基于多站点信息的注意力框架用于地震早期警报
机器学习
2024-12-25 v1 人工智能
地球物理
摘要
地震早期警报系统在降低地震灾害风险方面发挥着关键作用。以前的主导模型是单站点模型，这些模型会处理在给定站点接收的信号数据，并预测来自该位置的地震参数，如p相到达时间、强度和震级。各种方法已显示出相当好的性能。然而，这些方法大多数情况下存在加快报警速度、为远离区域提供早期警报以及考虑全局信息以提升性能方面的挑战。最近，深度学习在多个领域产生了重大影响，包括地震学。因此，本文提出了一个深度学习框架，称为SENSE，用于地震早期警报系统的强度预测任务。为了从区域或国家层面显式考虑全局信息，SENSE的输入包括给定区域或国家中多个站点的统计数据。SENSE模型设计用于学习输入站点之间的关系以及每个站点的局部特性。因此，SENSE不仅预计能通过考虑多站点数据提供更可靠的预测，还具有为尚未接收信号的远离区域提供早期警报的能力。本研究在来自台湾和日本的数据集上进行了广泛实验。结果表明，SENSE可以为其他最先进方法提供具竞争力甚至更好性能。
引用
@article{arxiv.2412.18099,
title = {An Attention-based Framework with Multistation Information for Earthquake Early Warnings},
author = {Yu-Ming Huang and Kuan-Yu Chen and Wen-Wei Lin and Da-Yi Chen},
journal= {arXiv preprint arXiv:2412.18099},
year = {2024}
}