Fugu-MT 論文翻訳(概要): Earthquake Phase Association with Graph Neural Networks

論文の概要: Earthquake Phase Association with Graph Neural Networks

arxiv url: http://arxiv.org/abs/2209.07086v1
Date: Thu, 15 Sep 2022 06:53:17 GMT
ステータス: 処理完了
システム内更新日: 2022-09-16 13:34:13.645195
Title: Earthquake Phase Association with Graph Neural Networks
Title（参考訳）: グラフニューラルネットワークによる地震相の関連
Authors: Ian W. McBrearty, Gregory C. Beroza
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.571097144710995
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Seismic phase association connects earthquake arrival time measurements to their causative sources. Effective association must determine the number of discrete events, their location and origin times, and it must differentiate real arrivals from measurement artifacts. The advent of deep learning pickers, which provide high rates of picks from closely overlapping small magnitude earthquakes, motivates revisiting the phase association problem and approaching it using the methods of deep learning. We have developed a Graph Neural Network associator that simultaneously predicts both source space-time localization, and discrete source-arrival association likelihoods. The method is applicable to arbitrary geometry, time-varying seismic networks of hundreds of stations, and is robust to high rates of sources and input picks with variable noise and quality. Our Graph Earthquake Neural Interpretation Engine (GENIE) uses one graph to represent the station set and another to represent the spatial source region. GENIE learns relationships from data in this combined representation that enable it to determine robust source and source-arrival associations. We train on synthetic data, and test our method on real data from the Northern California (NC) seismic network using input generated by the PhaseNet deep learning phase picker. We successfully re-detect ~96% of all events M>1 reported by the USGS during 500 random days between 2000$\unicode{x2013}$2022. Over a 100-day continuous interval of processing in 2017$\unicode{x2013}$2018, we detect ~4.2x the number of events reported by the USGS. Our new events have small magnitude estimates below the magnitude of completeness of the USGS catalog, and are located close to the active faults and quarries in the region. Our results demonstrate that GENIE can effectively solve the association problem under complex seismic monitoring conditions.
Abstract（参考訳）: 地震相関係は, 地震の到着時刻をその原因源と結びつける。効果的なアソシエーションは、個々の事象の数、その位置、発生時刻を決定し、実際の到着を測定成果物と区別しなければならない。重なり合う小さなマグニチュードの地震から高いピック率を提供するディープラーニングピッカーの出現は、フェーズ連想問題の再検討と、ディープラーニングの手法によるアプローチを動機付けている。我々は,空間的空間的局所化と離散的情報源的関連性の両方を同時に予測するグラフニューラルネットワークアソシエータを開発した。この手法は、数百の局の任意の幾何、時間変化の地震波ネットワークに適用可能であり、ノイズや品質の異なるソースや入力ピックの高いレートに頑健である。我々のグラフ地震ニューラルネットワークエンジン(GENIE)は1つのグラフを用いて局を表現し、もう1つは空間源領域を表す。 GENIEは、この複合表現でデータから関係を学習し、ロバストなソースとソースとターゲットの関連を決定できる。合成データを訓練し, フェーズネット深層学習フェーズピッカーによる入力を用いて, 北カリフォルニア(nc)地震ネットワークからの実データを用いて本手法を検証した。我々は2000$\unicode{x2013}$2022の間の500日間にUSGSが報告した全ての事象M>1の約96%を再検出した。 2017$\unicode{x2013}$2018の100日間の連続処理で、USGSが報告した事象の数を約4.2倍検出した。我々の新しい事象はUSGSカタログの完全度よりも小さい大きさの見積もりを持ち、地域の活断層や採石場に近い位置にある。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。

