深度学习预测基拉韦厄火山的火山坍塌事件

Apr, 2024

深度学习预测基拉韦厄火山的火山坍塌事件

Deep Learning Forecasts Caldera Collapse Events at Kīlauea Volcano

Ian W. McBrearty, Paul Segall

TL;DR该研究使用深度学习的图神经网络方法对 Kilauea 火山的火山口坍塌事件进行预测，发现这种方法能够在仅使用 0.5 天的数据时，准确地预测火山口坍塌的时间，并且使用高信噪比的倾斜仪数据时预测能力最强，这些结果展示了在监测良好的条件下对火山口坍塌序列的可预测性，并突出了机器学习方法在有限训练数据下预测真实世界灾难性事件的潜力。

Abstract

During the three month long eruption of K\=ilauea volcano, Hawaii in 2018, the pre-existing summit caldera collapsed in over 60 quasi-periodic failure events. The last 40 of these events, which generated Mw >5 very long period (VLP) earthquakes, had inter-event times between 0.8 - 2.2 days. These failure events offer a unique dataset for testing methods for

kilauea volcano caldera collapse earthquake recurrence deep learning graph neural network predictability

发现论文，激发创造

面向实时地震预警的泛化神经网络

利用深度学习直接挖掘地震波形来增强地震监测能力，本研究使用数据重组方法训练具有普适性的神经网络，以便应用于不同地区的地震监测，实现实时的地震早期预警。通过应用于日本和美国加利福尼亚的地震序列，我们的模型可在触发的第一个台站后的 4 秒内可靠地报告地震位置和震级，平均误差分别为 2.6-6.3 公里和 0.05-0.17。这些普适的神经网络有助于全球实时地震早期预警的应用，消除了传统方法中通常需要复杂经验配置的要求。

Dec, 2023

评估 GPS 数据在余震预测中的预测能力

该论文提出了一种利用机器学习的方法，通过地球表面变形数据对 2015 年至 2019 年间的日本地震目录进行余震预测。该方法利用卷积神经网络处理 GPS 数据，捕获输入的空间相关性，并取得了良好的预测性能。但预测精度与 GPS 站点的密度密切相关，当主震在测量站之外的离岸地区发生时，预测力会降低。

May, 2023

应用卷积神经网络检测 InSAR 时间序列中的慢速持续变形

本文探讨卷积神经网络在探测卫星 InSAR 图像中缓慢、持续变形中的应用，并提出用于组合不同封套参数结果的均值滤波方法。在 Campi Flegrei 和 Dallol 测试中，检测到了分别为 8.5cm/yr 和 3.5cm/yr 的变形。

Sep, 2019

地震工程中的深度学习：综述

该研究综述了利用深度学习（DL）作为解决地震工程中存在的挑战性问题的强大工具所引起的日益浓厚的兴趣，并通过讨论方法论的进步和探索不同研究主题中的各种 DL 应用，来揭示 DL 在地震工程研究和实践中的机遇和挑战。

May, 2024

卷积神经网络用于地震检测

使用卷积神经网络 (ConvNetQuake) 检测和定位地震事件，以解决小型和中等级地震活动中的低幅度震动噪声的问题。

Apr, 2023

卫星图像中火山活动异常检测

该研究探索了使用无监督深度学习在卫星数据中识别火山变形作为异常的方法，利用 Patch Distribution Modeling (PaDiM) 模型并通过加权距离增强检测性能，同时还提出了预处理方法来处理噪声和不完整数据点。最终使用五座具有不同变形特征的火山进行测试，并与监督学习方法进行了性能比较。

May, 2024

利用地震噪声和 GPS 数据推断俯冲带断层滑动

研究作者采用随机森林机器学习算法，通过预测连续地震数据，得到 GPS 位移测量结果，以研究地震触发因素和慢滑事件与相关的震颤现象。

Apr, 2023

使用机器学习预测 Hénon 映射中的极值事件

通过分析经典参数下二维 Henon 地图中的一个算法，在预测极端事件方面确定算法的性能，并发现在保持一定精度的情况下，机器学习算法的成功率依赖于预测时间、训练样本数和网络规模等因素，其内在混沌性质和机器学习参数之间存在类似的关系。

Feb, 2020

边缘卷积神经网络的事件触发自然灾害监测

本文介绍了一种基于无线传感器网络、事件触发、信号处理和机器学习的灾害监测系统，可以实时、高效地识别出危险区域内的人类活动和异常信号。

Oct, 2018

利用众包数据和大型语言模型的接近实时地震致死人数估计

通过多语言的、群体化的社交媒体，引入一个端到端的框架，显著提高全球地震引发的人员损失预测的及时性和准确性。该框架集成了（1）基于大型语言模型、提示设计和少样本学习的分级伤亡提取模型，用于从社交媒体中检索定量人员损失索赔，（2）一个考虑物理约束的、动态真实性发现模型，从大量嘈杂和潜在冲突的人员损失索赔中发现真实的人员损失，和（3）一个贝叶斯更新损失投影模型，使用发现的真实数据动态更新最终的损失估计。我们实时测试该框架在 2021 年和 2022 年的一系列全球地震事件上，并展示我们的框架简化了伤亡数据的获取，实现了与美国地质调查局手动方法相当的速度和准确性。

Dec, 2023