抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
マグニチュードのような地震パラメータの検出と迅速な特性化は地震学,特に地震早期警戒(EEW)のような応用において重要である。伝統的に,STA/LTAのようなアルゴリズムは事象検出に使用され,一方,1-3秒の最初のP-到着データから計算した周波数または振幅領域パラメータは,(体波)の大きさの最初の推定を提供するために時々用いられる。パラメータ決定における人的専門家の広範な関与のため,これらのアプローチは不十分であることが多い。さらに,これらの方法は,信号対ノイズ比に敏感であり,しばしば,パラメータの選択に依存して,偽または見逃し警報につながる可能性がある。したがって,著者らは,地震同定とマグニチュード推定(CREIME)のための畳込み再電流モデル(CREIME)のマルチタスク深層学習モデルを提案する。(i)バックグラウンド地震ノイズから最初の地震信号を検出し,(ii)最初のP到着時間を決定し,(iii)モデル入力として単一ステーションからの生3成分波形データを用いてマグニチュードを推定する。考察すれば,EEWでは,スピードが本質的に,これまでの研究に比べて,著者らが知る限りでは,2秒のP波情報を用いて,著者らが知る限りでは,かなり小さいデータウィンドウ(P波データまでの5秒ウィンドウ)である。CREIMEのロバスト性を調べるために,2つの独立したデータセットでテストし,事象対ノイズ識別に対して98パーセントの平均精度を達成し,それぞれ0.13秒と0.65ユニットの平均二乗平均平方根誤差で,最初のP到着時間と局所大きさを推定することができることを見出した。また,CREIMEアーキテクチャを他のベースラインモデルのアーキテクチャと比較し,それらを同じデータに訓練し,STA/LTAのような従来のアルゴリズムも比較し,著者らのアーキテクチャがこれらの方法より優れていることを示した。【JST・京大機械翻訳】