論文の概要: Real-Time Earthquake Magnitude Classification from Initial P-Waves: Models, Dataset, and Comparative Analysis for South Asia

• arxiv url: http://arxiv.org/abs/2605.22836v1
• Date: Sun, 10 May 2026 16:25:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 02:55:42.932856
• Title: Real-Time Earthquake Magnitude Classification from Initial P-Waves: Models, Dataset, and Comparative Analysis for South Asia
• Title（参考訳）: 初期P波からのリアルタイム地震マグニチュード分類:南アジアにおけるモデル・データセット・比較分析
• Authors: Md Nasiat Hasan Fahim, Md. Abid Ullah Muhib, Rayhanul Amin Tanvir, Abdullah Al Noman,
• Abstract要約: 本研究では,1つの局からの最初の7秒P波ウィンドウの垂直成分のみを用いて,大きさ分類の総合的研究を行う。 従来のモデルから最先端のディープラーニングアーキテクチャまで,6つの機械学習アプローチを比較した。 実験の結果,ディープラーニングモデルは従来の手法よりも大幅に優れていることがわかった。
• 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: Rapid earthquake magnitude estimation is crucial for effective early warning systems that can save lives and reduce economic damage. In this paper, we present a comprehensive study of magnitude classification using only the vertical component of the initial 7-second P-wave window from a single station. We compare six machine learning approaches that range from traditional models to state-of-the-art deep learning architectures. We also curated a novel dataset of 7,318 earthquake events in South Asia. The dataset was categorized into five Richter-scale classes: slight (3.0-3.9), light (4.0-4.9), moderate (5.0-5.9), strong (6.0-6.9) and severe (>= 7.0). Our experiments show that deep learning models substantially outperform traditional approaches. Our Transformer based architecture achieved 76.23% standard accuracy and 81.56% adaptive accuracy with 4.8 ms inference latency. The adaptive-accuracy metric is introduced for the inherent uncertainty in magnitude estimation of near class boundaries. These results indicate that the attention mechanisms in Transformers combined with adaptive classification effectively capture the temporal dynamics of seismic signals. The architectural advantage facilitates promising generalization to rare high-magnitude events, despite the inherent data scarcity characteristic of seismic catalogs. The adaptive accuracy provides a more realistic assessment of model performance, and the result suggests viability for real-time deployment.
• Abstract（参考訳）: 地震の急激なマグニチュード推定は、生命を救い、経済的損害を軽減できる効果的な早期警戒システムにとって不可欠である。 本稿では,1つの局からの最初の7秒P波ウィンドウの垂直成分のみを用いて,大きさ分類の総合的研究を行う。 従来のモデルから最先端のディープラーニングアーキテクチャまで,6つの機械学習アプローチを比較した。 また,南アジアで発生した7,318件の地震データも収集した。 データセットは、わずか(3.0-3.9)、軽(4.0-4.9)、中等(5.0-5.9)、強(6.0-6.9)、重(>=7.0)の5種類に分類された。 実験の結果,ディープラーニングモデルは従来の手法よりも大幅に優れていることがわかった。 我々のTransformerベースのアーキテクチャは標準精度76.23%、適応精度81.56%、推論遅延4.8msを達成した。 アダプティブ・アダプティブ・アダプティブ・アクリエイティ・メトリックは、近接クラス境界の大きさ推定における固有の不確実性のために導入される。 これらの結果から, 変圧器の注意機構と適応分類が組み合わさって, 地震信号の時間的ダイナミクスを効果的に捉えることが示唆された。 構造上の優位性は、地震カタログの固有のデータ不足特性にもかかわらず、希少な高緯度事象への有望な一般化を促進する。 適応精度は、モデルパフォーマンスをより現実的に評価し、その結果は、リアルタイムデプロイメントの生存可能性を示している。

関連論文リスト

• Automated Classification of Volcanic Earthquakes Using Transformer Encoders: Insights into Data Quality and Model Interpretability [0.0]
  より客観的かつ効率的な分類のために,トランスフォーマーエンコーダを用いたディープラーニングモデルを開発した。 浅間山の多様な地震活動に基づいて, 従来のCNN法よりも高いF1スコア(火山テクトニクス0.930, 低周波地震0.931, ノイズ0.980)を達成した。
  論文  参考訳（メタデータ） (2025-07-02T00:37:07Z)
• SeisMoLLM: Advancing Seismic Monitoring via Cross-modal Transfer with Pre-trained Large Language Model [63.723408707172894]
  本研究は,地震モニタリングにクロスモーダル転送を利用する最初の基礎モデルであるSeesMoLLMを提示する。 5つの重要なタスクでDiTingとSTEADデータセットの最先端のパフォーマンスを実現する。 優れたパフォーマンスに加えて、SeesMoLLMはトレーニングと推論の両方において軽量モデルに匹敵する効率を維持している。
  論文  参考訳（メタデータ） (2025-02-27T10:35:53Z)
• 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)
• Estimating Earthquake Magnitude in Sentinel-1 Imagery via Ranking [5.71478837100808]
  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。
  論文  参考訳（メタデータ） (2024-07-25T15:35:44Z)
• SeisT: A foundational deep learning model for earthquake monitoring tasks [11.798801355369044]
  本稿では,地震モニタリングタスクのための基礎的深層学習モデルである地震計変換器(SeisT)を提案する。 SeisTは、異なるタスクに適した複数のモジュールを組み合わせて、配布外一般化性能を示す。 本研究は,厳密な実験と評価を通じて,地震信号処理と地震研究の発展に寄与する可能性が示唆された。
  論文  参考訳（メタデータ） (2023-10-02T09:28:31Z)
• 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)
• From Environmental Sound Representation to Robustness of 2D CNN Models Against Adversarial Attacks [82.21746840893658]
  本稿では, 各種環境音響表現(スペクトログラム)が, 被害者残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。 DWTスペクトログラムでトレーニングしたResNet-18モデルでは高い認識精度が得られたが、このモデルに対する攻撃は敵にとって比較的コストがかかる。
  論文  参考訳（メタデータ） (2022-04-14T15:14:08Z)
• From Sound Representation to Model Robustness [82.21746840893658]
  本研究では, 環境音の標準的な表現(スペクトログラム)が, 被害者の残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。 3つの環境音響データセットの様々な実験から、ResNet-18モデルは、他のディープラーニングアーキテクチャよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-07-27T17:30:49Z)

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。