論文の概要: Data-Driven Prediction of Seismic Intensity Distributions Featuring Hybrid Classification-Regression Models

• arxiv url: http://arxiv.org/abs/2402.02150v1
• Date: Sat, 3 Feb 2024 13:39:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-06 21:52:34.895215
• Title: Data-Driven Prediction of Seismic Intensity Distributions Featuring Hybrid Classification-Regression Models
• Title（参考訳）: ハイブリッド分類回帰モデルを用いた地震強度分布のデータ駆動予測
• Authors: Koyu Mizutani, Haruki Mitarai, Kakeru Miyazaki, Soichiro Kumano, Toshihiko Yamasaki
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 21.327960186900885
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Earthquakes are among the most immediate and deadly natural disasters that humans face. Accurately forecasting the extent of earthquake damage and assessing potential risks can be instrumental in saving numerous lives. In this study, we developed linear regression models capable of predicting seismic intensity distributions based on earthquake parameters: location, depth, and magnitude. Because it is completely data-driven, it can predict intensity distributions without geographical information. The dataset comprises seismic intensity data from earthquakes that occurred in the vicinity of Japan between 1997 and 2020, specifically containing 1,857 instances of earthquakes with a magnitude of 5.0 or greater, sourced from the Japan Meteorological Agency. We trained both regression and classification models and combined them to take advantage of both to create a hybrid model. The proposed model outperformed commonly used Ground Motion Prediction Equations (GMPEs) in terms of the correlation coefficient, F1 score, and MCC. Furthermore, the proposed model can predict even abnormal seismic intensity distributions, a task at conventional GMPEs often struggle.
• Abstract（参考訳）: 地震は人類が直面する最も緊急かつ致命的な自然災害の1つである。 地震被害の程度を正確に予測し、潜在的なリスクを評価することは、多くの命を救うのに役立つ。 本研究では,地震パラメータに基づく震度分布の予測が可能な線形回帰モデル(位置,深さ,大きさ)を開発した。 完全にデータ駆動であるため、地理情報なしで強度分布を予測できる。 このデータセットは、1997年から2020年にかけて日本近辺で発生した地震の震度データからなり、特に気象庁から出ているマグニチュード5.0以上の1,857の地震が含まれている。 回帰モデルと分類モデルの両方をトレーニングし、それらを組み合わせてハイブリッドモデルを構築しました。 提案手法は, 相関係数, F1 スコア, MCC を用いて, 一般用地動予測式 (GMPE) より優れていた。 さらに, 従来のGMPEにおける課題として, 異常な震度分布の予測が可能である。

関連論文リスト

• Turkey's Earthquakes: Damage Prediction and Feature Significance Using A Multivariate Analysis [1.9461727843485295]
  本研究は,トルコにおける将来の地震災害における死者の減少に寄与する。 我々は、被災者当たりの死亡率と死亡率を予測するために、様々な機械学習アーキテクチャーを試験した。 その結果,ランダムフォレストモデルが最も信頼性の高い予測結果が得られた。
  論文  参考訳（メタデータ） (2024-10-29T10:29:06Z)
• 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)
• 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)
• Learning Physics for Unveiling Hidden Earthquake Ground Motions via Conditional Generative Modeling [43.056135090637646]
  地盤運動の条件生成モデル(CGM-GM) 本研究では, 高周波・空間連続地震動波形を合成する人工知能シミュレータを提案する。 CGM-GMは、最先端の非エルゴディックな地上運動モデルよりも優れた可能性を示す。
  論文  参考訳（メタデータ） (2024-07-21T08:23:37Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Classification of structural building damage grades from multi-temporal photogrammetric point clouds using a machine learning model trained on virtual laser scanning data [58.720142291102135]
  実世界の点雲からの多層建築物の損傷を自動的に評価する新しい手法を提案する。 我々は、仮想レーザースキャン(VLS)データに基づいて訓練された機械学習モデルを使用する。 このモデルでは、高いマルチターゲット分類精度(全精度:92.0% - 95.1%)が得られる。
  論文  参考訳（メタデータ） (2023-02-24T12:04:46Z)
• A CNN-BiLSTM Model with Attention Mechanism for Earthquake Prediction [0.0]
  本稿では、注意機構(AM)、畳み込みニューラルネットワーク(CNN)、双方向長短期記憶(BiLSTM)モデルに基づく新しい予測手法を提案する。 中国本土の地震カタログに基づいて,各地域の地震の規模と規模を推定することができる。
  論文  参考訳（メタデータ） (2021-12-26T20:16:20Z)
• From Static to Dynamic Prediction: Wildfire Risk Assessment Based on Multiple Environmental Factors [69.9674326582747]
  ワイルドファイアはアメリカ合衆国西海岸で頻繁に起こる最大の災害の1つである。 カリフォルニアの山火事リスクが高い地域を解析・評価するための静的・動的予測モデルを提案します。
  論文  参考訳（メタデータ） (2021-03-14T17:56:17Z)
• STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
  我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。 我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
  論文  参考訳（メタデータ） (2020-12-08T21:21:47Z)
• 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。