Die Studie untersucht die Leistungsfähigkeit tiefer Lernmodelle (ResNet und TCN) bei der Vorhersage der Epizentralentfernung aus Einzelstations-Bodenbewegungsaufzeichnungen. Dabei wird der Einfluss zusätzlicher Informationen wie der Ankunftszeiten der P- und S-Wellen (P/S-Phasen) analysiert.
Die Ergebnisse zeigen, dass die Modelle eine starke Abhängigkeit von den hochkorrelierenden P/S-Phasen-Informationen aufweisen. Bei Einbeziehung der P/S-Phasen verbessern sich die Vorhersageleistungen deutlich, während die Modelle ohne diese Informationen deutlich schlechter abschneiden.
Die Korrelationsanalysen bestätigen den engen Zusammenhang zwischen P/S-Phasen-Differenzen und Epizentralentfernungen. Dies deutet darauf hin, dass die Modelle eher die hochkorrelierenden P/S-Phasen als die komplexen Charakteristika der Bodenbewegungsaufzeichnungen selbst erlernen.
Die Studie unterstreicht die Notwendigkeit, alternative Architekturen und Versuchsdesigns zu erforschen, die auf lokale seismische Daten zugeschnitten sind, um die Leistungsfähigkeit tiefer Lernmethoden bei der reinen Analyse von Bodenbewegungsaufzeichnungen zu verbessern.
To Another Language
from source content
arxiv.org
Дополнительные вопросы