 5. Perbandingan pasangan PGV-intensitas untuk California,
Italia, dan Yunani sebelum dan sesudah tahun 1990 untuk setiap wilayah. Data CEUS
semuanya lebih baru dari tahun 1990 sehingga tidak disertakan.
Derivasi Hubungan
Karena distribusi data yang heterogen antara intensitas rendah
dan tinggi, kami membuat rata-rata data logPGM yang berada
dalam bin unit intensitas 0,5 (misalnya, 5,25–5,75) dan menetapkan
logPGM rata-rata ini ke tingkat intensitas yang dinyatakan (misalnya,
5,5). Rata-rata data logPGM ini memastikan bahwa setiap tingkat
intensitas mempunyai bobot yang sama dalam regresi dan bahwa
mendominasi hasil regresi sehingga merugikan data yang lebih jarang
pada tingkat intensitas lebih tinggi. Proses ini menghasilkan perbedaan
kurang dari 0,3 satuan intensitas dalam nilai prediksi jika kita
membandingkannya dengan hubungan yang diperoleh dengan tidak
membuat rata-rata data. Dalam kasus hubungan bilinear, binning akan
sangat berdampak pada titik fleksi relasi. Pengelompokan horizontal
(menetapkan rata-rata logPGM pada setiap tingkat intensitas) akan
menghasilkan engsel dalam kisaran intensitas makroseimik antara 4 dan
5, sedangkan penggabungan vertikal (yaitu, mengambil intensitas rata-
rata dalam kisaran PGM tertentu) akan memindahkan engsel ke
intensitas 2,5 –3.5. Kami berspekulasi bahwa yang pertama dapat
dipahami sebagai ambang batas antara guncangan yang dirasakan dan
dampak fisik gempa bumi, sementara kami tidak mengenali penjelasan
fisik apa pun yang terkait dengan engsel kedua. Selain itu, penelitian lain
dengan hubungan bilinear (Wald, Quitoriano, Heaton, dan Kanamori,
1999;Atkinson dan Kaka, 2007;Danngkua dan Cramer, 2011;Kata-kata
dkk.,2012) menggunakan pendekatan binning horizontal, sehingga
menghasilkan engsel dengan rentang intensitas makroseismik yang kira-
kira sama.
Regresi linier tradisional (kuadrat terkecil biasa [OLS])
memerlukan asumsi bahwa variabel independen X (dalam hal ini
PGM) diukur tanpa kesalahan, sedangkan hanya ukuran variabel
terikatnya sajakamu (dalam hal ini, intensitas) dipengaruhi oleh
kesalahan. MengikutiFaenza dan Michelini (2010)DanKata-katadkk. (
2012), kami menerapkan regresi ortogonal, juga dikenal sebagai
total kuadrat terkecil (TLS) atau regresi ortogonal Deming (Deming,
1943;de Groen, 1996; Markovsky dan Van Huffel, 2007), yang
mengakomodasi ketidakpastian pada kedua variabel dan
memastikan reversibilitasnya

