Core Concepts
深層学習ベースの位相検出により、マイナス規模の小さな地震からも高密度の到着位相を検出できるようになった。これらの新しいデータは地震ダイナミクスの重要な洞察を与えるが、未知の波速モデルの下で位相関連付けは困難な課題となっている。本研究では、深層生成モデリングとニューラルフィールドを用いた高密度位相関連付けフレームワーク「Harpa」を提案する。Harpaは最適輸送を用いて到着位相系列を比較することで、未知の波速に頑健である。複雑な合成モデルを用いた実験では、Harpaが高密度領域での位相関連付けを初めて正確かつ頑健に行うことができることを示した。
Abstract
本研究では、高密度の地震イベントの位相関連付けを行うための新しいフレームワーク「Harpa」を提案している。
Harpaの特徴は以下の通り:
- 深層生成モデリングとニューラルフィールドを用いて、未知の波速モデルに頑健な位相関連付けを実現する。
- 到着位相系列を確率分布として解釈し、最適輸送を用いて比較することで、位相関連付けを効率的に行う。
- 位相関連付けと同時に、地震の発生位置・時刻、および波速モデルの推定を行う。
- 複雑な合成モデルを用いた実験では、Harpaが高密度領域での位相関連付けを初めて正確かつ頑健に行えることを示した。
- 波速モデルの歪みや、位相ピックの欠損・誤検出に対しても頑健であることを確認した。
Harpaの提案は、これまで困難だった高密度地震イベントの解析を可能にし、地球科学の新しい探査領域を開くことが期待される。
Stats
地震発生時刻と到着時刻の差は、波速と震源位置によって決まる。
地震発生時刻と到着時刻の差は、震源位置sと観測点rの間の走時Tc(s; r)と発生時刻τの和で表される。
Tc(s; r)は未知の波速cに依存する。
Quotes
"深層学習ベースの位相検出により、マイナス規模の小さな地震からも高密度の到着位相を検出できるようになった。これらの新しいデータは地震ダイナミクスの重要な洞察を与えるが、未知の波速モデルの下で位相関連付けは困難な課題となっている。"
"Harpaは最適輸送を用いて到着位相系列を比較することで、未知の波速に頑健である。"
"複雑な合成モデルを用いた実験では、Harpaが高密度領域での位相関連付けを初めて正確かつ頑健に行うことができることを示した。"