文献

J-GLOBAL ID：202202247284914604   整理番号：22A0222775

スパース観測からの津波予測のための機械学習アプローチの比較【JST・京大機械翻訳】

Comparison of Machine Learning Approaches for Tsunami Forecasting from Sparse Observations

著者 (4件)： Liu Christopher M. (Department of Applied Mathematics, University of Washington, Seattle, WA, USA) ,  Rim Donsub (Department of Mathematics and Statistics, Washington University in St. Louis, St. Louis, MO, USA) ,  Baraldi Robert (Department of Applied Mathematics, University of Washington, Seattle, WA, USA) ,  LeVeque Randall J. (Department of Applied Mathematics, University of Washington, Seattle, WA, USA)
資料名： Pure and Applied Geophysics  (Pure and Applied Geophysics)
巻： 178  号： 12  ページ： 5129-5153  発行年： 2021年 
JST資料番号： D0169A  ISSN： 0033-4553  CODEN： PAGYAV  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 1つ以上の観測点における仮想短期観測に基づいて,一連の予測点における津波振幅を予測するための種々の機械学習(ML)手法を探求した。事例研究として,Juan de Fuca海峡の入口近くの観測点,およびSalish海の2つの予測点,Discovery湾の1つ,およびAdmiralty Inletの他,南部Puget Soundに通じる水路を選んだ。考察した一つのMLアプローチは,予測点における最大振幅を予測するために,サポートベクトルマシンを訓練することである。また,予測点における全時系列を予測するために,2つの深い畳み込みニューラルネットワーク,雑音除去オートエンコーダおよび変分オートエンコーダの使用を検討した。これらの後者のアプローチは予測の不確実性の推定も提供する。訓練データとして,Melgar et al.(J Geophys Res Solid Eartial 121:6658-6674,2016b)の研究で生成された1300の合成CSZ地震のサブセットを用いて,いくつかのテストデータを保存した。追加試験として,訓練されたMLモデルは,熊本州における津波氾濫地図の生成に用いられるWitterら(Geosphere 9(6):1783-1803,2013)の仕事からの”L1事象”のような非常に異なるアプローチによって生成された他の仮想CSZ地震に適用された。MLモデルは,最初の波ピークが観測点に達する前に短縮された場合でも,短時間観測から非常に良好な予測を提供できる。Copyright The Author(s), under exclusive licence to Springer Nature Switzerland AG 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 変分法 ,  不確実性 ,  地震 ,  海峡 ,  *津波 ,  海洋 ,  水路 ,  事例研究 ,  熊本県 ,  *機械学習 ,  雑音除去 ,  サポートベクトルマシン ,  畳込みニューラルネットワーク
準シソーラス用語： 訓練データ ,  氾濫 , 【Automatic Indexing@JST】

著者キーワード (3件)： 津波予測 ,  機械学習 ,  GeoClaw

分類 (5件)： 地震学一般  (DC03020A) ,  地震波伝搬  (DC03040W) ,  土圧,土の動的性質,地盤の応力と変形  (RA03060A) ,  地震活動  (DC03030L) ,  地球内部物理学一般  (DC03010P)

タイトルに関連する用語 (3件)： 観測 ,  津波予測 ,  機械学習