基于自监督对比图神经网络的实时地震烈度预测用于地震预警
信号处理
2024-04-01 v4
摘要
利用少数地震台站接收到的早期或初始地震波进行地震烈度预测，可增强地震预警（EEW）系统，特别是在如 PLUM 等基于地面运动的方法中。虽然许多现行 EEW 系统采用基于点源的模型，根据震级和距离度量估计预警区域，但直接烈度预测在准确性和可靠性上具有潜在改进。本文提出一种新颖的深度学习方法——地震对比图神经网络（SC-GNN），利用少数台站的少量初始地震波形进行高精度烈度预测。SC-GNN 包含两个关键组件：（i）图神经网络（GNN），通过表示台站分布与波传播的图状结构传播时空信息；（ii）自监督对比学习组件，以更长时间窗训练网络并支持使用更短初始波形进行预测。我们在三个真实地震数据集上的实验证明了该方法的有效性，其性能优于现有技术，包括均方误差（MSE）显著降低和误差标准差最小，表明其鲁棒性、可靠性以及预测值与实际值间的强正相关。值得注意的是，SC-GNN 模型即便在 5 秒输入波形下仍保持优越性能，特别适合增强 EEW 应用。
引用
@article{arxiv.2306.14336,
title = {Real-time Seismic Intensity Prediction using Self-supervised Contrastive GNN for Earthquake Early Warning},
author = {Rafid Umayer Murshed and Kazi Noshin and Md. Anu Zakaria and Md. Forkan Uddin and A. F. M. Saiful Amin and Mohammed Eunus Ali},
journal= {arXiv preprint arXiv:2306.14336},
year = {2024}
}
备注
19 pages, 9 figures and 8 tables. Published in IEEE Transactions on Geoscience and Remote Sensing