Edisi Awal BSSA

GMICEs: Hubungan Global dan Evaluasi Ketergantungan Regional
Gambar 6.(a) logPGV versus intensitas Deming cocok untuk hubungan global kita (garis padat ungu) pada data. Pilihan rata-rata dan satu
dan dua standar deviasi juga ditampilkan. Sisipan menunjukkan histogram distribusi residu. (b) Uraian penentuan intensitas dan kesalahan
PGM (lihatDerivasi Hubunganbagian untuk diskusi). (c) Perbandingan hubungan global yang dikoreksi (ungu) dengan penelitian lain
ditunjukkan pada Gambar1(abu-abu).
hubungan turunan. Regresi ortogonal Deming
meminimalkan jumlah kuadrat residu pada keduanyaX DanY
arah secara bersamaan. Hal ini memerlukan kesalahan agar
kedua variabel independen dan terdistribusi normal, dan
bahwa rasio δ variansnya (δ ! σ2 X)
kamu=σ2 dikenal. Menjadi-
Karena proses binning dan rata-rata, kita dapat menetapkan
kesalahan konstan pada intensitas yang sama dengan setengah bin
(yaitu, 0,25), dan untuk logPGM, kita menetapkan deviasi standar
yang sesuai di setiap bin (σPGM). Dalam kasus kami, σPGMtidak
konstan, jadi kita asumsikan δ sebagai rata-rata rasio varians, dan
setelah itu kita evaluasi pengaruh variasi δ antara nilai minimum
dan maksimumnya. Kami memverifikasi bahwa fluktuasi δ dalam
kisaran tersebut tidak memiliki dampak yang relevan pada titik
potong dan kemiringan dalam model kami, sehingga
mempengaruhinya kurang dari 0,6%. Regresi ortogonal pada data
binned hanya memungkinkan satu regressor, jadi kami fokus pada
variabel dengan korelasi tertinggi, yaitu intensitas makroseismik
dan PGM (Gambar 2).3). Karena kumpulan data kami berisi
pengamatan dari skala intensitas yang berbeda, kami akan
menyebut intensitas sebagai INT, dengan pemahaman bahwa,
dalam regresi kami, parameter ini merupakan kombinasi data MMI
dan MCS. Hubungan yang kami selidiki adalah
DALAM! α1" β1logPGM jika logPGM≤TPGM
dan INT! α2" β2logPGM jika logPGM >TPGM: #1$
Berkat reversibilitasnya, IGMCE yang sesuai dapat dengan mudah
diperoleh
logPGM! #INT − α1$=β1 jika INT≤TINTI
dan logPGM! #INT − α2$=β2 jika INT >TINTI; #2$
denganTPGMDanTINTImenjadi ambang batas akhir dalam kasus
hubungan bilinear. Dalam penelitian ini, satuan PGM adalah
sentimeter per detik untuk PGV dan sentimeter per detik kuadrat
untuk PGA.
Edisi Awal BSSA
7
Angka2menunjukkan data rata-rata untuk setiap wilayah. Kami
kemudian memperoleh hubungan regresi global untuk mengukur
ketergantungan regional. Kami membuang data gabungan dari
empat wilayah, memperoleh satu set 15 pasangan INT-PGM dan
menguji apakah regresi tunggal atau bilinear lebih tepat. Kami
menerapkan tes Davies (Davis, 1987) untuk memahami apakah data
lebih baik dimodelkan dengan hubungan linier atau bilinear. Tes ini
memberikanP-nilai yang terkait dengan hipotesis nol hubungan
garis tunggal. Tes ini lebih menyukai regresi bilinear (P%nilai !9:6×10
−07), dengan break point di logPGV !0:32dan logPGA!1:58 (sesuai
dengan intensitas masing-masing 4,92 dan 4,87; Gambar.6aDanⒺ
S3). Karena data yang diberikan pada hubungan Deming sudah
dirata-ratakan sebelumnya, kami mendefinisikan ketidakpastian
kami dengan menggabungkan deviasi standar rata-rata yang
diperoleh dari proses binning padaXDankamusumbu (yaitu, 0,25
untuk intensitas, 0,4 untuk logPGV, dan 0,3 untuk logPGA; Gambar.
6b), daripada menggunakan deviasi yang jauh lebih kecil yang
terkait dengan intersep dan kemiringan yang diperoleh dari relasi
Deming. Dengan menerapkan trigonometri dasar (Gbr.6b), kita
mengetahui bahwa kemiringan β adalah garis singgung sudut ξ
antara garis regresi dan absis.
Kami memperoleh yang berikut ini untuk setiap
segmen regresi:
σX! σPGV"δX σY! σINTI"δkamu
δkamu! Rdosa ξ Dan σX! Rkarena ξ δY! σXtgξ
δX! R'karena ξ Dan σkamu! R'dosa ξ δX! σkamu=tgξ:
Untuk dua bagian regresi, kita masing-masing memilikinya
σY! σINTI" σPGM×β1 σX! σPGV" σINTI=β1
σY! σINTI" σPGM×β2 σX! σPGV" σINTI=β2 #3$
Pada Gambar6c, kita dapat mengapresiasi bagaimana hubungan turunan
berperilaku sehubungan dengan hubungan GMICE yang ada seperti yang
diilustrasikan pada Gambar1.
8 M. Caprio, B. Tarigan, CB Worden, S. Wiemer, dan DJ Wald
Meja 2
Koefisien untuk Persamaan(1)Dan(2)untuk Hubungan Global
Wilayah TPGM(catatan10PGM) α1 β1 σX1
Global PGV 0,3±0,2 4.424 1.589 0,6 0,9
PGA 1,6±0,2 2.270 1.647 0,4 0,7-1,361 3,822 0,4 1,4 4,87±0,3
PGM, puncak gerakan tanah; PGV, kecepatan gerak puncak, dinyatakan dalam sentimeter per detik; dan PGA, percepatan
puncak tanah dalam sentimeter per detik kuadrat; σ, kesalahan aktifXDankamuporos hubungan global.
Perkiraan koefisien tercantum dalam Tabel2. Kami menerapkan
ANOVA untuk memverifikasi bahwa ketergantungan regional merupakan
regresi yang signifikan dengan menetapkan variabel dummy ke wilayah
yang berbeda, dan pengujian tersebut mengkonfirmasi hipotesis ini
dengan aP-nilai sama dengan2:2×10−16.
Memverifikasi Asumsi Model
Kami melakukan analisis residu pada regresi untuk
memverifikasi bahwa semua asumsi tersirat terpenuhi, yaitu
residu (diprediksi-diamati) terdistribusi secara normal di
sekitar nol dengan varian konstan (yaitu, ε∈N#0; $,dengan
konstanta Σ), dan keduanya tidak berkorelasi. Analisis ini
bergantung pada hal-hal berikut:
• ItuT-tes memverifikasi distribusi residu sekitar nol; hasil positif
menegaskan bahwa model tersebut sesuai dengan data.
• Tes Durbin–Watson (Durbin dan Watson, 1950)
memeriksa korelasi nol dari residu; ini akan
memvalidasi signifikansi statistik dari regresi.
• Tes Breusch – Pagan (Breusch dan Pagan, 1979) mengevaluasi
varians residu; tes ini sensitif terhadap penilaian yang
berlebihan terhadap kebaikan kecocokan.
Tes ini lulus-gagal, asalkanP-nilai yang terkait dengan
hipotesis nol. Kami menerapkan pengujian pada masing-
masing regresi, dan semuanya lulus, menunjukkan bahwa
residu bekerja dengan baik dan regresi tersebut mewakili
data. Hasil pengujian ditabulasikan pada Tabel3.
Ketentuan Besaran dan Jarak
Atkinson dan Kaka (2007)mempopulerkan pendekatan
sekuensial untuk regresi GMICE. Pada langkah pertama,
ketergantungan intensitas pada PGM dikarakterisasi. Pada
langkah kedua, ketergantungan residu dari langkah pertama
pada besaran dan jarak dikarakterisasi dan digunakan untuk
menghasilkan istilah koreksi besaran dan jarak. Hasil akhirnya
adalah hubungan untuk memprediksi intensitas sebagai fungsi
dari PGM, magnitudo, dan jarak. Pendekatan sekuensial ini juga
diterapkan olehTselentis dan Danciu (2008),Danngkua dan
Cramer (2011), DanKata-katadkk. (2012)dalam studinya masing-
masing. Selain peningkatan residu dari penerapan koreksi jarak
dan magnitudo, Atkinson dan Kaka menemukan bahwa istilah-
istilah ini menghilangkan perbedaan regional antara kumpulan
data California dan CEUS. Oleh karena itu kami mengevaluasi
kontribusi besaran dan jarak sebagai koreksi untuk hubungan
turunan.
Edisi Awal BSSA
σkamu1 α2 β2 σX2 σkamu2 TINTI
4,018 2,671 0,5 1,3 4,92±0,3
Tabel 3
P-Nilai Tes Validasi
P-nilai-nilai
Regresi T-Tes Tes DW Tes BP
PGV Global 1 0,2 0,1
PGA Sedunia 1 0,6 0,1
DW, tes Durbin – Watson; BP, tes Breusch – Pagan.
Hubungan PGA global diperoleh dari 13 poin pertama yang
lulus uji BP.
Dari analisis sederhana plot matriks semua data (Gbr.4, kolom
1 dan baris 4 dan 5 dari kumpulan data gabungan), kita dapat
melihat bahwa, meskipun besaran dan intensitas memiliki korelasi
