迁移学习：改善训练数据不足地区的神经网络地震地面震动预测
地球物理
2021-12-15 v1
摘要
在最近的一项研究（Jozinovi\'c et al, 2020）中，我们表明应用于台网地震波形的卷积神经网络（CNNs）可用于仅利用震中附近台站的记录，对远处台站的地震峰值地面运动强度度量（IMs）进行快速预测。这些预测是在无需任何关于地震位置和震级先验知识的情况下做出的。该方法不同于依赖位置和震级信息的地震预警系统（EEWSs）所采用的标准流程。在之前的研究中，我们使用了 2016 年意大利中部地震序列中 915 个事件（CI 数据集）的 10 秒原始多台站波形。CI 数据集具有大量空间集中的地震和密集的台站网络。在这项工作中，我们将 CNN 模型应用于位于意大利比萨附近的 VIRGO 引力波观测站周边地区。在该技术的初始应用中，我们使用了一个由 39 个台站记录的 266 次地震组成的数据集。我们发现，使用该较小数据集训练的 CNN 模型表现不如 Jozinovi\'c et al.（2020）原研究中的结果。为了应对数据不足，我们采用迁移学习（TL），使用两种方法：首先，使用在 CI 数据集上构建的预训练模型；其次，使用在另一个具有更大数据集可用于训练的不同（地震学）问题上构建的预训练模型。我们表明，TL 的使用在预测与真实 IMs 值之间残差的外点、偏差和变异性方面改善了结果。我们还证明，在神经网络中将台站位置知识作为附加层加入可改善结果。通过台站 PII 将收到的预警时间展示了其用于 EEW 的可能性。
引用
@article{arxiv.2105.05075,
title = {Transfer learning: Improving neural network based prediction of earthquake ground shaking for an area with insufficient training data},
author = {Dario Jozinović and Anthony Lomax and Ivan Štajduhar and Alberto Michelini},
journal= {arXiv preprint arXiv:2105.05075},
year = {2021}
}