Fugu-MT 論文翻訳(概要): Earthquake Nowcasting with Deep Learning

論文の概要: Earthquake Nowcasting with Deep Learning

arxiv url: http://arxiv.org/abs/2201.01869v1
Date: Sat, 18 Dec 2021 16:55:59 GMT
ステータス: 処理完了
システム内更新日: 2022-01-09 16:55:18.065301
Title: Earthquake Nowcasting with Deep Learning
Title（参考訳）: 深層学習による地震予報
Authors: Geoffrey Fox, John Rundle, Andrea Donnellan, Bo Feng
Abstract要約: 1950年から2020年までの南カリフォルニアの地域での有望な初期成績を示す。地震活動は2週間から4年間の期間で0.1度空間ビンの機能として予測される。
参考スコア（独自算出の注目度）: 4.272601420525791
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We review previous approaches to nowcasting earthquakes and introduce new approaches based on deep learning using three distinct models based on recurrent neural networks and transformers. We discuss different choices for observables and measures presenting promising initial results for a region of Southern California from 1950-2020. Earthquake activity is predicted as a function of 0.1-degree spatial bins for time periods varying from two weeks to four years. The overall quality is measured by the Nash Sutcliffe Efficiency comparing the deviation of nowcast and observation with the variance over time in each spatial region. The software is available as open-source together with the preprocessed data from the USGS.
Abstract（参考訳）: 本稿では,過去の地震の予測手法を概観し,ニューラルネットワークとトランスフォーマーに基づく3つの異なるモデルを用いた深層学習に基づく新しいアプローチを提案する。我々は、1950年から2020年まで南カリフォルニアの地域において、有望な初期結果を示す観測可能性と手段の異なる選択について論じる。地震活動は2週間から4年間の期間で0.1度空間ビンの機能として予測される。全体の品質は, ナッシュサトクリフ効率によって測定され, ガムキャストの偏差と各空間領域の時間的変動を比較した。このソフトウェアはUSGSの事前処理データとともにオープンソースとして利用可能である。

関連論文リスト

EarthquakeNPP: Benchmark Datasets for Earthquake Forecasting with Neural Point Processes [0.0]
我々は,NPPの地震データに対するテストを容易にするベンチマークデータセットの集合であるSmassNPPを紹介する。データセットは1971年から2021年までのカリフォルニアの小さな、あるいは大きなターゲット領域をカバーする。ベンチマーク実験では,3つの分割時間NPPをETASと比較し,空間的,時間的ログ的いずれにおいてもETASよりも優れていないことを確認した。
論文参考訳（メタデータ） (2024-09-27T16:06:17Z)
Time Series Foundation Models and Deep Learning Architectures for Earthquake Temporal and Spatial Nowcasting [1.4854797901022863]
既成の基盤モデルの総合的な評価を欠いている。我々はMultiFoundationQuakeとGNNCoderという2つのイノベーションアプローチを紹介した。我々は,南カリフォルニアの0.1度空間ビン内における今後14日間の時系列予測問題として,地震予報を定式化した。
論文参考訳（メタデータ） (2024-08-21T20:57:03Z)
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)
Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文参考訳（メタデータ） (2023-09-12T13:28:06Z)
Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
論文参考訳（メタデータ） (2023-06-06T07:07:54Z)
Spatial Implicit Neural Representations for Global-Scale Species Mapping [72.92028508757281]
ある種が観察された場所の集合を考えると、その種がどこにいても存在しないかを予測するためのモデルを構築することが目的である。従来の手法は、新たな大規模クラウドソースデータセットを活用するのに苦労している。本研究では,47k種の地理的範囲を同時に推定するために,空間入射ニューラル表現(SINR)を用いる。
論文参考訳（メタデータ） (2023-06-05T03:36:01Z)
Earthquake Phase Association with Graph Neural Networks [0.571097144710995]
フェーズアソシエイト問題を解決するために,グラフネットワーク・アソシエイト・アソシエイト・アソシエイトを開発する。我々は合成データを訓練し、北カリフォルニア(NC)の地震ネットワークからの実データでその方法をテストする。以上の結果から, 複雑な地震モニタリング条件下では, GENIEが相関を効果的に解決できることが示唆された。
論文参考訳（メタデータ） (2022-09-15T06:53:17Z)
Strict baselines for Covid-19 forecasting and ML perspective for USA and Russia [105.54048699217668]
Covid-19は、2年間にわたって蓄積されたデータセットを収集し、予測分析に使用できるようにする。本研究は、米国とロシアの2カ国の地域データに基づいて、Covid-19の拡散のダイナミクスを予測するための様々な種類の方法に関する一貫した研究結果である。
論文参考訳（メタデータ） (2022-07-15T18:21:36Z)
Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。最適設計と性能は場所によって異なることがわかった。
論文参考訳（メタデータ） (2022-04-01T14:55:10Z)
Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討今後1～15日にわたって北大西洋-欧州の気象条件を予測した。より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文参考訳（メタデータ） (2022-02-10T11:37:00Z)
Topological Attention for Time Series Forecasting [9.14716126400637]
永続的ホモロジーによって得られた$textitlocal topological properties$は、信頼できる信号として機能するかどうかを考察する。歴史データの時間的地平線内における局所的な位相的特徴への参加を可能にする$textittopological attention$を提案する。
論文参考訳（メタデータ） (2021-07-19T17:24:05Z)

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。