関連論文リスト

Double Difference Earthquake Location with Graph Neural Networks [0.2302001830524133]
グラフ・ニューラルネットを用いた地震の二重差分配置フレームワークGraph Double difference (GraphDD)を提案する。私たちのアーキテクチャでは、ステーションを表すために1つのグラフ、ソースを表すための2番目のグラフを使用し、その2つの間に製品グラフを作成します。我々は,北カリフォルニア,トルクニエ,チリの地震活動を含む,いくつかの異なる試験事例について,本モデルを実装した。
論文参考訳（メタデータ） (2024-10-25T06:15:05Z)
A convolutional neural network approach to deblending seismic data [1.5488464287814563]
本稿では,高速かつ効率的な地震探査のためのデータ駆動深層学習手法を提案する。地震データの特徴に応じて畳み込みニューラルネットワーク(CNN)を設計する。ネットワークのトレーニングと検証を行った後、ほぼリアルタイムで地震波のたわみを行うことができる。
論文参考訳（メタデータ） (2024-09-12T10:54:35Z)
Fast Information Streaming Handler (FisH): A Unified Seismic Neural Network for Single Station Real-Time Earthquake Early Warning [56.45067876391473]
既存のEEWアプローチは、フェーズの選択、位置推定、大きさ推定を独立したタスクとして扱い、統一されたフレームワークを欠いている。我々は高速情報ストリーミングハンドラー(FisH)と呼ばれる新しい統合型地震波ニューラルネットワークを提案する。 FisHは、リアルタイムストリーミング地震データを処理し、位相選択、位置推定、大きさ推定をエンドツーエンドで同時生成するように設計されている。
論文参考訳（メタデータ） (2024-08-13T04:33:23Z)
Denoising of Geodetic Time Series Using Spatiotemporal Graph Neural Networks: Application to Slow Slip Event Extraction [2.659901499016884]
我々は、SSE関連変位をサブミリ精度で明らかにするために、ノイズの潜時特性を学習するグラフベースの減衰デノイザであるSSE SSEdenoisを設計する。提案手法をカスカディア沈み込み帯に適用し,SSEは地殻変動とともに発生する。
論文参考訳（メタデータ） (2024-05-06T09:55:11Z)
SpatialRank: Urban Event Ranking with NDCG Optimization on Spatiotemporal Data [55.609946936979036]
本研究ではSpatialRankという新しい空間イベントランキング手法を提案する。本研究では,SpatialRankが犯罪や交通事故の最も危険性の高い場所を効果的に特定できることを示す。
論文参考訳（メタデータ） (2023-09-30T06:20:21Z)
Correlation-aware Spatial-Temporal Graph Learning for Multivariate Time-series Anomaly Detection [67.60791405198063]
時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。 CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
論文参考訳（メタデータ） (2023-07-17T11:04:27Z)
Multi-task multi-station earthquake monitoring: An all-in-one seismic Phase picking, Location, and Association Network (PLAN) [19.697978881402143]
標準的な監視ワークフローには、フェーズピッキング、アソシエーション、ロケーションといった相互に依存したタスクが含まれている。本稿では, マルチステーション地震データを直接処理し, 同時位相選択, 関連, 位置を求めるグラフニューラルネットワークを提案する。
論文参考訳（メタデータ） (2023-06-24T09:46:18Z)
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)
A hybrid approach to seismic deblending: when physics meets self-supervision [0.0]
自己教師型デノベーションネットワークをPlug-and-Playフレームワークに組み込んだ新しい概念を導入する。部分的に相関する雑音に対する[28 ]の盲点ネットワークアーキテクチャを設計した新しいネットワークが導入された。ネットワークは、教師付き時間アルゴリズムの各ステップでノイズの多い入力データに基づいて直接訓練される。
論文参考訳（メタデータ） (2022-05-30T19:24:21Z)
TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文参考訳（メタデータ） (2020-09-16T15:52:04Z)
SeismiQB -- a novel framework for deep learning with seismic data [62.997667081978825]
ニューラルネットワークの開発に重点を置いた、オープンソースのPythonフレームワークを開発しました。複数のデータフォーマットで地震波キューブを高速にロードする便利なツールを提供する。また、望まれる形状の作物を生産し、様々な変換で増強する。
論文参考訳（メタデータ） (2020-01-10T10:45:56Z)

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。