論文の概要: HEIMDALL: a grapH-based sEIsMic Detector And Locator for microseismicity

• arxiv url: http://arxiv.org/abs/2507.10850v1
• Date: Mon, 14 Jul 2025 22:47:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-16 19:46:02.910999
• Title: HEIMDALL: a grapH-based sEIsMic Detector And Locator for microseismicity
• Title（参考訳）: HEIMDALL:grapHをベースとしたsEIsMic検出器と微小地震探査用ロケータ
• Authors: Matteo Bagagli, Francesco Grigoli, Davide Bacciu,
• Abstract要約: 本稿では,地震カタログ作成のためのエンドツーエンドパイプラインを構成する新しいディープラーニングモデルを提案する。 アイスランドのヘンギル地域の複雑な地熱地帯で試験された。 その結果, 以前公表した自動システムと比較して, イベント検出が有意に増加した。
• 参考スコア（独自算出の注目度）: 13.628458744188325
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this work, we present a new deep-learning model for microseismicity monitoring that utilizes continuous spatiotemporal relationships between seismic station recordings, forming an end-to-end pipeline for seismic catalog creation. It employs graph theory and state-of-the-art graph neural network architectures to perform phase picking, association, and event location simultaneously over rolling windows, making it suitable for both playback and near-real-time monitoring. As part of the global strategy to reduce carbon emissions within the broader context of a green-energy transition, there has been growing interest in exploiting enhanced geothermal systems. Tested in the complex geothermal area of Iceland's Hengill region using open-access data from a temporary experiment, our model was trained and validated using both manually revised and automatic seismic catalogs. Results showed a significant increase in event detection compared to previously published automatic systems and reference catalogs, including a $4 M_w$ seismic sequence in December 2018 and a single-day sequence in February 2019. Our method reduces false events, minimizes manual oversight, and decreases the need for extensive tuning of pipelines or transfer learning of deep-learning models. Overall, it validates a robust monitoring tool for geothermal seismic regions, complementing existing systems and enhancing operational risk mitigation during geothermal energy exploitation.
• Abstract（参考訳）: 本研究では, 地震局記録間の連続的な時空間的関係を利用して, 地震カタログ作成のためのエンドツーエンドパイプラインを形成する, 微小地震モニタリングのための新しいディープラーニングモデルを提案する。 グラフ理論と最先端のグラフニューラルネットワークアーキテクチャを使用して、フェーズピッキング、アソシエーション、イベントロケーションをローリングウィンドウ上で同時に実行する。 温暖化移行の広い文脈における二酸化炭素排出量削減のグローバル戦略の一環として、拡張された地熱システムの利用への関心が高まっている。 アイスランドのヘンギル地域の複雑な地熱地帯で, 一時的な実験から得られるオープンアクセスデータを用いて実験を行った。 その結果、2018年12月の4M_w$地震系列と2019年2月の1日連続を含む、以前に公表された自動システムや参照カタログと比較して、イベント検出が大幅に増加した。 提案手法は,疑似事象を低減し,手動による監視を最小化し,パイプラインの広範囲なチューニングやディープラーニングモデルの伝達学習の必要性を低減させる。 総合的に、既存のシステムを補完し、地熱エネルギー利用時の運用リスク軽減を強化し、地熱地域の堅牢なモニタリングツールを検証する。