sebesar 71%, log jarak hiposenter (HDIST) dan intensitas memiliki
korelasi yang jauh lebih rendah (18%). Konfirmasi korelasi yang
rendah ini berasal dari analisis residu regresi (prediksi-pengamatan)
versus jarak dan besaran hiposentral (Gambar 2).7). Kami
mempertimbangkan korelasi tinggi antara intensitas dan jarak
dalam data Atlas (Gbr. 2).4, kolom 1, baris 5) merupakan artefak
karena distribusi magnitudo dalam kumpulan data. Sebagaimana
dicatat dari distribusi besaran Atlas (Gbr.4, kolom 4, baris 4),
sebagian besar besaran dalam kumpulan data Atlas adalah antara 7
dan 7,5. Maka masuk akal jika intensitasnya berskala dengan jarak
untuk besaran tertentu. Untuk jarak dan besaran, kami melakukan
tiga regresi berbeda: garis hijau mewakili hasil yang diperoleh
dengan menerapkan regresi ortogonal (TLS) pada semua titik data,
garis merah adalah OLS pada data yang sama, sedangkan garis
oranye adalah hasilnya. dari OLS yang diterapkan pada data binned
(0,25 dalam jarak log dan 0,5 satuan magnitudo). Plot kiri pada
Gambar7menunjukkan hubungan yang hampir vertikal antara
residu dan logHDIST menggunakan TLS, sedangkan kedua garis OLS
hampir datar dengan titik potong nol. Oleh karena itu, kami percaya
bahwa masuk akal untuk mengabaikan istilah jarak. Plot di sebelah
kanan menggambarkan tren linier yang berbeda antara residu dan
besaran. Oleh karena itu, kami hanya mempertimbangkan
kontribusi dari segi besarnya saja.
Kesesuaian regresi dari residu versus besaran
dijelaskan oleh
Sisa!1& 0:6 − 0:2 & 0:6×MAG#TLS$; Sisa!0:65 &
0:05 − 0:14 & 0:01×MAG#OLS$; dan Residu!0:4&
0:3 − 0:11 & 0:06×MAG#BIN$:
#4$
GMICEs: Hubungan Global dan Evaluasi Ketergantungan Regional
Gambar 7. Distribusi dan regresi residu versus
(a) logHDIST (jarak hiposentral) dan (b) magnitudo (MAG) untuk PGV.
Garis hijau mewakili regresi yang diperoleh dengan total kuadrat terkecil
(TLS), garis merah mewakili hasil yang diperoleh dengan menggunakan
regresi kuadrat terkecil biasa (OLS), dan garis oranye adalah OLS binned.
Pada (a) tren TLS hampir vertikal, sedangkan dua lainnya hampir
horizontal dengan nol intersep, yang menegaskan kurangnya korelasi
antara intensitas dan jarak hiposentral, sedangkan pada (b) kita memiliki
tren yang bermakna dan konsisten yang dapat kita gunakan sebagai
koreksi mengikuti pendekatan penelitian sebelumnya.
Kontribusi besaran yang diperoleh dari ketiga regresi adalah serupa
untuk semua metode (data TLS, OLS, dan BINNED), sehingga pada
Gambar8, kami hanya menampilkan hasil penerapan istilah besaran
yang diperoleh TLS pada kumpulan data lengkap dan wilayah demi
wilayah. Dalam semua kasus, rata-rata residu tidak berubah secara
drastis, sedangkan kontribusi besaran suku akan mempengaruhi
kemiringan distribusi residu regional (lihat Gambar.8b,c). Kami
hanya dapat berspekulasi bahwa tren ini mungkin disebabkan oleh
perbedaan antara data berintensitas rendah dan tinggi di seluruh
kumpulan data.
Hasil dari memasukkan istilah ini tidak menghasilkan peningkatan
substansial dalam kecocokan keseluruhan dibandingkan dengan
persamaan(1)Dan(2), dan oleh karena itu kami tidak akan memasukkan
istilah besaran tersebut dalam hubungan global akhir kami.
Di akhir bagian berikutnya, kami akan menganalisis secara lebih
rinci kontribusi dari berbagai istilah koreksi untuk mengidentifikasi
istilah-istilah yang berkinerja lebih baik.
Kuantifikasi Aspek Regional dan Penerapannya
ke Kumpulan Data Atlas
Untuk mengukur variasi regional dari GMICE global kami, kami
menerapkan model tersebut pada kumpulan data regional kami dan
menentukan mean dan varians dari residu sebagai faktor koreksi
regional. Kami kemudian menerapkan hubungan global dan koreksi
yang ditentukan pada kumpulan data pengujian Atlas.
Pada Gambar9, kami menampilkan wilayah dengan lebih dari
100 catatan (California, Yunani, dan Italia). Sisanya menunjukkan
adanya pergeseran sistematis pada dua dari tiga wilayah tersebut.
Hubungan global tersebut melebih-lebihkan dataset California 0:6 &
0:7unit intensitas (rata-rata) dan meremehkan kumpulan data Italia
sekitar -0:5 & 0:8.Kumpulan data Yunani
Edisi Awal BSSA
9
tampaknya digambarkan dengan baik oleh hubungan global
(0:1 & 0:6).Kami menyarankan bahwa rata-rata pergeseran ini
mewakili ketergantungan regional dan mengusulkan koefisien
tambahan γPGMdan φPGMhubungan global:
DALAM! αSaya" βSayalogPGM " γPGM #5$
Dan
logPGM! #INT − αSaya$=βSaya" φPGM; #6$
di manaSayamengacu pada kondisi ambang batas sedemikian rupa
sehinggaSaya !1 mengacu pada intensitas rendah (atau PGM) danSaya !2
hingga intensitas tinggi (atau PGM). Koefisien koreksi yang diturunkan
ditunjukkan pada Tabel4.
Untuk memverifikasi keandalan koreksi regional, kami
membandingkan hubungan global yang dikoreksi dengan titik data rata-
rata untuk setiap wilayah untuk PGA dan PGV (Gbr. 2).10). Untuk
mempermudah, kesalahan pada titik potong dan kemiringan tidak diplot
pada gambar, namun disajikan dalam Tabel2dan disebut sebagai σ.
Perbandingan pada Gambar10menunjukkan kesesuaian yang baik
dengan data Kalifornia dan relatif baik dengan data Yunani. Namun,
dalam kasus Yunani, kumpulan data tidak berisi data untuk intensitas
yang lebih rendah dari 4, sehingga bagian dari kecocokan intensitas
rendah bersifat spekulatif. Saat kami mencoba mencocokkan data Italia
dengan hubungan bilinear, kami menemukan kecocokan yang lebih baik
antara data dengan intensitas sedang dan tinggi, sementara bias kecil
terjadi pada intensitas rendah (≤3:5).
Kami menguji hubungan global menggunakan dataset
pengujian Atlas (Gbr. 2).11a). Untuk PGV, 80% observasi Atlas berada
dalam satu kesalahan σ, sedangkan 97% berada dalam 2 σ (untuk
PGA korespondensinya masing-masing adalah 87% dan 98%). Angka
11bmenunjukkan sebaran geografis sisa data Atlas. Data Atlas
secara geografis jarang, dan karena alasan ini kami
menggunakannya hanya sebagai pengujian independen untuk
hubungan tersebut dan bukan untuk memperolehnya.
Dari Gambar11a, kami menghubungkan ke setiap wilayah Atlas
faktor koreksi yang paling sesuai yang kami evaluasi untuk Italia, Yunani,
atau California dengan mengevaluasi faktor koreksi regional mana yang
meminimalkan ketidaksesuaian. Dengan cara ini, kami dapat
menentukan koreksi di seluruh dunia meskipun tidak terdapat cukup
data di wilayah tertentu untuk mendapatkan hubungan regional. Dengan
menggunakan pendekatan ini, pertama-tama kita dapat menetapkan
masing-masing wilayah geografis dalam katalog Atlas ke salah satu dari
tiga kelompok seperti yang ditunjukkan pada Tabel5(ⒺTabel S1).
Penugasan ini sangat bergantung pada jumlah dan distribusi data Atlas
kami. Jika tersedia jumlah observasi yang memadai untuk wilayah
tertentu, koreksi awal ini dapat diganti dengan koreksi yang diperoleh
menggunakan metode yang dijelaskan di sini untuk Italia, Yunani, dan
Kalifornia.
Kami membandingkan kinerja hubungan global kami
dengan studi GMICE sebelumnya yang dilakukan olehAtkinson
dan Kaka (2007)DanKata-katadkk. (2012)pada kumpulan data
yang dikumpulkan. Meja6mencantumkan mean dan deviasi
standar residu (prediksi-pengamatan) untuk tiga metode di tiga
wilayah dan pada data ATLAS. Angka12menunjukkan sisa
dataset Atlas sebagai fungsi logPGV,
10 M. Caprio, B. Tarigan, CB Worden, S. Wiemer, dan DJ Wald

