Non-linear inverse problems arising in seismology are usually addressed either by linearization or by Monte Carlo methods. Neither approach is flawless. The former needs an accurate starting model; the latter is computationally intensive. Both require careful tuning of inversion parameters. An additional challenge is posed by joint inversion of data of different sensitivities and noise levels such as receiver functions and surface wave dispersion curves. We propose a generic workflow that combines advantages of both methods by endowing the linearized approach with an ensemble of homogeneous starting models. It successfully addresses several fundamental issues inherent in a wide range of inverse problems, such as trapping by local minima, exploitation of a priori knowledge, choice of a model depth, proper weighting of data sets characterized by different uncertainties, and credibility of final models. Some of them are tackled with the aid of novel 1D checkerboard tests—an intuitive and feasible addition to the resolution matrix. We applied our workflow to study the south-western margin of the East European Craton. Rayleigh wave phase velocity dispersion and P-wave receiver function data were gathered in the passive seismic experiment “13 BB Star” (2013–2016) in the area of the crust recognized by previous borehole and refraction surveys. Final models of S-wave velocity down to 300 km depth beneath the array are characterized by proximity in the parameter space and very good data fit. The maximum value in the mantle is higher by 0.1–0.2 km/s than reported for other cratons.

中文翻译：

---

地震接收器功能和地表波频散数据反演的可靠工作流程：“ 13 BB Star”案例研究

地震学中出现的非线性反问题通常通过线性化或蒙特卡洛方法解决。两种方法都不完美。前者需要一个准确的启动模型。后者是计算密集型的。两者都需要仔细调整反转参数。联合灵敏度不同的敏感度和噪声水平的数据（如接收器功能和表面波频散曲线）带来了另一个挑战。我们提出了一个通用的工作流程，通过将线性化方法与同质的起始模型集成在一起，结合了两种方法的优点。它成功解决了许多反问题中固有的几个基本问​​题，例如局部极小值的陷印，先验知识的利用，模型深度的选择，对具有不同不确定性和最终模型可信度的数据集进行适当加权。其中一些通过新颖的1D棋盘格测试解决了，这是对分辨率矩阵的直观，可行的补充。我们将工作流程应用于研究东欧Craton的西南边缘。瑞利波相速度色散和P波接收器功能数据是在被动地震实验“ 13 BB星”（2013-2016年）中收集的，该实验是先前钻孔和折射调查所识别的地壳区域。阵列下方低至300 km深度的S波速度的最终模型的特征在于参数空间中的邻近性和非常好的数据拟合度。地幔中的最大值比其他克拉通报告的高出0.1-0.2 km / s。其中一些通过新颖的1D棋盘格测试解决了，这是对分辨率矩阵的直观，可行的补充。我们将工作流程应用于研究东欧Craton的西南边缘。瑞利波相速度色散和P波接收器功能数据是在被动地震实验“ 13 BB星”（2013-2016年）中收集的，该实验是先前钻孔和折射调查所识别的地壳区域。阵列下方低至300 km深度的S波速度的最终模型的特征在于参数空间的接近性和非常好的数据拟合度。地幔中的最大值比其他克拉通报告的高出0.1-0.2 km / s。其中一些通过新颖的1D棋盘格测试解决了，这是对分辨率矩阵的直观，可行的补充。我们将工作流程应用于研究东欧Craton的西南边缘。瑞利波相速度色散和P波接收器功能数据是在被动地震实验“ 13 BB星”（2013-2016年）中收集的，该实验是先前钻孔和折射调查所识别的地壳区域。阵列下方低至300 km深度的S波速度的最终模型的特征在于参数空间的接近性和非常好的数据拟合度。地幔中的最大值比其他克拉通报告的高出0.1-0.2 km / s。我们将工作流程应用于研究东欧Craton的西南边缘。瑞利波相速度色散和P波接收器功能数据是在被动地震实验“ 13 BB星”（2013-2016年）中收集的，该实验是先前钻孔和折射调查所识别的地壳区域。阵列下方低至300 km深度的S波速度的最终模型的特征在于参数空间中的邻近性和非常好的数据拟合度。地幔中的最大值比其他克拉通报告的高出0.1-0.2 km / s。我们将工作流程应用于研究东欧Craton的西南边缘。瑞利波相速度色散和P波接收器功能数据是在被动地震实验“ 13 BB星”（2013-2016年）中收集的，该实验是先前钻孔和折射调查所识别的地壳区域。阵列下方低至300 km深度的S波速度的最终模型的特征在于参数空间中的邻近性和非常好的数据拟合度。地幔中的最大值比其他克拉通报告的高出0.1-0.2 km / s。阵列下方低至300 km深度的S波速度的最终模型的特征在于参数空间中的邻近性和非常好的数据拟合度。地幔中的最大值比其他克拉通报告的高出0.1-0.2 km / s。阵列下方低至300 km深度的S波速度的最终模型的特征在于参数空间中的邻近性和非常好的数据拟合度。地幔中的最大值比其他克拉通报告的高出0.1-0.2 km / s。