Septor: Seismic Depth Estimation Using Hierarchical Neural Networks
Septor: Seismic Depth Estimation Using Hierarchical Neural Networks
复制标题
Septor：使用分层神经网络进行地震深度估计
DOI：
10.1145/3534678.3539166
复制
发表时间：
2022
期刊：
影响因子：
--
通讯作者：
Mueen, Abdullah
中科院分区：
文献类型：
--
作者：
Siddiquee, M Ashraf;Souza, Vinicius M.;Baker, Glenn Eli;Mueen, Abdullah
地震事件的深度是区分自然地震和人为地震的重要特征。然而，估计地震事件的深度与一组稀疏的地震台站是一项艰巨的任务，并没有全球可用的方法。本文的重点是开发一个机器学习模型，以准确地估计任意地震事件的深度直接从地震记录。与文献中常见的相关任务模型相比，我们提出的深度学习架构并不那么深入，由两个松散连接的神经网络级别组成，与较高级别的地震台站和较低级别的台站的单个通道相关联。因此，该模型具有显著的优点，包括减少了用于调整的参数数量，以及更好地解释了可编程逻辑器件。我们评估我们的解决方案上收集的地震数据从SCEDC（南加州地震数据中心）目录的区域事件在加州。该模型可以学习特定于一组站点的波形特征，而它很难推广到全新的事件源和站点集合。在一个简单的设置分离浅事件从深的，该模型取得了86.5%的F1分数使用南加州站。
The depth of a seismic event is an essential feature to discriminate natural earthquakes from events induced or created by humans. However, estimating the depth of a seismic event with a sparse set of seismic stations is a daunting task, and there is no globally usable method. This paper focuses on developing a machine learning model to accurately estimate the depth of arbitrary seismic events directly from seismograms. Our proposed deep learning architecture is not-so-deep compared to commonly found models in the literature for related tasks, consisting of two loosely connected levels of neural networks, associated with the seismic stations at the higher level and the individual channels of a station at the lower level. Thus, the model has significant advantages, including a reduced number of parameters for tuning and better interpretability to geophysicists. We evaluate our solution on seismic data collected from the SCEDC (Southern California Earthquake Data Center) catalog for regional events in California. The model can learn waveform features specific to a set of stations, while it struggles to generalize to completely novel sets of event sources and stations. In a simplified setting of separating shallow events from deep ones, the model achieved an 86.5% F1-score using the Southern California stations.
登录
查看更多内容
DOI：
10.1109/tkde.2015.2416723
发表时间：
2015-09-01
影响因子：
8.9
作者：
Bagnall, Anthony;Lines, Jason;Bostrom, Aaron
通讯作者：
Bostrom, Aaron
使用机器学习技术进行微地震震源深度检测
影响因子：
8.1
作者：
Dehe Yang;Xin Zhou;Xiuying Wang;Jian
通讯作者：
Jian
纵波与横波谱比的斜率——宽带区域地震判别式和物理模型
DOI：
--
发表时间：
1995
期刊：
影响因子：
--
作者：
P. Goldstein
通讯作者：
P. Goldstein
影响因子：
4.6
作者：
Mousavi, S. Mostafa;Zhu, Weicliang;Beroza, Gregory C.
通讯作者：
Beroza, Gregory C.