要約
この論文では、シミュレーションベースの推論 (SBI) を使用した全波形震源反転のための新しいフレームワークを紹介します。
従来の確率的アプローチは、データエラーに関する単純化された仮定に依存することが多く、それが不正確な定量化につながる可能性があることを示しています。
SBI は、ニューラル密度推定器として知られる機械学習モデルを使用してデータ エラーの経験的確率モデルを構築することで、この制限に対処します。このモデルは、ベイジアン推論フレームワークに統合できます。
SBI フレームワークを点源モーメント テンソル反転、関節モーメント テンソルおよび時間位置反転に適用します。
SBI ソリューションの品質を調査するため、また SBI の結果を標準的なガウス尤度ベースの逆ベイズ法と比較するために、さまざまな合成例を構築します。
次に、実際の地震ノイズの下では、全波形データを処理するための一般的なガウス尤度仮定が、モーメント テンソル成分の不確実性を最大 3 倍過小評価する過信した事後分布を生成することを示します。これを、適切に校正された事後分布を生成する SBI と対比します。
これは一般に真の震源パラメータと一致し、標準的なモンテカルロ手法と比較して、推論を実行するために必要なシミュレーションの数を桁違いに削減できます。
最後に、私たちの方法論を北大西洋で発生した 2 つの中規模の地震に適用します。
我々は、最近の UPFLOW 海底地震計アレイとアゾレス諸島の地方陸上観測所によって記録された地震波形を利用し、SBI とガウス尤度アプローチの間でフルモーメント テンソルと震源時間事後位置を比較します。
SBI の適応を実際の地震源に直接適用して、ガウス尤度アプローチを大幅に改善する高品質の事後分布を効率的に生成できることがわかりました。
要約(オリジナル)
This paper presents a novel framework for full-waveform seismic source inversion using simulation-based inference (SBI). Traditional probabilistic approaches often rely on simplifying assumptions about data errors, which we show can lead to inaccurate uncertainty quantification. SBI addresses this limitation by building an empirical probabilistic model of the data errors using machine learning models, known as neural density estimators, which can then be integrated into the Bayesian inference framework. We apply the SBI framework to point-source moment tensor inversions as well as joint moment tensor and time-location inversions. We construct a range of synthetic examples to explore the quality of the SBI solutions, as well as to compare the SBI results with standard Gaussian likelihood-based Bayesian inversions. We then demonstrate that under real seismic noise, common Gaussian likelihood assumptions for treating full-waveform data yield overconfident posterior distributions that underestimate the moment tensor component uncertainties by up to a factor of 3. We contrast this with SBI, which produces well-calibrated posteriors that generally agree with the true seismic source parameters, and offers an order-of-magnitude reduction in the number of simulations required to perform inference compared to standard Monte Carlo techniques. Finally, we apply our methodology to a pair of moderate magnitude earthquakes in the North Atlantic. We utilise seismic waveforms recorded by the recent UPFLOW ocean bottom seismometer array as well as by regional land stations in the Azores, comparing full moment tensor and source-time location posteriors between SBI and a Gaussian likelihood approach. We find that our adaptation of SBI can be directly applied to real earthquake sources to efficiently produce high quality posterior distributions that significantly improve upon Gaussian likelihood approaches.
arxiv情報
著者 | A. A. Saoulis,D. Piras,A. Spurio Mancini,B. Joachimi,A. M. G. Ferreira |
発行日 | 2024-10-30 17:25:57+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google