Angka 8.Perbandingan residu sebelum dan sesudah termasuk besarannya (masing-masing titik abu-abu dan hijau), diperoleh dengan menggunakan regresi TLS.
Pada (a) kita memiliki sisa dari semua data, sedangkan pada (b), (c), (d), dan (e) kita dapat melihat wilayah demi wilayah bagaimana kinerja istilah magnitudo. Kami
juga memasukkan tren sebelum dan sesudah koreksi jangka besaran.

Edisi Awal BSSA

GMICEs: Hubungan Global dan Evaluasi Ketergantungan Regional 11

Gambar 9.(a) Detail tiga wilayah yang memiliki lebih dari 100 catatan. Sisipan kanan atas menunjukkan nilai rata-rata logPGV untuk
California, Yunani, dan Italia pada setiap kelompok intensitas, dan hubungan global. Panel bawah (b) menunjukkan distribusi residu
(diprediksi – diamati).

jarak hiposenter, dan magnitudo dan menggambarkan
kontribusi dari istilah koreksi yang berbeda. Dalam kasus
penelitian ini, istilah koreksinya adalah koreksi regional
yang dijelaskan di atas; dan untukAtkinson dan Kaka (2007)
DanKata-katadkk. (2012), koreksinya adalah suku jarak dan
magnitudo yang diperoleh dari studi tersebut.
Kami menguji ketiga hubungan tersebut pada kumpulan data
yang sepenuhnya independen untuk memperkirakan bagaimana
lasi, sedangkan koreksi yang diperoleh dalam penelitian ini
menunjukkan peningkatan prediksi di ketiga representasi.
Meskipun Atkinson dan Kaka menemukan bahwa koreksi jarak
dan magnitudo menghilangkan perbedaan regional, penerapan
koreksi yang sama pada data independen ini menunjukkan bahwa
ketentuan koreksi yang diperoleh dengan menyesuaikan residu
hanya menyelesaikan sebagian perbedaan regional. Analisis kami
menunjukkan bahwa regionalisasi lebih baik daripada koreksi

kinerja istilah koreksi ini saat diekspor ke data lain. Dari Gambar12, besaran dan jarak dalam hal mengurangi ketidakpastian yang
tersisa. Bagi kami, regionalisasi secara fisik juga merupakan
kami melihat bahwa sisa koreksi dariAtkinson dan Kaka (2007) Dan
pendekatan yang lebih masuk akal, karena perbedaan regional
Kata-katadkk. (2012)tidak berkinerja seperti yang diharapkan ketika
memang diharapkan dan terlihat jelas dalam data yang kami
diterapkan pada data independen. Faktanya, dalam dua dari tiga
selidiki.
kasus (sisa versus PGV dan residu versus jarak), relasi yang dikoreksi
berperilaku lebih buruk dibandingkan relasi yang tidak dikoreksi.
Kesimpulan dan Pembahasan

