論文の概要: First observations of the seiche that shook the world

• arxiv url: http://arxiv.org/abs/2411.02469v1
• Date: Mon, 04 Nov 2024 15:05:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-06 14:58:34.100911
• Title: First observations of the seiche that shook the world
• Title（参考訳）: 世を揺さぶる雪崩の初観測
• Authors: Thomas Monahan, Tianning Tang, Stephen Roberts, Thomas A. A. Adcock,
• Abstract要約: 2023年9月16日、異常な10.88mHzの地震信号が世界中で観測され、9日間続いた。 1ヶ月後、同じ信号が現れ、もう1週間続いた。 いくつかの研究は、これらの信号は、東グリーンランドのフィヨルドで2つの地すべりが生成したメガナツミの後に形成されたチーチによって生成されたと理論づけている。
• 参考スコア（独自算出の注目度）: 2.2311673758200836
• License:
• Abstract: On September 16th, 2023, an anomalous 10.88 mHz seismic signal was observed globally, persisting for 9 days. One month later an identical signal appeared, lasting for another week. Several studies have theorized that these signals were produced by seiches which formed after two landslide generated mega-tsunamis in an East-Greenland fjord. This theory is supported by seismic inversions, and analytical and numerical modeling, but no direct observations have been made -- until now. Using data from the new Surface Water Ocean Topography mission, we present the first observations of this phenomenon. By ruling out other oceanographic processes, we validate the seiche theory of previous authors and independently estimate its initial amplitude at 7.9 m using Bayesian machine learning and seismic data. This study demonstrates the value of satellite altimetry for studying extreme events, while also highlighting the need for specialized methods to address the altimetric data's limitations, namely temporal sparsity. These data and approaches will help in understanding future unseen extremes driven by climate change.
• Abstract（参考訳）: 2023年9月16日、異常な10.88mHzの地震信号が世界中で観測され、9日間続いた。 1か月後、同じ信号が現れ、もう1週間続いた。 いくつかの研究は、これらの信号は、東グリーンランドのフィヨルドで2つの地すべりが生成したメガナツミの後に形成されたチーチによって生成されたと理論づけている。 この理論は、地震の逆転、解析的および数値的なモデリングによって支持されているが、これまで直接の観測は行われていない。 新しい表層海洋地形観測ミッションのデータを用いて、この現象を初めて観測する。 他の海洋学の過程を除外することにより、過去の著者の正統性理論を検証し、ベイジアン機械学習と地震データを用いて、その初期振幅を7.9mと独立に推定する。 本研究は、極端事象を研究するための衛星高度計の価値を実証するとともに、高度データの限界、すなわち時間空間に対処する特別な方法の必要性を強調した。 これらのデータとアプローチは、気候変動によって引き起こされる未来の目に見えない極端を理解するのに役立ちます。

関連論文リスト

• Mapping Global Floods with 10 Years of Satellite Radar Data [0.0]
  本研究では,Sentinel-1 Synthetic Aperture Radar (SAR)衛星画像の雲透過性を利用した新しい深層学習洪水検出モデルを提案する。 我々は、クラウドカバレッジの影響を受けない予測を備えた、ユニークな、縦断的なグローバルな洪水範囲データセットを作成します。 我々は,エチオピアの歴史的洪水発生地域を特定し,2024年5月のケニアの洪水時のリアルタイム災害対応能力を示す。
  論文  参考訳（メタデータ） (2024-11-03T02:44:32Z)
• Causal Representation Learning in Temporal Data via Single-Parent Decoding [66.34294989334728]
  科学的研究はしばしば、システム内の高レベル変数の根底にある因果構造を理解しようとする。 科学者は通常、地理的に分布した温度測定などの低レベルの測定を収集する。 そこで本研究では,単一親の復号化による因果発見法を提案し,その上で下位の潜伏者と因果グラフを同時に学習する。
  論文  参考訳（メタデータ） (2024-10-09T15:57:50Z)
• Real-time gravitational-wave inference for binary neutron stars using machine learning [71.29593576787549]
  近似を行なわずに1秒で完全なBNS推論を行う機械学習フレームワークを提案する。 本手法は, (i) 合併前の正確な局所化を提供することにより, (i) 近似低遅延法と比較して, (ii) 局所化精度を$sim30%$で改善すること, (iii) 光度距離, 傾斜, 質量に関する詳細な情報を提供することにより, (i) マルチメーサの観測を向上する。
  論文  参考訳（メタデータ） (2024-07-12T18:00:02Z)
• OXYGENERATOR: Reconstructing Global Ocean Deoxygenation Over a Century with Deep Learning [50.365198230613956]
  既存の専門家が支配する数値シミュレーションは、地球温暖化や人的活動によって引き起こされる動的変動に追いつかなかった。 1920年から2023年までの世界の海洋脱酸素モデルを再構築するために,最初の深層学習モデルであるOxyGeneratorを提案する。
  論文  参考訳（メタデータ） (2024-05-12T09:32:40Z)
• DiffObs: Generative Diffusion for Global Forecasting of Satellite Observations [4.653770685661304]
  本研究は, 自然降雨のグローバルな進化を予測するための自己回帰的生成拡散モデル(DiffObs)を提案する。 モデルは, 日頭降雨の確率論的予測のために訓練されているが, 複数ヶ月のロールアウトには安定であり, 熱帯における対流結合波動モードの定性的に現実的な重ね合わせが明らかである。
  論文  参考訳（メタデータ） (2024-04-04T05:24:22Z)
• MT-IceNet -- A Spatial and Multi-Temporal Deep Learning Model for Arctic Sea Ice Forecasting [0.31410342959104726]
  我々は,北極海氷濃度(SIC)予測のためのMT-IceNet - UNetに基づく空間・多時間深層学習モデルを提案する。 提案モデルでは,6ヶ月のリードタイムで予測誤差を最大60%低減し,画素ごとのSIC予測に有望な予測性能を提供する。
  論文  参考訳（メタデータ） (2023-08-08T18:18:31Z)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)
• Learning-based estimation of in-situ wind speed from underwater acoustics [58.293528982012255]
  水中音響から風速時系列を検索するための深層学習手法を提案する。 我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
  論文  参考訳（メタデータ） (2022-08-18T15:27:40Z)
• A Deep Learning Model for Forecasting Global Monthly Mean Sea Surface Temperature Anomalies [2.8411302762015844]
  我々は,ECMWF ERA5月平均海面温度と2m大気温度データに基づいて,70年以上(1950-2021年)の深層学習時系列予測モデル(Unet-LSTM)を開発した。 このモデルでは、24カ月間の海面温度を正確に予測し、予測されるすべての月において、根平均2乗誤差は 0.75$circ$C 以下である。 また,Nino3.4地域の海面温度異常や,過去10年間の海面熱波ホットスポットの予測能力についても検討した。
  論文  参考訳（メタデータ） (2022-02-21T03:11:27Z)
• 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)
• 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)

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。