WO2018008708A1 - 震央距離推定装置、震央距離推定方法、及びコンピュータ読み取り可能な記録媒体 - Google Patents
震央距離推定装置、震央距離推定方法、及びコンピュータ読み取り可能な記録媒体 Download PDFInfo
- Publication number
- WO2018008708A1 WO2018008708A1 PCT/JP2017/024735 JP2017024735W WO2018008708A1 WO 2018008708 A1 WO2018008708 A1 WO 2018008708A1 JP 2017024735 W JP2017024735 W JP 2017024735W WO 2018008708 A1 WO2018008708 A1 WO 2018008708A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- waveform data
- learning
- epicenter distance
- data
- learning model
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 70
- 238000012545 processing Methods 0.000 claims abstract description 73
- 238000006243 chemical reaction Methods 0.000 claims description 31
- 238000007781 pre-processing Methods 0.000 claims description 28
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 description 20
- 238000012986 modification Methods 0.000 description 12
- 230000004048 modification Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000033001 locomotion Effects 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000000630 rising effect Effects 0.000 description 4
- 239000010410 layer Substances 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000005352 clarification Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- CCEKAJIANROZEO-UHFFFAOYSA-N sulfluramid Chemical group CCNS(=O)(=O)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)F CCEKAJIANROZEO-UHFFFAOYSA-N 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
Definitions
- the present invention relates to an epicenter distance estimation apparatus and epicenter distance estimation method for estimating epicenter distance when an earthquake occurs, and further relates to a computer-readable recording medium in which a program for realizing these is recorded.
- the epicenter distance In the event of an earthquake, it is necessary to quickly specify the epicenter distance in order to estimate the seismic intensity at each location and the arrival time of the main motion.
- the depth of the epicenter distance is specified based on seismic intensity detected by seismometers at a plurality of points.
- the waveform shape of the initial motion portion acquired by the seismometer is fitted by the function shown in the following equation (1).
- A is a parameter related to the maximum amplitude of the initial motion part
- B is a parameter related to the temporal change of the initial motion amplitude of the seismic waveform.
- parameters A and B are obtained by the least square method. Among these, there is a correlation between the parameter B and the epicenter distance, but it is known that this correlation is not influenced by the magnitude. Therefore, if the correlation between the parameter B and the epicenter distance is formulated in advance, the epicenter distance is specified by calculating the parameter B using Equation 1 from the waveform shape of the initial motion part of the earthquake. According to the technique disclosed in Patent Literature 1, the epicenter distance can be quickly identified from the waveform shape of the initial motion portion of the earthquake.
- Patent Document 1 has a problem that the coefficients A and B cannot be calculated depending on the situation, and the reliability is not sufficient.
- the technique disclosed in Patent Document 1 has a problem that it is difficult to reduce the time required for calculating the epicenter distance.
- An example of the object of the present invention is to solve the above-mentioned problems, to stably calculate the epicenter distance, and to reduce the calculation time, and to reduce the calculation time, the epicenter distance estimation method, the epicenter distance estimation method, and the computer
- An object is to provide a readable recording medium.
- An epicenter distance estimation apparatus that obtains waveform data of the earthquake that occurred, An estimation processing unit that estimates the epicenter distance by applying the acquired waveform data to the learning model obtained by learning the relationship between the seismic waveform data and the epicenter distance; It is characterized by having.
- the epicenter distance estimation method is: (A) acquiring waveform data of the earthquake that occurred; (B) applying the acquired waveform data to a learning model obtained by learning the relationship between the waveform data of the earthquake and the epicenter distance, and estimating the epicenter distance; It is characterized by having.
- a computer-readable recording medium On the computer, (A) acquiring waveform data of the earthquake that occurred; (B) applying the acquired waveform data to a learning model obtained by learning the relationship between the waveform data of the earthquake and the epicenter distance, and estimating the epicenter distance; A program including an instruction for executing is recorded.
- the epicenter distance can be calculated stably and the calculation time can be shortened.
- FIG. 1 is a block diagram showing a schematic configuration of the epicenter distance estimation apparatus according to Embodiment 1 of the present invention.
- FIG. 2 is a block diagram specifically showing the configuration of the epicenter distance estimation apparatus according to Embodiment 1 of the present invention.
- FIG. 3 is a diagram showing an example of input data and correct data used for learning in the first embodiment.
- FIG. 4 is a flowchart showing an operation during execution of the learning process of the epicenter distance estimation apparatus according to Embodiment 1 of the present invention.
- FIG. 5 is a flowchart showing an operation during execution of the estimation process of the epicenter distance estimation apparatus according to Embodiment 1 of the present invention.
- FIG. 6 is a block diagram specifically showing the configuration of the epicenter distance estimation apparatus according to Embodiment 2 of the present invention.
- FIG. 7 is a flowchart showing the operation at the time of execution of the learning process of the epicenter distance estimation apparatus in Embodiment 2 of the present invention.
- FIG. 8 is a flowchart showing an operation during execution of the estimation process of the epicenter distance estimation apparatus according to Embodiment 2 of the present invention.
- FIG. 9 is a block diagram illustrating an example of a computer that realizes the epicenter distance estimation apparatus according to Embodiments 1 and 2 of the present invention.
- Embodiment 1 an epicenter distance estimation apparatus, an epicenter distance estimation method, and a program according to Embodiment 1 of the present invention will be described with reference to FIGS.
- FIG. 1 is a block diagram showing a schematic configuration of the epicenter distance estimation apparatus according to Embodiment 1 of the present invention.
- the epicenter distance estimation apparatus 10 includes an earthquake information acquisition unit 11 and an estimation processing unit 12.
