論文の概要: SeisMamba: Low-Latency Single-Station Seismic Magnitude Estimation for Spatially Distributed Earthquake Early Warning
- arxiv url: http://arxiv.org/abs/2608.24561v1
- Date: Tue, 25 Aug 2026 13:44:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:35.006429
- Title: SeisMamba: Low-Latency Single-Station Seismic Magnitude Estimation for Spatially Distributed Earthquake Early Warning
- Title（参考訳）: 地震早期警戒のための低レイテンシ単一構造地震マグニチュード推定
- Abstract要約: シングルステーション学習は低コストの代替手段を提供するが、既存のモデルは、しばしば精度-遅延トレードオフに直面し、地域分布シフトによって劣化する可能性がある。
本稿では, 単一局で記録された最小処理3成分地震波形から, 低遅延等級推定のための軽量マンバアーキテクチャであるSeesMambaについて述べる。
STEADベンチマークでは、SeisMambaはテストベースラインの中で最高のMSE、RMSE、R2$を達成し、NVIDIA T4 GPU上の32の波形のバッチに対してわずか0.55msしか必要としない。
- 参考スコア（独自算出の注目度）: 6.287665222121476
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Rapid earthquake magnitude estimation is central to earthquake early warning, yet many operational systems depend on dense regional seismic networks and region-specific calibration. This creates a spatial coverage barrier for high-risk areas with sparse sensing infrastructure. Single-station learning offers a lower-cost alternative, but existing models often face an accuracy--latency trade-off and may degrade under regional distribution shift. We present SeisMamba, a lightweight Mamba-based architecture for low-latency magnitude estimation from minimally processed three-component seismic waveforms recorded at a single station. SeisMamba combines hierarchical convolutional encoding, sparse selective state-space modelling, multi-scale feature fusion, and an auxiliary temporal prediction head to support efficient long-sequence waveform analysis. On the STEAD benchmark, SeisMamba achieves the best MSE, RMSE, and $R^2$ among tested baselines while requiring only 0.55 ms for a batch of 32 waveforms on an NVIDIA T4 GPU, making it about three times faster than transformer-based baselines. We further conduct a Chile--Taiwan regional hold-out experiment as a diagnostic test of cross-region deployment, where SeisMamba retains useful performance on geographically unseen seismic regions. These results suggest that selective state-space waveform modelling provides a promising accuracy--latency backbone for spatially distributed, low-cost earthquake early warning.
- Abstract（参考訳）: 急激な地震規模推定は地震早期警戒の中心であるが、多くの運用システムは密度の高い地域地震ネットワークと地域固有のキャリブレーションに依存している。
これにより、疎いセンシングインフラを備えた高リスク領域の空間被覆障壁が形成される。
シングルステーション学習は低コストの代替手段を提供するが、既存のモデルは、しばしば精度-遅延トレードオフに直面し、地域分布シフトによって劣化する可能性がある。
本稿では, 単一局で記録された最小処理3成分地震波形から, 低遅延等級推定のための軽量マンバアーキテクチャであるSeesMambaについて述べる。
SeisMambaは、階層的畳み込み符号化、スパース選択状態空間モデリング、マルチスケール特徴融合と補助時間予測ヘッドを組み合わせて、効率的な長周期波形解析を支援する。
STEADベンチマークでは、SeesMambaはテストベースラインの中で最高のMSE、RMSE、R^2$を達成し、NVIDIA T4 GPU上の32の波形のバッチに対してわずか0.55msしか必要とせず、トランスフォーマーベースベースラインの約3倍高速である。
我々はさらにチリと台湾の地域ホールドアウト実験を、地域間展開の診断試験として実施し、そこでは、SeesMambaは、地理的に見えない地震地域において有用なパフォーマンスを維持している。
これらの結果から,選択状態空間波形モデリングは空間分布の低コスト地震早期警報に有望な精度-遅延バックボーンを提供する可能性が示唆された。
関連論文リスト
- Towards Purified Multi-Label Test-Time Adaptation of Vision-Language Models [81.26524429852992]
PuRFは、視覚言語モデルの多ラベルテスト時間適応のための新しいPuRiFication駆動キャッシュベースの手法である。
PuRFは最先端の手法を一貫して上回り、ViT-B/32では5つのデータセットで4.05%のmAP改善を実現している。
論文 参考訳（メタデータ） (2026-08-26T11:36:11Z) - FoundationGeo: Learning Spatial Pixel-Wise Fields for Monocular Metric Geometry [52.232826445242644]
FoundationGeoは空間キャリブレーションと原則データ設計による相対的および計量的予測を橋渡しする。
ステージ1は DINOv3 で初期化することで高忠実なアフィン不変幾何モデルを学ぶ。
ステージ2は、メートル法推定のためのピクセルワイドキャリブレーションフィールドを導入することで、グローバルなスケーリングを越えている。
論文 参考訳（メタデータ） (2026-07-13T14:10:01Z) - Real-Time Earthquake Magnitude Classification from Initial P-Waves: Models, Dataset, and Comparative Analysis for South Asia [0.0]
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。
論文 参考訳（メタデータ） (2026-05-10T16:25:05Z) - ACMamba: Fast Unsupervised Anomaly Detection via An Asymmetrical Consensus State Space Model [51.83639270669481]
ハイパースペクトル画像(HSI)における教師なし異常検出は、背景から未知のターゲットを検出することを目的としている。
HSI研究は、HSIの高次元特性と高密度サンプリングベーストレーニングパラダイムにより、計算コストの急激さによって妨げられている。
計算コストを大幅に削減する非対称コンセンサス状態空間モデル(ACMamba)を提案する。
論文 参考訳（メタデータ） (2025-04-16T05:33:42Z) - Spatio-Temporal Graph Structure Learning for Earthquake Detection [1.6044444452278062]
本研究では,地震観測所間の静的および動的関係をモデル化するための時空間グラフ畳み込みネットワーク(GCN)を提案する。
提案手法は, マルチステーション波形データを処理し, ステーション固有検出確率を生成する。
実験は、真正レート(TPR)と偽正レート(FPR)の観点から、従来のGCNベースラインよりも優れた性能を示す。
論文 参考訳（メタデータ） (2025-03-14T09:07:18Z) - 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) - An Attention-based Framework with Multistation Information for Earthquake Early Warnings [10.33741515490406]
本稿では,地震早期警報システムの強度予測のための深層学習型フレームワークであるSENSEを提案する。
SENSEモデルは、入力局の集合と各局の局所性固有の特性の関係を学習するように設計されている。
本研究は台湾と日本のデータセットに関する広範な実験を行った。
論文 参考訳（メタデータ） (2024-12-24T02:18:17Z) - 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) - 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) - DETR Doesn't Need Multi-Scale or Locality Design [69.56292005230185]
本稿では,"プレーン"特性を維持できる改良型DETR検出器を提案する。
特定の局所性制約を伴わずに、単一スケールの機能マップとグローバルなクロスアテンション計算を使用する。
マルチスケールな特徴マップと局所性制約の欠如を補うために,2つの単純な技術が平易な設計において驚くほど効果的であることを示す。
論文 参考訳（メタデータ） (2023-08-03T17:59:04Z)
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。