Ketersediaan GMICE/IGMCE global dan invertible akan membantu

Tabel 4
memperkaya kumpulan data intensitas dan PGM di wilayah dengan
Faktor Koreksi Regional yang Harus Ditambahkan pada
Hubungan Global (Persamaan5Dan6) untuk Tiga Wilayah Kami kegempaan rendah atau kepadatan sensor seismik rendah. Hal ini juga
Dianalisis akan berguna bila diterapkan pada katalog intensitas historis dan untuk
mengubah pengamatan intensitas menjadi gerakan tanah dan
Wilayah γPGV γPGA ϕPGV ϕPGA
sebaliknya, sehingga memastikan hasil yang timbal balik.
Kalifornia − 0,6±0,7 - 0,6±0,7 0,3±0,4 0,3±0,4
Studi kami menunjukkan bahwa ketergantungan regional
Yunani − 0,1±0,6 0,0±0,8 0,0±0,2 0,0±0,3
Italia 0,5±0,8 0,3±0,9 − 0,2±0,3 - 0,2±0,4 antara intensitas dan PGM tidak dapat diabaikan. Kami fokus
pada hubungan antara intensitas dan PGV (dan PGA) dan

Edisi Awal BSSA

12 M. Caprio, B. Tarigan, CB Worden, S. Wiemer, dan DJ Wald

Gambar 10.Perbandingan hubungan global yang dikoreksi dengan hubungan yang diturunkan secara regional untuk PGA dan PGV. Simbol menunjukkan
pasangan intensitas-logPGM rata-rata untuk setiap wilayah, dan garis putus-putus menunjukkan hubungan global yang sesuai (hijau untuk Kalifornia, merah untuk
Italia, dan biru untuk Yunani).

Gambar 11.(a) Database Atlas sehubungan dengan hubungan global PGV. Warnanya bergantung pada asosiasi koreksi: abu-abu untuk
California, biru untuk Yunani, dan hijau untuk Italia. (b) Distribusi residu secara geografis (diprediksi–diamati).

Edisi Awal BSSA

GMICEs: Hubungan Global dan Evaluasi Ketergantungan Regional 13

Tabel 5
Penugasan Kesamaan Regional untuk Data Atlas PGV
Jumlah Rata-rata Standar Terkait Kekuatan
Bangsa Atlas Pengamatan Sisa Deviasi Wilayah T-Tes % Rata-rata_Corr SD_Corr

Australia 12 − 0,95 0,96 Italia 31 − 0,44 0,96

Meksiko 1 0,24 TIDAK Yunani TIDAK 0,24 TIDAK

Washington 59 0,46 0,72 Kalifornia 28 − 0,13 0,72

Slovenia 3 0,4 0,4 Kalifornia 8 − 0,19 0,40
India 18 − 0,11 1.21 Yunani 6 − 0,11 1.21
Jepang 17 0,59 0,74 Kalifornia 3 − 0,005 0,74
Rumania 3 − 0,49 1.38 Italia 3 0,02 1.38
Selandia Baru 5 0,53 0,97 Kalifornia 3 − 0,06 0,97
Serbia 2 − 1.37 0,17 Italia 42 − 0,86 0,17
Aljazair 5 0,53 0,47 Kalifornia 4 − 0,06 0,47
Hawai 8 0,50 0,83 Kalifornia 5 − 0,09 0,83
Cina 1 0,41 TIDAK Kalifornia TIDAK − 0,18 TIDAK

Turki 4 0,57 1.09 Kalifornia 3 − 0,03 1.09

Peru 3 1.71 0,53 Kalifornia 51 1.12 0,53
Iran 5 0,7 0,52 Kalifornia 5 0,10 0,52
Armenia 1 − 0,46 TIDAK Italia TIDAK 0,05 TIDAK

Untuk setiap wilayah dalam kumpulan data Atlas, kami mencantumkan jumlah observasi, residu rata-rata, dan
deviasi standar sebelum dan sesudah (dalam tabel berlabel AVG_CORR, dan SD_CORR) koreksi, wilayah terkait, dan
kekuatan yang sesuai dariT-tes.

Tabel 6
Perbandingan Studi Terbaru
Himpunan data Kalifornia Italia Yunani Atlas

PGV Pelajaran ini 0,6 ± 0,7 − 0,5 ± 0,8 0,1 ± 0,6 0,0 ± 0,7
AK07 0,6 ± 0,6 − 0,7 ± 0,8 − 0,3 ± 0,6 − 0,1 ± 0,7
Wo12 0,0 ± 0,6 − 1,2 ± 0,8 − 0,7 ± 0,6 − 0,6 ± 0,7
PGA Pelajaran ini 0,6 ± 0,7 − 0,3 ± 0,9 0,0 ± 0,8 0±1
AK07 0,3 ± 0,7 − 0,8 ± 0,9 − 0,6 ± 0,8 0±1
Wo12 0,0 ± 0,7 − 1,1 ± 0,9 − 0,8 ± 0,8 − 0,6 ± 0,9

Kami membandingkan mean dan deviasi standar dari residu (prediksi-observasi) yang
diperoleh dari penelitian ini,Atkinson dan Kaka (2007; AK07), danKata-katadkk. (2012;
Wo12) pada kumpulan data global dan Atlas. Residu rata-rata penelitian ini untuk wilayah
California, Yunani, dan Italia juga merupakan koreksi regional yang diperoleh dan
tercantum dalam Tabel4.

