論文の概要: SeisT: A foundational deep learning model for earthquake monitoring tasks

• arxiv url: http://arxiv.org/abs/2310.01037v3
• Date: Tue, 26 Dec 2023 15:36:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-28 01:35:06.472286
• Title: SeisT: A foundational deep learning model for earthquake monitoring tasks
• Title（参考訳）: SeisT:地震モニタリングタスクのための基礎的深層学習モデル
• Authors: Sen Li, Xu Yang, Anye Cao, Changbin Wang, Yaoqi Liu, Yapeng Liu, Qiang Niu
• Abstract要約: 本稿では,地震モニタリングタスクのための基礎的深層学習モデルである地震計変換器(SeisT)を提案する。 SeisTは、異なるタスクに適した複数のモジュールを組み合わせて、配布外一般化性能を示す。 本研究は,厳密な実験と評価を通じて,地震信号処理と地震研究の発展に寄与する可能性が示唆された。
• 参考スコア（独自算出の注目度）: 11.798801355369044
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Seismograms, the fundamental seismic records, have revolutionized earthquake research and monitoring. Recent advancements in deep learning have further enhanced seismic signal processing, leading to even more precise and effective earthquake monitoring capabilities. This paper introduces a foundational deep learning model, the Seismogram Transformer (SeisT), designed for a variety of earthquake monitoring tasks. SeisT combines multiple modules tailored to different tasks and exhibits impressive out-of-distribution generalization performance, outperforming or matching state-of-the-art models in tasks like earthquake detection, seismic phase picking, first-motion polarity classification, magnitude estimation, back-azimuth estimation, and epicentral distance estimation. The performance scores on the tasks are 0.96, 0.96, 0.68, 0.95, 0.86, 0.55, and 0.81, respectively. The most significant improvements, in comparison to existing models, are observed in phase-P picking, phase-S picking, and magnitude estimation, with gains of 1.7%, 9.5%, and 8.0%, respectively. Our study, through rigorous experiments and evaluations, suggests that SeisT has the potential to contribute to the advancement of seismic signal processing and earthquake research.
• Abstract（参考訳）: 基礎地震記録である地震計は、地震研究とモニタリングに革命をもたらした。 近年の深層学習の進歩は、地震信号処理をさらに強化し、より正確で効果的な地震モニタリング能力を生み出した。 本稿では,地震モニタリングタスクのための基礎的深層学習モデルである地震計変換器(SeisT)を提案する。 seistは、異なるタスクに合わせた複数のモジュールを組み合わせることで、地震検出、地震位相抽出、第一運動極性分類、マグニチュード推定、後方方位推定、エピセントラル距離推定などのタスクにおいて、分散の一般化性能、最先端モデルよりも優れ、または一致している。 タスクのパフォーマンススコアは、それぞれ0.96, 0.96, 0.68, 0.95, 0.86, 0.55, 0.81である。 既存のモデルと比較して、最も重要な改善はフェーズpピッキング、フェーズsピッキング、マグニチュード推定で観察され、それぞれ1.7%、9.5%、および8.0%の値が得られた。 本研究は,厳密な実験と評価を通じて,地震信号処理と地震研究の発展に寄与する可能性が示唆された。

関連論文リスト

• 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)
• Estimating Earthquake Magnitude in Sentinel-1 Imagery via Ranking [5.71478837100808]
  本稿では,地震の規模を計量学習問題として推定する。 我々は、Sentinel-1衛星画像から地震の大きさを推定し、さらにペアのサンプルをランク付けするためにモデルを訓練する。 実験の結果,従来の回帰のみに基づく手法に比べて最大30%以上のMAEの改善が得られた。
  論文  参考訳（メタデータ） (2024-07-25T15:35:44Z)
• 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)
• 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)
• GEO-Bench: Toward Foundation Models for Earth Monitoring [139.77907168809085]
  6つの分類と6つのセグメンテーションタスクからなるベンチマークを提案する。 このベンチマークは、さまざまな地球観測タスクの進行の原動力となる。
  論文  参考訳（メタデータ） (2023-06-06T16:16:05Z)
• EEG-Fest: Few-shot based Attention Network for Driver's Vigilance Estimation with EEG Signals [160.57870373052577]
  運転士の警戒の欠如は、ほとんどの車両事故の主な原因である。 EEGはドライバーの眠気推定のための信頼性と効率的なツールである。
  論文  参考訳（メタデータ） (2022-11-07T21:35:08Z)
• ERNIE-SPARSE: Learning Hierarchical Efficient Transformer Through Regularized Self-Attention [48.697458429460184]
  情報ボトルネック感度と異なる注目トポロジ間の不整合の2つの要因がスパース変換器の性能に影響を及ぼす可能性がある。 本稿では,ERNIE-Sparseというモデルを提案する。 i) 局所情報とグローバル情報を逐次統一する階層スパース変換器(HST) と、(ii) 注意トポロジの異なる変換器の距離を最小化する自己注意正規化(SAR) の2つの特徴がある。
  論文  参考訳（メタデータ） (2022-03-23T08:47:01Z)
• 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)
• 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)
• From Sound Representation to Model Robustness [82.21746840893658]
  本研究では, 環境音の標準的な表現(スペクトログラム)が, 被害者の残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。 3つの環境音響データセットの様々な実験から、ResNet-18モデルは、他のディープラーニングアーキテクチャよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-07-27T17:30:49Z)
• Semiparametric Bayesian Forecasting of Spatial Earthquake Occurrences [77.68028443709338]
  本稿では, Epidemic Type Aftershock Sequence (ETAS) モデルのベイズ的完全定式化を提案する。 地理的領域における主震の発生は不均一な空間的点過程に従うと仮定される。
  論文  参考訳（メタデータ） (2020-02-05T10:11:26Z)

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。