論文の概要: Parametric modeling of shear wave velocity profiles for the conterminous U.S

• arxiv url: http://arxiv.org/abs/2510.00372v1
• Date: Wed, 01 Oct 2025 00:37:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 14:32:17.183802
• Title: Parametric modeling of shear wave velocity profiles for the conterminous U.S
• Title（参考訳）: 連続米国におけるせん断波速度分布のパラメトリックモデリング
• Authors: Morgan D. Sanger, Brett W. Maurer,
• Abstract要約: 本研究は、VS-with-deepthを米国全体で記述する機能形式を定義する。 我々は,9000以上の地学的測定値の全国的コンパイルを用いて,関数のパラメータを校正する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Earthquake ground motions and the related damage can be significantly impacted by near-surface soils. Accurate predictions of seismic hazard require depth-continuous models of soil stiffness, commonly described in terms of shear-wave velocity (VS). For regional-scale studies, efforts to predict VS remotely, such as the U.S. Geological Survey's National Crustal Model, tend to emphasize deeper lithologic velocity structures, thus simplifying important near-surface soil velocity variations, and tend to be produced at relatively coarse geospatial resolution for one geographic area. In this study, we define a functional form to describe VS-with-depth across the conterminous U.S. We calibrate the parameters of the function using a national compilation of more than 9,000 in-situ geotechnical measurements. By coupling the parametric framework with geospatial machine learning, the model can be leveraged to provide consistent, high resolution VS-depth predictions of the near-surface geotechnical layer across the U.S., complementing the National Crustal Model and supporting applications such as physics-based ground motion simulations and coseismic hazard assessments.
• Abstract（参考訳）: 地震動とそれに伴う被害は, 地表付近の土壌に大きく影響する可能性がある。 地震被害の正確な予測には、せん断波速度 (VS) の観点で説明される土壌硬さの深さ連続モデルが必要である。 地域規模の研究では、米国地質調査所の国立地殻モデル(英語版)のようなVSを遠隔で予測する努力は、より深い岩石学的速度構造を強調する傾向があるため、重要な地表近傍の土壌速度の変動を単純化し、1つの地理的領域に対して比較的粗い地理空間分解能で生産される傾向にある。 そこで本研究では,VS-with-deepthを米国全体で記述する機能形式を定義した。 我々は,9000以上の地学的測定値の全国的コンパイルを用いて,関数のパラメータを校正する。 パラメトリックフレームワークと地理空間機械学習を結合することにより、このモデルを利用すれば、米国全土の地層に関する一貫した高解像度のVS深度予測が実現でき、ナショナル地殻モデルを補完し、物理に基づく地動シミュレーションやコサイスミックハザードアセスメントなどの応用をサポートすることができる。

関連論文リスト

• 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)
• 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)
• Towards physics-informed neural networks for landslide prediction [1.03590082373586]
  PINNは、一般的なプロキシ変数から地理的パラメータを明示的に取得するニューラルネットワークである。 我々のモデルは、標準感受性出力という形で優れた予測性能を生み出す。 このアーキテクチャは、他の研究で確認されれば、PINNベースの準リアルタイム予測に向けて開放される可能性がある、コサイスミックな地すべり予測に取り組むために構築されている。
  論文  参考訳（メタデータ） (2024-07-09T11:54:49Z)
• ImplicitTerrain: a Continuous Surface Model for Terrain Data Analysis [14.013976303831313]
  ImplicitTerrainは、高解像度の地形を連続的に微分的にモデル化するための暗黙の神経表現(INR)アプローチである。 本実験では, 表面適合精度, 有効トポロジカル特徴抽出, 各種トポロジカル特徴抽出について検討した。
  論文  参考訳（メタデータ） (2024-05-31T23:05:34Z)
• Deep autoregressive modeling for land use land cover [0.0]
  ランド・ユース/ランド・カバー・モデリング(LULC)は、地理的特徴と地形、生態学、人間発達に関連する異なる空間パターンの間の長距離依存関係のために難しい課題である。 土地利用の空間パターンのモデル化とコンピュータビジョンからのイメージインペインティングの課題との密接な関係を同定し,約1900万個のLULCをモデル化するための改良されたPixelCNNアーキテクチャについて検討する。
  論文  参考訳（メタデータ） (2024-01-02T18:03:57Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• 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)
• Remote estimation of geologic composition using interferometric synthetic-aperture radar in California's Central Valley [1.5677136474147644]
  カリフォルニア州セントラルバレーの土地は地下水の汲み上げによって急速に沈んでいる。 本研究では,土地変位の時間的変動の異なる特定地域を特定することを目的とする。 そこで我々は,インターフェロメトリ合成開口レーダ(InSAR)を用いた土地変形データを用いて,地質組成をリモートで推定することを目的とする。
  論文  参考訳（メタデータ） (2022-12-04T23:06:14Z)
• 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。