Aug, 2024

地震时空即时预报的时间序列基础模型与深度学习架构

HTML
PDF
TL;DR本研究针对地震即时预报领域的不足，分析了多种深度学习架构，并提出了两种创新方法MultiFoundationQuake和GNNCoder。研究表明，所提出的MultiFoundationQuake模型在捕捉地震数据的时空关系方面表现优异，显著超过了其他定制架构，具有更高的预测准确性和实用价值。
发现论文，激发创造
  • 多任务多站地震监测：一体化地震相位拾取、定位和关联网络 (PLAN)

    我们提出了一种基于图神经网络的方法，可直接对多站地震数据进行处理，实现同时相位拾取、关联和定位，这在地震监测领域具有潜在的下一代自主地震监测能力。

    Jun, 2023

  • SeisCLIP：基于多模态数据预训练的地震学基础模型，用于多目标地震特征提取

    通过对多模态数据进行对比学习，开发了SeisCLIP基础模型，以解决在地震学中特定任务的深度学习模型所遇到的标注数据不足和区域通用性有限的问题。该模型在事件分类、定位和震源机制分析等任务中的表现优于基准方法，适用于不同地区的不同数据集，具有更大的潜力成为地震学领域的基础模型，为基于基础模型的地震学研究开辟了创新方向。

    Sep, 2023

  • 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

  • 路径签名和图神经网络用于慢地震分析：更好的配合？

    通过将路径签名与图卷积神经网络相结合，利用路径签名进行特征提取和图卷积神经网络处理空间相互作用的优势，我们在慢地震序列分析和传感器网络分析方面的应用表明了方法的潜力。

    Feb, 2024

  • 探索单台地面运动记录的深度学习挑战

    通过评估辅助信息对从地动记录中进行深度学习的过程的影响，本研究旨在评估深度学习模型在地动记录的深度学习中的有效性，并揭示了研究领域存在的一个缺口，即缺乏独立于任何辅助信息的单站地动记录的深度学习的稳健方法。

    Mar, 2024

  • QuakeSet：通过Sentinel-1监测地震的数据集和低资源模型

    利用卫星数据和机器学习模型监测地震的有效性。

    Mar, 2024

  • 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

  • WaveCastNet: 一种基于人工智能的地震前警波场预测框架

    我们提出了一种基于人工智能的框架WaveCastNet，用于预测大地震引起的地面运动，该框架可以通过整合卷积长表示记忆模型(ConvLEM)和序列到序列(seq2seq)预测框架来模拟空间和时间上的长期依赖关系和多尺度模式，以提高预警能力并快速预测破坏性地面运动的强度和时机。

    May, 2024

  • 快速信息流处理器（FisH）：用于单站实时地震预警的统一地震神经网络

    本研究解决了传统地震早期预警方法将相位识别、定位估计和震级估计视为独立任务的局限，提出了一种新的统一地震神经网络FisH。该模型能够实时处理地震数据，实现相位识别、定位和震级估计的端到端输出，显著提高了性能，并在地震事件检测和表征中获得了优秀的结果。

    Aug, 2024

  • 基于深度学习的平均剪切波速预测方法及其在加速度计记录中的应用

    本研究解决了在强震站缺乏平均剪切波速(Vs30)测量的问题，这可能导致地震灾害评估不准确。通过使用卷积神经网络(CNN)分析来自700多个站点的加速度计数据，提出了一种深度学习预测Vs30的新方法。研究结果表明，该方法的预测性能优于传统的基于手工特征的机器学习模型，具有重要的实际应用潜力。

    Aug, 2024