SeisT: A foundational deep learning model for earthquake monitoring tasks

要約

基本的な地震記録である地震記録は、地震の研究と監視に革命をもたらしました。
深層学習の最近の進歩により、地震信号処理がさらに強化され、より正確かつ効果的な地震監視機能が実現されました。
このペーパーでは、さまざまな地震監視タスク用に設計された基礎的な深層学習モデルである Seismogram Transformer (seisT) を紹介します。
SeisT は、さまざまなタスクに合わせて調整された複数のモジュールを組み合わせ、印象的な分散外一般化パフォーマンスを示し、地震検出、地震位相ピッキング、初動極性分類、マグニチュード推定、バックグラウンドなどのタスクにおいて最先端のモデルを上回る、またはそれに匹敵するパフォーマンスを発揮します。
・方位推定、震源距離推定。
タスクのパフォーマンス スコアは、それぞれ 0.96、0.96、0.68、0.95、0.86、0.55、0.81 でした。
既存のモデルと比較して最も顕著な改善は、P 相ピッキング、S 相ピッキング、およびマグニチュード推定で観察され、それぞれ 1.7%、9.5%、8.0% の向上が見られます。
私たちの研究は、厳密な実験と評価を通じて、seisT が地震信号処理と地震研究の進歩に貢献する可能性があることを示唆しています。

要約(オリジナル)

Seismograms, the fundamental seismic records, have revolutionized earthquake research and monitoring. Recent advancements in deep learning have further enhanced seismic signal processing, leading to even more precise and effective earthquake monitoring capabilities. This paper introduces a foundational deep learning model, the Seismogram Transformer (SeisT), designed for a variety of earthquake monitoring tasks. SeisT combines multiple modules tailored to different tasks and exhibits impressive out-of-distribution generalization performance, outperforming or matching state-of-the-art models in tasks like earthquake detection, seismic phase picking, first-motion polarity classification, magnitude estimation, back-azimuth estimation, and epicentral distance estimation. The performance scores on the tasks are 0.96, 0.96, 0.68, 0.95, 0.86, 0.55, and 0.81, respectively. The most significant improvements, in comparison to existing models, are observed in phase-P picking, phase-S picking, and magnitude estimation, with gains of 1.7%, 9.5%, and 8.0%, respectively. Our study, through rigorous experiments and evaluations, suggests that SeisT has the potential to contribute to the advancement of seismic signal processing and earthquake research.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google