論文の概要: Event-Centric Earthquake Monitoring with a Multi-Station Transformer

• arxiv url: http://arxiv.org/abs/2610.17404v1
• Date: Mon, 12 Oct 2026 21:11:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.455471
• Title: Event-Centric Earthquake Monitoring with a Multi-Station Transformer
• Title（参考訳）: 多段変圧器を用いたイベント中心地震モニタリング
• Abstract要約: EQNet2は、位相到着、第1運動極性、ソース位置と大きさ、イベントへの到着の関連を共同で予測する幾何学的マルチステーション変換器である。 北カリフォルニアのテストデータセットとリッジクレストとサンフランシスコベイエリアからの連続的な波形で、EQNet2はより弱い到着を回復し、偽検出を少なくし、位置するイベントにより多くのピックを関連付ける。
• 参考スコア（独自算出の注目度）: 4.592926177786738
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Earthquake catalogs underpin studies such as fault structure, earthquake processes and seismic hazard, and their value depends on being both complete and reliable. Machine learning has improved individual tasks of earthquake monitoring, but processing stations independently discards the consistency of arrivals across the network, and running tasks in sequence fragments the information describing each earthquake. We present EQNet2, a geometry-aware multi-station Transformer that jointly predicts phase arrivals, first-motion polarities, source location and magnitude, and the association of arrivals into events. On a Northern California test dataset and on continuous waveforms from Ridgecrest and the San Francisco Bay Area, EQNet2 recovers more weak arrivals, produces fewer false detections, and associates more picks into located events. Its learned attention links information across stations along time--distance patterns consistent with seismic moveout. As seismic networks grow denser, exploiting multi-station coherence and event-centric prediction offers a path to more complete and reliable catalogs.
• Abstract（参考訳）: 地震カタログは, 断層構造, 地震過程, 地震危険などの研究を基盤としており, その価値は, 完全かつ信頼性に左右される。 機械学習は地震モニタリングの個々のタスクを改善したが、処理ステーションは独立してネットワーク全体の到着の一貫性を捨て、シーケンス内のタスクの実行は各地震に関する情報を断片化する。 EQNet2は、位相到着、第1運動極性、ソース位置と大きさ、イベントへの到着の関連を共同で予測する幾何学的マルチステーション変換器である。 北カリフォルニアのテストデータセットとリッジクレストとサンフランシスコベイエリアからの連続的な波形で、EQNet2はより弱い到着を回復し、偽検出を少なくし、位置するイベントにより多くのピックを関連付ける。 その学習された注意は、地震活動と一致した時間距離パターンに沿って、駅間の情報をリンクする。 地震ネットワークがより密集するにつれて、マルチステーションのコヒーレンスとイベント中心の予測を利用して、より完全で信頼性の高いカタログを作ることができる。

関連論文リスト

• Can LLM Agents Respond to Disasters? Benchmarking Heterogeneous Geospatial Reasoning in Emergency Operations [55.251494694783894]
  災害対応エージェントベンチマーク(DORA)は、エンド・ツー・エンドの災害対応のための最初のエージェントベンチマークである。 タスクは、災害認識、空間関係分析、救助・避難計画、時間的進化推論、マルチモーダルレポート合成という、災害対応パイプラインをカバーする5つの次元にまたがる。 DORAは、運用上の信頼性の高い災害対応エージェントのための厳格なテストベッドを確立する。
  論文  参考訳（メタデータ） (2026-05-12T06:57:41Z)
• Localization of Impacts on Thin-Walled Structures by Recurrent Neural Networks: End-to-end Learning from Real-World Data [45.9982965995401]
  薄肉構造への影響は、圧電センサで測定できるラム波を励起する。 逐次センサデータから直接、衝撃位置をエンドツーエンドに推定するために、リカレントニューラルネットワーク(RNN)を提案する。 その結果,比較的小さなデータセットであっても,衝撃位置の推定精度は著しく向上した。
  論文  参考訳（メタデータ） (2025-05-13T09:08:47Z)
• 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)
• 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)
• QuakeSet: A Dataset and Low-Resource Models to Monitor Earthquakes through Sentinel-1 [5.279257531335345]
  本稿では,Sentinel-1から得られた画像からなる新しいデータセットを提案する。 地震解析におけるMLモデルの有効性を評価するために,従来の機械学習モデルとディープラーニングモデルをベースラインとして提供する。
  論文  参考訳（メタデータ） (2024-03-26T21:45:29Z)
• 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)
• Multi-task multi-station earthquake monitoring: An all-in-one seismic Phase picking, Location, and Association Network (PLAN) [19.697978881402143]
  標準的な監視ワークフローには、フェーズピッキング、アソシエーション、ロケーションといった相互に依存したタスクが含まれている。 本稿では, マルチステーション地震データを直接処理し, 同時位相選択, 関連, 位置を求めるグラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2023-06-24T09:46:18Z)
• 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)
• Detecting train driveshaft damages using accelerometer signals and Differential Convolutional Neural Networks [67.60224656603823]
  本稿では,高度2次元畳み込みニューラルネットワーク(CNN)アーキテクチャに基づく鉄道軸状態監視システムの開発を提案する。 その結果,鉄道軸受振動信号を時間周波数領域表現,すなわち分光図に変換し,そのひび割れに応じて2次元CNNを訓練する。
  論文  参考訳（メタデータ） (2022-11-15T15:04:06Z)
• Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
  ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。 電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。 本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:19:25Z)
• Real-time Earthquake Early Warning with Deep Learning: Application to the 2016 Central Apennines, Italy Earthquake Sequence [26.349354722386526]
  深層学習技術は、地震相ピックの代わりに完全な地震波形から震源情報を抽出する可能性を提供する。 我々は,地震を同時に検出し,震源パラメータを推定する,新しい深層学習型地震早期警報システムを開発した。 我々は,2016年イタリア中部アペニン地震(Mw 6.0)とそれに続く連続地震(Mw 6.0)に本システムを適用した。
  論文  参考訳（メタデータ） (2020-06-02T01:27:25Z)

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。