深度学习通过先驱信号预测大规模诱导的地震
Vincenzo Convertito1, Fabio Giampaolo2, Ortensia Amoroso3
1Istituto Nazionale di Geofisica e Vulcanologia, Osservatorio Vesuviano, Naples, Italy.
Scientific reports
|February 5, 2024
概括
人工智能 (AI) 有助于识别地震前震. 一个新的深度学习模型,PreD-Net,有效地检测来自诱导地震的前体信号,从而实现实时地震警告.
科学领域:
- 地震学 地震学
- 人工智能的人工智能
- 地震科学 地震科学 地震科学
背景情况:
- 前方冲击是地震的关键前体,但将它们与背景地震性区分开来,特别是对于低强度事件,仍然具有挑战性.
- 实时地震学可以利用人工智能来改善前体信号的歧视.
研究的目的:
- 开发和评估一种深度学习方法,用于识别诱导地震的前体信号.
- 评估模型在不同地震性区域的概括能力.
主要方法:
- 开发了一个深度学习模型,PreD-Net (前体检测网络).
- 该网络使用来自三个诱导性地震区域的数据进行训练:喷泉 (美国),库珀盆地 (澳大利亚) 和亨吉尔 (冰岛).
- 模型性能在未见的数据上进行了测试,并补充了来自巴塞尔目录 (瑞士) 的数据.
主要成果:
- 在所有培训场所中,PreD-Net展示了合适的模型泛化.
- 该网络在培训期间未使用的数据方面取得了相当大的成果.
- 测试表明,有可能开发对诱导地震的实时预警策略.
结论:
- 拟议的PreD-Net有效地识别了诱发地震的前体信号.
- 该模型的概括表明其适用于各种地震环境.
- 这种方法对实时地震预警系统有望减轻运营风险.
相关概念视频
01:07End Point Prediction: Gran Plot
1.5K
A Gran plot is used to predict the equivalence volume or endpoint of a potentiometric or acid-base titration without reaching the endpoint. Typically, titration data is collected as a function of the titrant's volume up to a point less than the equivalence volume and then transformed into a linear format. The straight line is extended to the x-axis, indicating the necessary titrant volume to achieve the equivalence point.
For potentiometric titration, the Gran plot is created by plotting...
For potentiometric titration, the Gran plot is created by plotting...
1.5K
01:18Steps in Outbreak Investigation
742
In the ever-evolving field of public health, statistical analysis serves as a cornerstone for understanding and managing disease outbreaks. By leveraging various statistical tools, health professionals can predict potential outbreaks, analyze ongoing situations, and devise effective responses to mitigate impact. For that to happen, there are a few possible stages of the analysis:
742