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
- Association rule mining with earthquake data collected from Turkiye
region [0.0]
この研究は、過去5年間にテュルクアイ地方で記録された地震に関する最も顕著な関連ルールを提示する。
その結果,様々な距離の地域から記録された事象に対する統計的推測が得られた。
論文 参考訳(メタデータ) (2023-12-26T18:36:01Z) - 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) - 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) - Earthquake Nowcasting with Deep Learning [4.272601420525791]
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。
論文 参考訳(メタデータ) (2021-12-18T16:55:59Z) - Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel
EEG Signal [63.18666008322476]
睡眠障害は、世界中の主要な病気の1つです。
専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。
専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
論文 参考訳(メタデータ) (2021-03-30T09:59:56Z) - 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。