関連論文リスト

• ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
  ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。 提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
  論文  参考訳（メタデータ） (2025-06-12T06:27:22Z)
• Spatially Regularized Graph Attention Autoencoder Framework for Detecting Rainfall Extremes [2.273531916003657]
  1990年から2015年までのインドにおける降雨データにおけるスケーラブルな異常検出の課題に対処するために,空間正規化を備えたグラフ注意自動符号化(GAE)を導入している。 我々の研究は、気候科学における高度な時間的異常検出手法の道のりを開拓し、より良い気候準備と応答戦略に寄与する。
  論文  参考訳（メタデータ） (2024-11-12T12:24:48Z)
• Kriformer: A Novel Spatiotemporal Kriging Approach Based on Graph Transformers [5.4381914710364665]
  本研究は, 環境問題として, スパースセンサの配置と信頼性の低いデータに対処する。 グラフクリフォーマーモデルであるKriformerは、限られた資源であっても、空間的および時間的相関をマイニングすることで、センサのない場所でデータを推定する。
  論文  参考訳（メタデータ） (2024-09-23T11:01:18Z)
• Neural Networks with LSTM and GRU in Modeling Active Fires in the Amazon [0.0]
  本研究は,ブラジルのアマゾンにあるAQUA_M-T衛星によって検出された活動点の歴史的時系列をモデル化し,予測するための包括的方法論を提案する。 このアプローチでは、Long Short-Term Memory(LSTM)とGated Recurrent Unit(GRU)アーキテクチャを組み合わせた混合リカレントニューラルネットワーク(RNN)モデルを採用して、毎日検出されたアクティブファイアスポットの月次蓄積を予測する。
  論文  参考訳（メタデータ） (2024-09-04T13:11:59Z)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• Graph Dual-stream Convolutional Attention Fusion for Precipitation Nowcasting [1.4610685586329806]
  降水は今,グラフシーケンス問題として再検討する。 我々のモデルでは、空間的時間的相互作用に対して異なる注意機構を用いる。 融合モジュールは両方のストリームを統合し、空間情報と時間情報を利用して精度を向上させる。
  論文  参考訳（メタデータ） (2024-01-15T20:54:20Z)
• FLOGA: A machine learning ready dataset, a benchmark and a novel deep learning model for burnt area mapping with Sentinel-2 [41.28284355136163]
  森林火災は人間や動物の生活、生態系、社会経済の安定に重大な脅威をもたらす。 本研究では、FLOGA(Forest wiLdfire Observations for the Greek Area)と名付けた機械学習可能なデータセットを作成し、導入する。 このデータセットは、山火事の前後に取得された衛星画像からなるため、ユニークなものである。 我々はFLOGAを用いて、複数の機械学習アルゴリズムとディープラーニングアルゴリズムの徹底的な比較を行い、バーント領域の自動抽出を行う。
  論文  参考訳（メタデータ） (2023-11-06T18:42:05Z)
• Joint Microseismic Event Detection and Location with a Detection Transformer [8.505271826735118]
  イベント検出とソース位置をひとつのフレームワークに統合する手法を提案する。 提案するネットワークは、ランダムな震源位置に対応する複数の微小地震事象をシミュレートした合成データに基づいて訓練される。
  論文  参考訳（メタデータ） (2023-07-16T10:56:46Z)
• TinyAD: Memory-efficient anomaly detection for time series data in Industrial IoT [43.207210990362825]
  我々は,リアルタイムな異常検出のためのCNNのオンボード推論を効率的に行うための,Tiny Anomaly Detection (TinyAD) という新しいフレームワークを提案する。 CNNのピークメモリ消費を低減するため、我々は2つの相補的戦略、 in-place と patch-by-patch のメモリ再スケジューリングについて検討する。 我々のフレームワークは、オーバーヘッドを無視してピークメモリ消費を2～5倍削減できる。
  論文  参考訳（メタデータ） (2023-03-07T02:56:15Z)
• Koopman-theoretic Approach for Identification of Exogenous Anomalies in Nonstationary Time-series Data [3.050919759387984]
  多次元時系列データ中の異常を分類する一般的な方法を構築する。 本研究では,地球大気汚染モニタリングの重要な課題について,提案手法を実証する。 このシステムは、新型コロナウイルス(COVID-19)のロックダウンや山火事などにより、空気質の局所的な異常を検出することに成功した。
  論文  参考訳（メタデータ） (2022-09-18T17:59:04Z)

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。