論文の概要: Estimating Earthquake Magnitude in Sentinel-1 Imagery via Ranking

• arxiv url: http://arxiv.org/abs/2407.18128v1
• Date: Thu, 25 Jul 2024 15:35:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-26 13:29:21.050081
• Title: Estimating Earthquake Magnitude in Sentinel-1 Imagery via Ranking
• Title（参考訳）: センチネル-1画像のランク付けによる地震マグニチュードの推定
• Authors: Daniele Rege Cambrin, Isaac Corley, Paolo Garza, Peyman Najafirad,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 5.71478837100808
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Earthquakes are commonly estimated using physical seismic stations, however, due to the installation requirements and costs of these stations, global coverage quickly becomes impractical. An efficient and lower-cost alternative is to develop machine learning models to globally monitor earth observation data to pinpoint regions impacted by these natural disasters. However, due to the small amount of historically recorded earthquakes, this becomes a low-data regime problem requiring algorithmic improvements to achieve peak performance when learning to regress earthquake magnitude. In this paper, we propose to pose the estimation of earthquake magnitudes as a metric-learning problem, training models to not only estimate earthquake magnitude from Sentinel-1 satellite imagery but to additionally rank pairwise samples. Our experiments show at max a 30%+ improvement in MAE over prior regression-only based methods, particularly transformer-based architectures.
• Abstract（参考訳）: 地震は一般に物理地震観測所を用いて推定されるが、これらの駅の設置要件とコストのため、世界的なカバー範囲は急速に非現実的になる。 効率的で低コストな代替手段は、地球観測データを世界規模で監視する機械学習モデルを開発し、これらの自然災害の影響を受けやすい領域に配置することである。 しかし, 歴史的に記録された地震の量が少なかったため, 地震の規模を縮小する学習において, ピーク性能を達成するために, アルゴリズム改良を必要とする低データ構造問題となる。 本稿では, 地震の規模を計量学習問題として推定し, センチネル-1衛星画像から地震の規模を推定するだけでなく, 対角サンプルのランク付けを行うためのトレーニングモデルを提案する。 実験の結果,従来の回帰のみに基づく手法,特にトランスフォーマーに基づくアーキテクチャに比べて,最大30%以上のMAEの改善が見られた。

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)
• 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)
• 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)
• 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)
• 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)
• 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)
• Detecting Damage Building Using Real-time Crowdsourced Images and Transfer Learning [53.26496452886417]
  本稿では,Twitterなどのソーシャルメディアプラットフォームから地震後の建物画像を自動的に抽出する手法を提案する。 トランスファーラーニングと6500枚の手動ラベル付き画像を用いて,現場に損傷のある建物を画像として認識する深層学習モデルを訓練した。 訓練されたモデルは、異なる場所で新たに取得した地震の画像でテストし、トルコのM7.0地震の後、Twitterのフィードでほぼリアルタイムで実行された。
  論文  参考訳（メタデータ） (2021-10-12T06:31:54Z)
• 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)
• Assessing out-of-domain generalization for robust building damage detection [78.6363825307044]
  建築損傷検出は、衛星画像にコンピュータビジョン技術を適用することで自動化することができる。 モデルは、トレーニングで利用可能な災害画像と、新しいイベントの画像の間の分散の変化に対して堅牢でなければならない。 今後はOOD体制に重点を置くべきだと我々は主張する。
  論文  参考訳（メタデータ） (2020-11-20T10:30:43Z)
• RescueNet: Joint Building Segmentation and Damage Assessment from Satellite Imagery [83.49145695899388]
  RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。 RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
  論文  参考訳（メタデータ） (2020-04-15T19:52:09Z)

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。