論文の概要: Multi-task multi-station earthquake monitoring: An all-in-one seismic
Phase picking, Location, and Association Network (PLAN)
- arxiv url: http://arxiv.org/abs/2306.13918v1
- Date: Sat, 24 Jun 2023 09:46:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-27 18:20:59.103861
- Title: Multi-task multi-station earthquake monitoring: An all-in-one seismic
Phase picking, Location, and Association Network (PLAN)
- Title(参考訳): マルチタスクマルチステーション地震モニタリング:オールインワン地震の位相選択・位置・アソシエーションネットワーク(PLAN)
- Authors: Xu Si, Xinming Wu, Zefeng Li, Shenghou Wang and Jun Zhu
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 19.697978881402143
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Earthquake monitoring is vital for understanding the physics of earthquakes
and assessing seismic hazards. A standard monitoring workflow includes the
interrelated and interdependent tasks of phase picking, association, and
location. Although deep learning methods have been successfully applied to
earthquake monitoring, they mostly address the tasks separately and ignore the
geographic relationships among stations. Here, we propose a graph neural
network that operates directly on multi-station seismic data and achieves
simultaneous phase picking, association, and location. Particularly, the
inter-station and inter-task physical relationships are informed in the network
architecture to promote accuracy, interpretability, and physical consistency
among cross-station and cross-task predictions. When applied to data from the
Ridgecrest region and Japan regions, this method showed superior performance
over previous deep learning-based phase-picking and localization methods.
Overall, our study provides for the first time a prototype self-consistent
all-in-one system of simultaneous seismic phase picking, association, and
location, which has the potential for next-generation autonomous earthquake
monitoring.
- Abstract(参考訳): 地震の物理の理解と地震災害の評価には地震モニタリングが不可欠である。
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、ロケーションの相互関連および相互依存のタスクが含まれている。
深層学習手法は地震観測に応用されているが, 主に個別に課題を処理し, 駅間の地理的関係を無視している。
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。
特に、クロスステーションおよびクロスタスク予測間の正確性、解釈性、物理的一貫性を促進するために、ネットワークアーキテクチャにおいて、ステーション間およびタスク間物理的関係が通知される。
リッジクレスト地域および日本地域のデータに適用すると、従来のディープラーニングに基づく位相選択法および局在法よりも優れた性能を示した。
本研究は, 総合的に, 次世代の地震モニタリングの可能性を秘めた, 同時地震相の選択, 関連, 位置の自己整合型オールインワンシステムのプロトタイプを初めて提供する。
関連論文リスト
- 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) - Learning Where to Look: Self-supervised Viewpoint Selection for Active Localization using Geometrical Information [68.10033984296247]
本稿では, 位置決めの精度を高めるために, 視点選択の重要性を強調し, アクティブな位置決め領域について検討する。
私たちのコントリビューションは、リアルタイム操作用に設計されたシンプルなアーキテクチャ、自己教師付きデータトレーニング方法、および実世界のロボティクスアプリケーションに適した計画フレームワークにマップを一貫して統合する能力による、データ駆動型アプローチの使用に関するものです。
論文 参考訳(メタデータ) (2024-07-22T12:32:09Z) - QuakeSet: A Dataset and Low-Resource Models to Monitor Earthquakes through Sentinel-1 [5.279257531335345]
本稿では,Sentinel-1から得られた画像からなる新しいデータセットを提案する。
地震解析におけるMLモデルの有効性を評価するために,従来の機械学習モデルとディープラーニングモデルをベースラインとして提供する。
論文 参考訳(メタデータ) (2024-03-26T21:45:29Z) - Exploring Challenges in Deep Learning of Single-Station Ground Motion
Records [0.0]
実験の結果,P相とS相の到着情報に強く依存していることが判明した。
本研究は, 現場における潜在的なギャップを浮き彫りにして, 単一局地動記録の深層学習のためのロバストな手法が欠如していることを示唆する。
論文 参考訳(メタデータ) (2024-03-12T11:56:50Z) - 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) - Multi-Temporal Relationship Inference in Urban Areas [75.86026742632528]
場所間の時間的関係を見つけることは、動的なオフライン広告やスマートな公共交通計画など、多くの都市アプリケーションに役立つ。
空間的に進化するグラフニューラルネットワーク(SEENet)を含むグラフ学習方式によるTrialの解を提案する。
SEConvは時間内アグリゲーションと時間間伝搬を実行し、位置メッセージパッシングの観点から、多面的に空間的に進化するコンテキストをキャプチャする。
SE-SSLは、位置表現学習を強化し、関係の空間性をさらに扱えるように、グローバルな方法でタイムアウェアな自己教師型学習タスクを設計する。
論文 参考訳(メタデータ) (2023-06-15T07:48:32Z) - Parallel Reasoning Network for Human-Object Interaction Detection [53.422076419484945]
並列推論ネットワーク(PR-Net)というトランスフォーマーに基づく新しい手法を提案する。
PR-Netは、インスタンスレベルのローカライゼーションと関係レベルの理解のための2つの独立した予測器を構築する。
我々のPR-NetはHICO-DETとV-COCOベンチマークで競合する結果を得た。
論文 参考訳(メタデータ) (2023-01-09T17:00:34Z) - A General Purpose Neural Architecture for Geospatial Systems [142.43454584836812]
本稿では,空間的帰納バイアスを持つ汎用ニューラルアーキテクチャ(GPNA)の構築に向けたロードマップを示す。
このようなモデルがコミュニティのメンバー間の協力をいかに促進するかを考察する。
論文 参考訳(メタデータ) (2022-11-04T09:58:57Z) - 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) - Bottom-up mechanism and improved contract net protocol for the dynamic
task planning of heterogeneous Earth observation resources [61.75759893720484]
地球観測資源は、災害救助、被害評価、関連する領域においてますます不可欠になりつつある。
観測要求の変更や悪天候の発生、資源の失敗など、予測できない多くの要因は、スケジュールされた観測計画が実行不可能になる可能性がある。
不均質な地球観測資源の動的タスク計画を容易にするため、ボトムアップ分散協調フレームワークと改良された契約網を提案する。
論文 参考訳(メタデータ) (2020-07-13T03:51:08Z) - A Spatial-Temporal Attentive Network with Spatial Continuity for
Trajectory Prediction [74.00750936752418]
空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。
まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。
第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
論文 参考訳(メタデータ) (2020-03-13T04:35:50Z)
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。