Estimating Earthquake Magnitude in Sentinel-1 Imagery via Ranking

要約

地震は通常、物理的な地震観測所を使用して推定されますが、これらの観測所の設置要件とコストにより、世界規模の観測範囲はすぐに非現実的になります。
効率的で低コストの代替手段は、地球観測データを世界的に監視してこれらの自然災害の影響を受けた地域を正確に特定するための機械学習モデルを開発することです。
ただし、歴史的に記録された地震の量が少ないため、これは低データ領域の問題となり、地震のマグニチュードを回帰する学習時にピークパフォーマンスを達成するためにアルゴリズムの改善が必要になります。
この論文では、センチネル 1 衛星画像から地震のマグニチュードを推定するだけでなく、ペアごとのサンプルをさらにランク付けするためにモデルをトレーニングする計量学習問題として地震のマグニチュードの推定を提起することを提案します。
私たちの実験では、以前の回帰のみベースの手法、特にトランスベースのアーキテクチャと比較して、MAE が最大 30% 以上改善されたことが示されています。

要約(オリジナル)

Earthquakes are commonly estimated using physical seismic stations, however, due to the installation requirements and costs of these stations, global coverage quickly becomes impractical. An efficient and lower-cost alternative is to develop machine learning models to globally monitor earth observation data to pinpoint regions impacted by these natural disasters. However, due to the small amount of historically recorded earthquakes, this becomes a low-data regime problem requiring algorithmic improvements to achieve peak performance when learning to regress earthquake magnitude. In this paper, we propose to pose the estimation of earthquake magnitudes as a metric-learning problem, training models to not only estimate earthquake magnitude from Sentinel-1 satellite imagery but to additionally rank pairwise samples. Our experiments show at max a 30%+ improvement in MAE over prior regression-only based methods, particularly transformer-based architectures.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google