論文の概要: Real-time Earthquake Early Warning with Deep Learning: Application to
the 2016 Central Apennines, Italy Earthquake Sequence
- arxiv url: http://arxiv.org/abs/2006.01332v1
- Date: Tue, 2 Jun 2020 01:27:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-26 01:15:29.762829
- Title: Real-time Earthquake Early Warning with Deep Learning: Application to
the 2016 Central Apennines, Italy Earthquake Sequence
- Title(参考訳): 深層学習によるリアルタイム地震早期警戒:2016年イタリア中部アペニン地震への適用
- Authors: Xiong Zhang, Miao Zhang, Xiao Tian
- Abstract要約: 深層学習技術は、地震相ピックの代わりに完全な地震波形から震源情報を抽出する可能性を提供する。
我々は,地震を同時に検出し,震源パラメータを推定する,新しい深層学習型地震早期警報システムを開発した。
我々は,2016年イタリア中部アペニン地震(Mw 6.0)とそれに続く連続地震(Mw 6.0)に本システムを適用した。
- 参考スコア(独自算出の注目度): 26.349354722386526
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Earthquake early warning systems are required to report earthquake locations
and magnitudes as quickly as possible before the damaging S wave arrival to
mitigate seismic hazards. Deep learning techniques provide potential for
extracting earthquake source information from full seismic waveforms instead of
seismic phase picks. We developed a novel deep learning earthquake early
warning system that utilizes fully convolutional networks to simultaneously
detect earthquakes and estimate their source parameters from continuous seismic
waveform streams. The system determines earthquake location and magnitude as
soon as one station receives earthquake signals and evolutionarily improves the
solutions by receiving continuous data. We apply the system to the 2016 Mw 6.0
earthquake in Central Apennines, Italy and its subsequent sequence. Earthquake
locations and magnitudes can be reliably determined as early as four seconds
after the earliest P phase, with mean error ranges of 6.8-3.7 km and 0.31-0.23,
respectively.
- Abstract(参考訳): 地震早期警報システムは、地震の危険を緩和するためにS波が到着する前に、できるだけ早く地震の場所とマグニチュードを報告する必要がある。
深層学習技術は、地震相ピックの代わりに完全な地震波形から震源情報を抽出する可能性を提供する。
完全畳み込みネットワークを利用して地震を同時に検出し,震源パラメータを連続地震波形ストリームから推定する,新しい深層学習型地震早期警報システムを開発した。
1つの局が地震信号を受信すると、地震の位置とマグニチュードを判定し、連続したデータを受信することでソリューションを進化的に改善する。
2016年イタリア中央アペニン地震(mw6.0)とそれに続く一連の地震に適用する。
地震の位置とマグニチュードは、最初期のP期から4秒後にそれぞれ6.8-3.7kmと0.31-0.23の誤差範囲で確実に決定できる。
関連論文リスト
- Data-Driven Prediction of Seismic Intensity Distributions Featuring
Hybrid Classification-Regression Models [21.327960186900885]
本研究では, 地震パラメータに基づいて地震強度分布を予測できる線形回帰モデルを開発した。
このデータセットは、1997年から2020年にかけて日本近海で発生した地震の震度データからなる。
提案モデルでは, 従来のGMPEにおける課題として, 異常な震度分布を予測できる。
論文 参考訳(メタデータ) (2024-02-03T13:39:22Z) - Generalized Neural Networks for Real-Time Earthquake Early Warning [22.53592578343506]
我々は,任意の局分布を持つ任意の場所で発生した地震をニューラルネットワークトレーニングのために,データ組換え法を用いて生成する。