menunjukkan bagaimana besaran dan jarak, yang telah digunakan
untuk mengatasi ketergantungan regional, tidak memperoleh hasil
yang diharapkan dalam situasi yang lebih umum. Berdasarkan data
yang tersedia, kami memperoleh tiga hubungan berbeda untuk tiga
wilayah di California, Yunani, dan Italia, dan hubungan global yang
dengannya perilaku regional dapat direproduksi dengan
menerapkan istilah sisa wilayah tertentu. Kami kemudian menguji
hubungan global kami dengan kumpulan data independen yang
lebih kecil dari wilayah lain, dan menemukan hasil yang konsisten
dalam ketidakpastian.
MengikutiFaenza dan Michelini (2010)DanKata-kata dkk.
(2012), kami memilih regresi ortogonal yang memungkinkan
adanya ketidakpastian pada kedua variabel (yaitu PGM dan
intensitas), dan menghasilkan hubungan yang dapat dibalik.
Melalui analisis awal, kami menguji apakah hubungan linear
atau bilinear lebih sesuai untuk data. Hubungan bilinear
diperlukan untuk kumpulan data global. Hubungan global
kita sejalan dengan penelitian-penelitian tersebut di atas
dalam satu standar deviasi.
Seperti yang telah diidentifikasi, variabilitas antar skala intensitas dapat
berperan dalam variasi regional ini.Mussondkk. (2009)menekankan bahwa
perbandingan skala yang berbeda belum dipelajari secara mendalam dalam
literatur, dan perbedaan antar ahli dalam menilai intensitas dengan skala yang
sama bisa lebih besar dibandingkan perbedaan yang dinilai oleh ahli yang
sama dengan menggunakan skala yang berbeda. Oleh karena itu, kami tidak
dapat mengukur seberapa besar pengaruh pilihan skala tertentu terhadap
hasil akhir, namun faktor koreksi yang didefinisikan secara implisit mencakup
ketidakpastian ini. Sumber utama ketidakpastian dalam penetapan intensitas
mungkin mencerminkan variabel-variabel dalam respon manusia: kepadatan
penduduk dan lingkungan sosial, ekonomi, dan budaya dapat mempengaruhi
gambaran guncangan dan kerusakan. Selain itu, persentase bangunan
bersejarah yang lebih tinggi (seperti yang ditemukan di Italia, misalnya) yang
pada abad-abad yang lalu mungkin pernah mengalami guncangan yang tinggi
dapat berdampak pada tingkat guncangan yang terkait dengan kerusakan
pada bangunan tersebut, sehingga meningkatkan kerentanannya. Selain
keberadaan dan kepatuhan terhadap peraturan bangunan (yang dapat
berbeda-beda di setiap negara),

