Fugu-MT 論文翻訳(概要): Deep Learning Forecasts Caldera Collapse Events at Kilauea Volcano

論文の概要: Deep Learning Forecasts Caldera Collapse Events at Kilauea Volcano

arxiv url: http://arxiv.org/abs/2404.19351v2
Date: Fri, 3 May 2024 15:05:01 GMT
ステータス: 処理完了
システム内更新日: 2024-05-06 16:58:34.555441
Title: Deep Learning Forecasts Caldera Collapse Events at Kilauea Volcano
Title（参考訳）: キラウエア火山におけるカルデラ崩壊現象の深層学習予測
Authors: Ian W. McBrearty, Paul Segall,
Abstract要約: 2018年にハワイのキラウエア火山が噴火し、約60回の半周期の噴火で崩壊した。これらの障害イベントは、ローカルに記録されたGPS、傾き、および地震活動データに基づいて、地震の再発を予測するための独自のデータセットを提供する。深層学習グラフニューラルネットワーク(GNN)をトレーニングし、各サイクルの開始時に記録されたデータの一部を使用すれば、カルデラ崩壊イベントの時間と障害を予測する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: During the three month long eruption of Kilauea volcano, Hawaii in 2018, the pre-existing summit caldera collapsed in over 60 quasi-periodic failure events. The last 40 of these events, which generated Mw >5 very long period (VLP) earthquakes, had inter-event times between 0.8 - 2.2 days. These failure events offer a unique dataset for testing methods for predicting earthquake recurrence based on locally recorded GPS, tilt, and seismicity data. In this work, we train a deep learning graph neural network (GNN) to predict the time-to-failure of the caldera collapse events using only a fraction of the data recorded at the start of each cycle. We find that the GNN generalizes to unseen data and can predict the time-to-failure to within a few hours using only 0.5 days of data, substantially improving upon a null model based only on inter-event statistics. Predictions improve with increasing input data length, and are most accurate when using high-SNR tilt-meter data. Applying the trained GNN to synthetic data with different magma pressure decay times predicts failure at a nearly constant stress threshold, revealing that the GNN is sensing the underling physics of caldera collapse. These findings demonstrate the predictability of caldera collapse sequences under well monitored conditions, and highlight the potential of machine learning methods for forecasting real world catastrophic events with limited training data.
Abstract（参考訳）: 2018年にハワイのキラウエア火山が噴火し、約60回の半周期の噴火で崩壊した。 Mw>5超長周期地震(VLP)を発生させた最後の40件は、0.8～2.2日間の時間間隔であった。これらの障害イベントは、ローカルに記録されたGPS、傾き、および地震活動データに基づいて、地震の再発を予測するための独自のデータセットを提供する。本研究では,各サイクルの開始時に記録されたデータのごく一部を用いて,カルデラ崩壊イベントの時間と障害を予測するために,ディープラーニンググラフニューラルネットワーク(GNN)を訓練する。我々は,GNN がデータの発見を一般化し,0.5 日のデータのみを用いて数時間以内に障害を予測し,イベント間統計のみに基づくnull モデルを大幅に改善することを発見した。入力データ長の増大により予測は改善され、高SNR傾斜計データを使用する場合に最も正確である。トレーニングされたGNNをマグマ圧力減衰時間が異なる合成データに適用することで、ほぼ一定の応力閾値での故障を予測し、GNNがカルデラ崩壊の地下物理を感知していることを明らかにする。これらの結果は,カルデラ崩壊シーケンスの予測可能性を示し,限られたトレーニングデータを用いた実世界の破滅的な事象を予測するための機械学習手法の可能性を強調した。

関連論文リスト

Explainable Earth Surface Forecasting under Extreme Events [5.655308942083527]
我々は、新しいDeepExtremeCubesデータセットに基づいて、畳み込み長短期メモリベースのアーキテクチャをトレーニングする。 DeepExtremeCubesには、全世界で約40,000のSentinel-2ミニキューブ(2016年1月から2022年10月まで)が含まれている。このモデルはテストセットでR$2$スコア0.9055を達成した。
論文参考訳（メタデータ） (2024-10-02T17:27:13Z)
Using Explainable AI and Transfer Learning to understand and predict the maintenance of Atlantic blocking with limited observational data [7.72430072816717]
ブロッキング・イベントは、極度の気象、特に気象システムを妨害する長期のブロッキング・イベントの重要な原因である。説明可能な人工知能(Explainable Artificial Intelligence)は、長いブロッキングイベントの物理的原因を特定するのに役立つ、データ分析手法のクラスである。我々は、畳み込みニューラルネットワーク(CNN)をトレーニングし、大西洋ブロッキングの持続性に対するスパース予測モデルを構築します。
論文参考訳（メタデータ） (2024-04-12T17:22:29Z)
Predicting Temperature of Major Cities Using Machine Learning and Deep Learning [0.0]
我々は,大都市における気温変化を構成するデイトン大学が作成したデータベースを用いて,将来いつでも異なる都市の気温を予測する。この文書には、このような予測を行うための方法論が含まれています。
論文参考訳（メタデータ） (2023-09-23T10:23:00Z)
Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文参考訳（メタデータ） (2023-09-12T13:28:06Z)
Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
論文参考訳（メタデータ） (2023-07-29T22:49:50Z)
Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
論文参考訳（メタデータ） (2023-06-06T07:07:54Z)
GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
論文参考訳（メタデータ） (2022-12-24T18:15:39Z)
Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文参考訳（メタデータ） (2022-11-03T17:19:43Z)
Long-term hail risk assessment with deep neural networks [0.0]
農作物、果樹園、インフラの被害を見積り、軽減するためには、危険リスク評価が必要である。特定の領域におけるヘイル頻度の変化をデータ駆動で予測する機械学習モデルはありません。本研究は,2つのアプローチを比較し,過去数十年の干ばつ頻度の変化を予測する作業に適したモデルを提案する。
論文参考訳（メタデータ） (2022-08-31T18:24:39Z)
Predicting extreme events from data using deep machine learning: when and where [0.0]
我々は,極端事象の発生をモデル無しで予測するためのディープ畳み込みニューラルネットワーク(DCNN)ベースのフレームワークを開発する。我々は,北大西洋の2次元複素ギンズバーグ・ランダウ方程式と経験的風速データから合成したデータを用いて,機械学習に基づく予測フレームワークの実証と検証を行った。
論文参考訳（メタデータ） (2022-03-31T16:28:01Z)
Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。 LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
論文参考訳（メタデータ） (2021-06-23T18:00:05Z)

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。