地震率予測用ニューラルエンコーダ

Scientific Reports volume 13、記事番号: 12350 (2023) この記事を引用

765 アクセス

3 オルトメトリック

メトリクスの詳細

地震のタイミングを予測することは長年の課題です。 さらに、この問題を有用な方法で定式化する方法、またはさまざまなモデルの予測力を比較する方法については、依然として議論されています。 ここでは、時空間点プロセスフレームワークで、地震カタログの汎用ニューラルエンコーダを開発し、それを地震率予測の基本的な問題に適用します。 流行型余震シーケンスモデル（ETAS）は、少数のパラメータを効果的に学習して、地震シーケンスの時空間相関について想定される関数形式を制約します（たとえば、大森宇津の法則）。 ここでは、複雑な相関構造を捉える点プロセス地震予測モデルの学習された空間的および時間的埋め込みを紹介します。 我々は、このニューラル表現の一般性を、トレーニングとテストのデータ分割を使用した ETAS モデルと比較して示し、また、このニューラル表現により追加の地球物理情報の組み込みがどのように可能になるかを示します。 レート予測タスクでは、一般化モデルにより、地震ごとの情報利得が \(>4\%\) 向上し、断層痕跡に類似した異方性空間構造が同時に学習されることが示されています。 トレーニングされたネットワークは、短期予測タスクの実行にも使用でき、実行時間を 1000 分の 1 に短縮しながら同様の改善を示します。

地震学データの分析のための機械学習 (ML) の応用は、地震波形 1,2 の分類と特性評価、自動位相ピッキング 3、低マグニチュード地震の識別 4、およびカタログのデクラスタリング 5 のための新しいアプローチによって強調されるように、最近大幅な進歩を遂げています。 6. 地震カタログの開発において、ML アプローチは検出されるイベントの数を 10 倍に増加させ 4、緊急地震速報の移動時間への依存性を地震波の速度から光の速度まで減少させる可能性があります 7。

しかし、地震シーケンスのモデリングにおいては、地震活動パターンの特性評価を改善するという点で機械学習技術の進歩は限られています8,9。 将来の地震イベントのタイミングを予測するという具体的な課題は、基本的な科学的問題としても、応用ハザード分析としても、長年にわたる根本的な課題です。 場合によっては、地震活動が比較的一貫した時間的パターン 10 または空間的パターン 11 を特徴とする場合もありますが、地震活動の時間、場所、規模を定量的に予測することは依然として困難です 12。

統計地震学におけるこの問題に対する最先端のアプローチは、地震シーケンスを時空間点プロセスとして表すことです13、14、15。 このアプローチでは、モデルは、特定のマグニチュードを超える地震の瞬間発生率 \(\lambda (x, y, t \mid H_{t-})\) を予測するタスクを課されます。ここで、x、y は空間座標 (経度と緯度、または地図の投影座標）、t は時間です。 \(H_{t-}\) は、時刻 t より前にモデルが利用できるすべての情報を表します。 時間依存関数 \(\lambda\) は、地震活動の強度を定量的に表すものであり、前震 16、17 と余震 18 の両方の時期を特徴付けるだけでなく、地震危険評価の基礎としても機能します 19。

流行型余震シーケンス (ETAS) モデル 13,20 は、そのようなモデルで最も一般的に使用されており、\(\lambda\) を自励分岐プロセスとして表し、地震活動の「バックグラウンド レート」と応答関数 f を仮定します。その特定の形式は、モデルから生成された合成地震カタログの長期統計が、広く観察されている 2 つの地震活動の現象学的分布、(1) 余震率減衰の大森・宇津の法則と (2) グーテンベルクの法則を再現するように選択されます。イベントの大きさのリヒター分布。 応答関数には一般的な選択肢がいくつかあり 21、22、23、24、次の形式を共有します。 \(f = \mu (x,y)+ T(t-t_i)S(x-x_i, y-y_i) ;M_i)\)。 ここで \(\mu\) は時間に依存しない「バックグラウンド レート」と呼ばれ、T は大森の法則と一致するべき乗則減衰を特徴とする時間カーネル、S は空間減衰カーネルです 22,25。 \(x_i, y_i\) と \(t_i\) はそれぞれ地震の震源位置と発生時刻です。