基于贝叶斯最优实验设计的地震监测网络分析与优化
应用统计
2024-10-16 v2 机器学习
地球物理
机器学习
摘要
监测网络日益致力于整合来自大量异构传感器的数据，这些传感器覆盖多种探测模式。贝叶斯最优实验设计（OED）旨在识别能够有效降低不确定性、从而提升监测网络性能的数据、传感器配置或实验方案。信息论通过将实验选择或传感器布置建模为最大化关于感兴趣量的预期信息增益（EIG）的优化问题来指导OED。因此，在地震声学监测背景下，我们可利用贝叶斯OED通过选择传感器位置、类型和精度来配置传感器网络，从而提高识别和定位地震源的能力。本文构建了利用贝叶斯OED优化传感器网络在区域尺度上，通过检测到的地震相位到达时数据来定位地震事件的框架。贝叶斯OED需要四个要素：1）描述传感器网络检测和旅行时间数据分布的似然函数；2）利用先验和似然识别地震事件后验分布的贝叶斯求解器；3）计算关于地震事件在假设先验事件数据集上的EIG的算法；4）寻找最大化EIG的传感器网络优化器。我们构建了该框架后，探讨了许多与监测相关的关键问题：如何在传感器精度与地球模型不确定性之间进行权衡；传感器类型、数量和位置如何影响不确定性；先验模型和约束如何影响传感器布置。
引用
@article{arxiv.2410.07215,
title = {Analysis and Optimization of Seismic Monitoring Networks with Bayesian Optimal Experiment Design},
author = {Jake Callahan and Kevin Monogue and Ruben Villarreal and Tommie Catanach},
journal= {arXiv preprint arXiv:2410.07215},
year = {2024}
}
备注
38 pages, 19 figures. Submitted to Geophysical Journal International