Edisi Awal BSSA

14
Gambar 12.Residu intensitas (diprediksi-diamati) untuk GMICE yang diperoleh dalam penelitian ini,Atkinson dan Kaka (2007; AK07), danKata-kata dkk. (
2012; Wo12), untuk PGV. Segitiga menunjukkan hasil sebelum penerapan ketentuan koreksi yang ditentukan dalam setiap penelitian, dan lingkaran
menyertakan pengaruh koreksi tersebut. Garis putus-putus dan garis padat mewakili kesesuaian LOESS dengan titik relatif yang diplot dan
menggambarkan kontribusi faktor koreksi dalam perkiraan akhir.
Paparan penduduk terhadap aktivitas seismik dapat mengurangi reaksi
mereka terhadap guncangan tanah dengan intensitas yang lebih rendah.
Kami memperoleh GMICE dari rezim tektonik aktif. Tidak ada data
yang cukup untuk menyatakan apakah GMICE bergantung pada
lingkungan tektonik. Namun, sebagai pengujian, kami memilih kumpulan
data tektonik campuran dari Atlas untuk memverifikasi kinerja GMICE
kami untuk rezim tektonik yang berbeda dan menemukan bahwa
kinerjanya baik dalam pengaturan yang lebih umum ini.
GMICE global kami akan berguna untuk aplikasi ShakeMap,
disertai dengan koreksi regional yang meningkatkan kinerja sistem
di area yang datanya tidak mencukupi untuk menghasilkan GMICE
spesifik wilayah. Saat memilih faktor koreksi regional, penting untuk
memilih faktor yang paling sesuai dengan wilayah yang
dipertimbangkan dan tidak bergantung pada kedekatan geografis.
Membandingkan hasil penelitian ini dengan hasil GMICEs yang
diperolehAtkinson dan Kaka (2007),Kata-katadkk. (2012), dan
dengan persamaan prediksi intensitas yang diturunkan olehAllen
dkk. (2012), kami menemukan konsistensi umum di antara semua
hubungan. Namun, untuk keperluan teknik, yang terbaik adalah
menggunakan hubungan regional jika tersedia, karena hubungan
tersebut lebih terkalibrasi untuk area di mana hubungan tersebut
diterapkan.
Data dan Sumber Daya
Semua data yang digunakan dalam artikel ini berasal dari sumber
terbitan yang tercantum dalam daftar pustaka. Jika tersedia, kami
melaporkan situs web tersebut, yang didefinisikan seperti dalam
makalah asli, yang digunakan dalam penelitian sebelumnya untuk
mengunduh data dan tanggal terakhir kali diakses untuk artikel ini. Data
untuk California berasal dariKata-katadkk. (2012). Pertanyaan “Apakah
Anda Merasakannya?” (DFYI) situs web tersedia dihttp://
earthquake.usgs.gov/dyfi/(terakhir diakses September 2011); katalog
data gempa Survei Geologi AS tersedia dihttp://earthquake.usgs.gov/
research/monitoring/ anss(terakhir diakses September 2011); dan am-
Edisi Awal BSSA
M. Caprio, B. Tarigan, CB Worden, S. Wiemer, dan DJ Wald
kata-kata hampa berasal darihttp://earthquake.usgs.gov/shakemap
(terakhir diakses September 2011).
Data untuk Amerika Serikat bagian tengah-timur (
Danngkua dan Cramer, 2011) adalah darihttp://
earthquake.usgs.gov/dyfi/(terakhir diakses Februari 2011). Data
untuk Yunani (Tselentis dan Danciu, 2008) tersedia di
www.isesd.cv.ic.ac.uk(terakhir diakses Juni 2008). Data Italia
disediakan oleh Licia Faenza dan Alberto Michelini (Istituto
Nazionale di Geofisica e Vulcanologia, Italia); data tersedia
berdasarkan permintaan. Untuk Faenza dan Michelini (2010)
dataset (FM10), kami mengintegrasikan informasi yang
diberikan dengan Database Makroseismik Italia online 2011 (
http://emidius.mi.ingv.it/DBMI11; terakhir diakses Mei 2013).
Data ShakeMap Atlas disediakan oleh Georgia Cua (ETH
Zürich). Data tersedia berdasarkan permintaan.
Perangkat lunak yang digunakan dalam penelitian ini
dikembangkan dengan menggunakan bahasa pemrograman open
source R(R project,http://www.r‑project.org/; terakhir diakses Maret
2013) dan paket Tersegmentasi agar sesuai dengan model regresi
dengan hubungan garis putus-putus (http://cran.r-project.org/web/
packages/segmented/ segmented.pdf; terakhir diakses Maret 2013).
Beberapa plot dibuat menggunakan Alat Pemetaan Generik (http://
www.soest. hawaii.edu/gmt; terakhir diakses Maret 2013).
Ucapan Terima Kasih
Kami ingin mengucapkan terima kasih kepada Donny T. Danngkua dan Chris H. Cramer, Licia
Faenza dan Alberto Michelini, serta Akis Tselentis dan Laurentiu Danciu yang telah membagikan
kumpulan data mereka. Semua data tersedia berdasarkan permintaan dari penulis asli.
Kami juga berterima kasih kepada Eduard Kissling atas komentarnya yang
bermanfaat dan atas kebaikan yang ditunjukkan dalam menjawab pertanyaan kami tentang
tektonik dan banyak lagi, dan Gorgia Cua atas diskusi konstruktifnya. Kami berterima kasih
kepada Lapo Boschi karena telah membaca naskah versi awal.
Naskah ini diperbaiki dengan komentar dari Chris Cramer dan dua pengulas
anonim. Kami berterima kasih kepada Associate Editor Cesar Trifu atas dukungannya
dalam mempersiapkan naskah akhir untuk diterbitkan.
 GMICEs: Hubungan Global dan Evaluasi Ketergantungan Regional
Referensi
Allen, TI, dan DJ Wald (2009). Evaluasi pemodelan gerakan tanah
teknik untuk Digunakan dalam Global ShakeMap-Sebuah kritik terhadap
persamaan prediksi gerakan tanah instrumental, konversi puncak gerakan
tanah ke intensitas makroseismik, dan prediksi intensitas makroseismik dalam
pengaturan tektonik yang berbeda,Geol AS. Bertahan. Rept File Terbuka.
2009-1047,114.
Allen, TI, DJ Wald, PS Earle, KD Marano, AJ Hotovec, K. Lin, dan
M.Hearne (2009). Atlas ShakeMaps dan katalog keterpaparan populasi untuk
pemodelan kerugian akibat gempa,Banteng. Bumiq. bahasa Inggris7,701–718.
Allen, TI, DJ Wald, AJ Hotovec, K. Lin, PS Earle, dan KD Marano
(2008). Atlas ShakeMaps untuk gempa bumi global terpilih,Geol AS.
Bertahan. Rept File Terbuka. 2008-1236,47.
Allen, TI, DJ Wald, dan BC Worden (2012). Redaman intensitas untuk
daerah kerak aktif,J.Seismol.16,409–433.
Atkinson, GM, dan SI Kaka (2007). Hubungan antara intensitas yang dirasakan
dan gerakan tanah instrumental di Amerika Serikat bagian tengah dan
California,Banteng. Seismol. sosial. Saya.97,TIDAK. 2, 497–510.
Atkinson, GM, dan E. Sonley (2000). Hubungan empiris antara
