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
- 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) - SeisT: A foundational deep learning model for earthquake monitoring
tasks [11.798801355369044]
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。
論文 参考訳(メタデータ) (2023-10-02T09:28:31Z) - Residual Diffusion Modeling for Km-scale Atmospheric Downscaling [51.061954281398116]
台湾上空2kmの高解像度気象モデルを用いて,コスト効率の低いダウンスケーリングモデルを訓練した。
textitCorrDiffは、RMSEとCRPSを巧みに表現し、極端な場合でもスペクトルと分布を忠実に回復する。
グローバルな予測のスケールダウンは、これらのメリットの多くを成功裏に維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
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) - Deep learning for laboratory earthquake prediction and autoregressive
forecasting of fault zone stress [3.6894467064214456]
実験室では、摩擦性スティックスリップ現象が地震と地震のサイクルに類似している。
近年の研究では, 断層帯の音響放射を用いて, 機械学習が地震のいくつかの側面を予測できることが示されている。
本研究では,室内地震予測と自己回帰予測のための深層学習(DL)手法を実証する。
論文 参考訳(メタデータ) (2022-03-24T19:38:32Z) - 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) - 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) - 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) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳(メタデータ) (2020-10-22T02:28:11Z) - 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。