訓練されたモデルは、地震検出とパラメータ評価のための異なる監視装置を備えた様々な地域に適用することができる。
我々のモデルは、最初のトリガーステーションから4秒以内に地震の位置とマグニチュードを確実に報告し、平均誤差は2.6-6.3 kmと0.05-0.17である。
論文 参考訳(メタデータ) (2023-12-23T10:45:21Z) - Convolutional neural network for earthquake detection [0.0]
地震活動の増加は、地震データ記録の指数的な成長を生み出した。
現在の地震検出法では、地震騒音に隠れている低マグニチュードの地震の多くを見逃している。
著者らは、地震記録から地震を検知し、発見するための畳み込みニューラルネットワーク(ConvNetQuake)を提案した。
論文 参考訳(メタデータ) (2023-04-17T14:47:17Z) - Classification of structural building damage grades from multi-temporal
photogrammetric point clouds using a machine learning model trained on
virtual laser scanning data [58.720142291102135]
実世界の点雲からの多層建築物の損傷を自動的に評価する新しい手法を提案する。
我々は、仮想レーザースキャン(VLS)データに基づいて訓練された機械学習モデルを使用する。
このモデルでは、高いマルチターゲット分類精度(全精度:92.0% - 95.1%)が得られる。
論文 参考訳(メタデータ) (2023-02-24T12:04:46Z) - Detecting train driveshaft damages using accelerometer signals and
Differential Convolutional Neural Networks [67.60224656603823]
本稿では,高度2次元畳み込みニューラルネットワーク(CNN)アーキテクチャに基づく鉄道軸状態監視システムの開発を提案する。
その結果,鉄道軸受振動信号を時間周波数領域表現,すなわち分光図に変換し,そのひび割れに応じて2次元CNNを訓練する。
論文 参考訳(メタデータ) (2022-11-15T15:04:06Z) - Detecting Damage Building Using Real-time Crowdsourced Images and
Transfer Learning [53.26496452886417]
本稿では,Twitterなどのソーシャルメディアプラットフォームから地震後の建物画像を自動的に抽出する手法を提案する。
トランスファーラーニングと6500枚の手動ラベル付き画像を用いて,現場に損傷のある建物を画像として認識する深層学習モデルを訓練した。
訓練されたモデルは、異なる場所で新たに取得した地震の画像でテストし、トルコのM7.0地震の後、Twitterのフィードでほぼリアルタイムで実行された。
論文 参考訳(メタデータ) (2021-10-12T06:31:54Z) - Crack detection using tap-testing and machine learning techniques to
prevent potential rockfall incidents [68.8204255655161]
本稿では,岩盤の自動探傷システムを提案する。
ロボットは、岩面を何度も打ったり、タップしたりするのに使用される。
音はロボットによって収集され、壊れやすい岩を識別する意図で分類される。
論文 参考訳(メタデータ) (2021-10-10T22:53:36Z) - OKSP: A Novel Deep Learning Automatic Event Detection Pipeline for
Seismic Monitoringin Costa Rica [0.0938460348620674]
コスタリカにおける地震モニタリングのための新しい自動地震検出パイプラインであるOKSPを紹介する。
OKSPは100%抜本的であり、精度は82%であり、F1スコアは0.90である。
この試みは、深層学習手法を用いてコスタリカの地震を自動的に検出する最初の試みであり、近い将来、地震監視ルーチンがAIアルゴリズムによって完全に実行されることを実証する。
論文 参考訳(メタデータ) (2021-09-06T20:24:49Z) - From Static to Dynamic Prediction: Wildfire Risk Assessment Based on
Multiple Environmental Factors [69.9674326582747]
ワイルドファイアはアメリカ合衆国西海岸で頻繁に起こる最大の災害の1つである。
カリフォルニアの山火事リスクが高い地域を解析・評価するための静的・動的予測モデルを提案します。
論文 参考訳(メタデータ) (2021-03-14T17:56:17Z) - Towards advancing the earthquake forecasting by machine learning of
satellite data [22.87513332935679]
本研究では,6マグニチュード以上の1,371地震の衛星データに基づく短期予測を行うための新しい機械学習手法であるInverse Boosting Pruning Trees(IBPT)を開発した。
提案手法は,選択された6つのベースラインを上回り,異なる地震データベースの地震予測の可能性を向上する強力な能力を示す。
論文 参考訳(メタデータ) (2021-01-31T02:29:48Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。