modifikasi intensitas Mercalli dan spektrum respons,Banteng. Seismol. sosial.
Saya.90,TIDAK. 2, 537–544.
Atkinson, GM, dan DJ Wald (2007). “Apakah Kamu Merasakannya?” data intensitas: A
ukuran gerakan tanah gempa yang sangat bagus,Seismol. Res.
Biarkan.78,362–368.
Penulis Perahu, J., K. Thywissen, dan L. Seekins (2001). Korelasi tanah
gerak dan intensitas gempa bumi Northridge, California, 17 Januari 1994,
Banteng. Seismol. sosial. Saya.91,TIDAK. 4, 739–752. Breusch, TS, dan AR
Pagan (1979). Tes sederhana untuk heteroskedastisitas
dan variasi koefisien acak,Ekonometria47,1287–1294. Cua, G.,
DJ Wald, TI Allen, D. Garcia, CB Worden, M. Gerstenberger,
K.Lin, dan K.Marano (2010). “Praktik terbaik” untuk menggunakan
persamaan konversi intensitas makroseismik dan intensitas gerakan
tanah untuk model bahaya dan kerugian di GEM1,Perwakilan Teknis
GEM. 2010-4, Gem Foundation, Pavia, Italia, 67 hal.
Danngkua, DT, dan CH Cramer (2011). Intensitas perasaan versus instrumental
gerakan tanah: Perbedaan antara California dan Amerika Utara bagian timur?
Banteng. Seismol. sosial. Saya.101,TIDAK. 4 Agustus 1847–1858. Davies, RB
(1987). Pengujian hipotesis ketika ada variabel pengganggu
hanya di bawah alternatif,Biometrika74,33–43.
de Groen, PPN (1996). Pengantar total kuadrat terkecil,Baru
Arsip untuk Wiskunde14,TIDAK. 2, 237–254.
Deming, KAMI (1943).Penyesuaian Statistik Data,Wiley, New York.
Dewey, JW, MG Hopper, DJ Wald, V. Quitoriano, dan ER Adams
(2002). Distribusi intensitas dan peta isoseismal untuk gempa bumi
Nisqually, Washington tanggal 28 Februari 2001,Geol AS. Bertahan. Rept
File Terbuka. 02-346,57 hal.
Dewey, JW, BG Reagon, L. Dengler, dan K. Moley (1995). Intensitas
peta distribusi dan isoseismal untuk gempa bumi Northridge, California,
tanggal 17 Januari 1994,Geol AS. Bertahan. Rept File Terbuka. 95-92,35.
Durbin, J., dan GS Watson (1950). Setidaknya menguji korelasi serial
regresi kuadrat I,Biometrika37,409–428.
Earle, PS, DJ Wald, KS Jaiswal, TI Allen, KD Marano,
AJ Hotovec, MG Hearne, dan JM Fee (2009). Penilaian segera gempa bumi
global untuk respons (PAGER): Sebuah sistem untuk menentukan
dengan cepat dampak gempa bumi global di seluruh dunia,Geol AS.
Bertahan. Rept File Terbuka. 2009-1131,15 hal.
Faenza, L., dan A. Michelini (2010). Analisis regresi intensitas MCS
dan variabel gerakan tanah di Italia dan penerapannya di ShakeMap,
Geofisika. J.Int.78,1138–1152.
Gutenberg, B., dan CF Richter (1942). Magnitudo, intensitas,
energi dan percepatan,Banteng. Seismol. sosial. Saya.32,163–191.
Kaka, SI, dan GM Atkinson (2004). Hubungan antar instrumental
variabel gerakan tanah dan intensitas Mercalli yang dimodifikasi di Amerika
Utara bagian timur,Banteng. Seismol. sosial. Saya.94,TIDAK. 5 Agustus 1728–
1736. Kamer, Y., E. Abdulhamitbilal, MB Demircioglu, M. Erdik, U. Hancilar,
K. Sesetyan, C. Yenidogan, dan AC Zulfikar (2009).Kerugian akibat gempa
Edisi Awal BSSA
Lihat statistik publikasi
15
estimasi rutin Panduan Pengguna ELER v1.0,Universitas
Bogazici, Departemen Teknik Gempa, Istanbul.
Markovsky, I., dan S. Van Huffel (2007). Ikhtisar total kuadrat terkecil
metode,Proses Sinyal.87,2283–2302.
Michelini, A., L. Faenza, V. Luciani, dan L. Malagnini (2008). Goyang Peta
implementasi di Italia,Seismol. Res. Biarkan.79,TIDAK. 5, 688–
697. Murphy, JR, dan LJ O'Brien (1977). Korelasi titik puncak
amplitudo percepatan dengan intensitas seismik dan variabel fisik
lainnya,Banteng. Seismol. sosial. Saya.67,TIDAK. 3, 877–915.
Musson, RMW, G. Grüntal, dan M. Stucchi (2009). Perbandingan dari
skala intensitas makroseismik,J.Seismol.14,413–428.
Spence, RJS, AW Cobum, dan SJ Ruffle (2009). Estimasi kerentanan
fungsi nerabilitas berdasarkan database kerusakan gempa global,
Geofisika. Res. Abstrak.11,Abstrak No. EUG2009–12387. Trendafiloski, G.,
M.Wyss, dan P. Rosset (2011). Modul estimasi kerugian di
perangkat lunak generasi kedua QLARM, inProsiding Lokakarya
Internasional Kedua tentang Korban Bencana,Cambridge,
Inggris, Juni 2009.
Trifunac, MD, dan AG Brady (1975). Tentang korelasi seismik
intensitas dengan puncak gerakan tanah yang terekam,Banteng. Seismol. sosial. Saya.
65,TIDAK. 1, 139–162.
Tselentis, GA, dan L. Danciu (2008). Hubungan empiris antara
memodifikasi intensitas Mercalli dan merekayasa parameter gerakan
tanah di Yunani,Banteng. Seismol. sosial. Saya.98,TIDAK. 4, 1863–1875.
Wald, DJ, V. Quitoriano, L. Dengler, dan JW Dewey (1999). Pemanfaatan
Internet untuk peta intensitas komunitas secara cepat,Seismol. Res. Biarkan.
70,680–697.
Wald, DJ, V. Quitoriano, TH Heaton, dan H. Kanamori (1999). Hubungan-
kapal antara percepatan darat puncak, kecepatan gerak puncak dan
intensitas Mercalli yang dimodifikasi di California,Bumiq. spektrum15,
557–564. Wald, DJ, V. Quitoriano, TH Heaton, H. Kanamori, CW Scrivner, dan
CB Worden (1999). TriNet “ShakeMaps”: Pembuatan cepat peta gerakan
tanah puncak dan intensitas gempa bumi di California selatan,Bumiq.
spektrum15,TIDAK. 3, 537–556.
Wald, DJ, V. Quitoriano, CB Worden, M. Hopper, dan JW Dewey
(2011). USGS “Apakah Anda Merasakannya?” peta intensitas makroseismik
berbasis internet,Ann. Geofisika.54,TIDAK. 6, 688–709.
Wald, DJ, BC Worden, V. Quitoriano, dan KL Pankow (2005). Menggoyang-
27 Panduan peta: Panduan teknis, panduan pengguna, dan panduan perangkat lunak,
Teknik dan Metode Survei Geologi AS,buku 12, bagian A, bab.
1, Reston, Virginia, 132 hal.
Worden, CB, MC Gerstenberger, DA Rhoades, dan DJ Wald (2012). Masalah-
hubungan abilistik antara parameter gerakan tanah dan intensitas Mercalli yang
dimodifikasi di California,Banteng. Seismol. sosial. Saya.102,TIDAK. 1, 204–221.
Layanan Seismologi Swiss
ETH Zürich
Sonneggstarsse 5
8092 Zurich, Swiss
caprio.marta@gmail.com
(MC, BT, SW)
Sinergis
Inc.1520 South College Avenue
Fort Collins, Colorado 80524
(CBW)
Survei Geologi AS
Jalan Illinois 1711
Emas, Colorado 80401-1435
(DJW)
Naskah diterima 25 September 2014;
Diterbitkan Online 5 Mei 2015