- the earthquake information acquisition unit 11 acquires waveform data of the earthquake that occurred.
- the estimation processing unit 12 applies the waveform data acquired by the earthquake information acquisition unit 11 to the learning model, and estimates the epicenter distance.
- the learning model is obtained in advance by learning the relationship between earthquake waveform data and epicenter distance.
- the epicenter distance is estimated without fitting the waveform data to the function, so that the epicenter distance can be stably calculated. Further, in the first embodiment, calculation processing by the least square method is not necessary, so that the calculation time can be shortened.
- FIG. 2 is a block diagram specifically showing the configuration of the epicenter distance estimation apparatus according to Embodiment 1 of the present invention.
- the epicenter distance estimation device 10 is connected to an earthquake detection device 20 and a comprehensive monitoring system 30 such as seismic activity via a network.
- the earthquake detection device 20 includes a seismometer, and when an earthquake wave is detected by the seismometer, the waveform data of the detected earthquake wave is transmitted to the epicenter distance estimation device 10.
- the earthquake detection device 20 becomes a waveform data acquisition destination of the earthquake information acquisition unit 11.
- the earthquake detection device 20 that is the acquisition destination of the earthquake information acquisition unit 11 may be any one of these.
- the comprehensive monitoring system 30 such as seismic activity is a system owned by the Japan Meteorological Agency in Japan. When an earthquake occurs, the JMA magnitude is calculated, and the tsunami height is predicted based on the calculated JMA magnitude. Furthermore, the comprehensive monitoring system 30 such as seismic activity distributes the calculated Meteorological Agency magnitude and the predicted tsunami height to various media as an earthquake early warning.
- the epicenter distance estimation apparatus 10 inputs the estimated epicenter distance to the comprehensive monitoring system 30 such as seismic activity. For this reason, the comprehensive monitoring system 30 such as seismic activity executes the calculation of the Meteorological Agency magnitude and the prediction of the tsunami height using the epicenter distance estimated by the epicenter distance estimation apparatus 10.
- the epicenter distance estimation apparatus 10 includes a learning information acquisition unit 13, a learning unit 14, in addition to the earthquake information acquisition unit 11 and the estimation processing unit 12 described above. And a storage unit 15.
- FIG. 2 shows an example of the epicenter distance estimation apparatus 10, and the learning information acquisition unit 13, the learning unit 14, and the storage unit 15 may be provided in an apparatus other than the epicenter distance estimation apparatus 10.
- the learning information acquisition unit 13 acquires waveform data that becomes input data in learning in the learning unit 14 to be described later, and an epicenter distance that also becomes correct data in learning, and inputs these to the learning unit 14.
- the acquisition source of input data and correct answer data is not particularly limited.
- the learning unit 14 uses the earthquake waveform data as input data, the earthquake epicenter distance as correct data, learns the relationship between the waveform data and the epicenter distance, and creates a learning model 16 indicating the learning results. Further, the learning unit 14 stores the generated learning model 16 in the storage unit 15.
- FIG. 3 is a diagram showing an example of input data and correct data used for learning in the first embodiment.
- FIG. 3 shows a plurality of waveform data having different epicenter distances.
- Each waveform data shown in FIG. 3 is waveform data of earthquakes observed in the past.
- the epicenter distance corresponding to each waveform data becomes correct data.
- the learning unit 14 performs learning using the waveform data shown in FIG. 3 as input data and the epicenter distance as correct data.
- Embodiment 1 data published by the Japan Meteorological Agency can be used as correct answer data.
- the data released by the Japan Meteorological Agency includes epicenter distances and epicenter elements of each observation point. These are the inspection values calculated by the Japan Meteorological Agency using a centralized system (http: //www.data.jma.go .jp / svd / eqev / data / bulletin / deck.html).
- input data and accurate data used for learning may be calculated from an earthquake whose seismic intensity is equal to or higher than a set value (for example, seismic intensity 4).
- the learning unit 14 can construct a neural network, for example, by machine learning, and use the neural network as the learning model 16. Specifically, the learning unit 14 uses a combination of input data and correct answer data in a hierarchical neural network including an input layer, an intermediate layer, and an output layer, to determine the connection weight between adjacent nodes. A learning model is generated by adjusting values.
- “learning” by the learning unit 14 means so-called “machine learning”. Further, the “learning” by the learning unit 14 is not limited to the deep learning using the above-described neural network, but learning using logistic regression, learning using a support vector machine, learning using a decision tree, heterogeneous mixed learning, and the like. There may be.
- the earthquake information acquisition unit 11 receives waveform data of an earthquake that has occurred from a single earthquake detection device 20. Further, the earthquake information acquisition unit 11 sends the received waveform data to the estimation processing unit 12.
- the estimation processing unit 12 accesses the storage unit 15 to acquire the learning model 16, and applies the waveform data sent from the learning information acquisition unit 13 to the acquired learning model 16.
- the epicenter distance is estimated.
- the learning unit 14 further uses the depth of the earthquake source as the correct answer data, learns the relationship between the waveform data, the epicenter distance, and the depth of the earthquake source, and the learning model. 16 can also be generated.
- the estimation processing unit 12 can estimate the depth of the epicenter in addition to the epicenter distance.
- the learning unit 14 can use the point data of the point where the waveform data is obtained as the input data in addition to the waveform data. In this case, the learning unit 14 learns the relationship between the waveform data and the point data and the epicenter distance (or the epicenter distance and the epicenter depth), and generates the learning model 16.
- the point where the waveform data was obtained is the point where the seismic wave that was the source of the waveform data was observed.
- Examples of the point data include surface layer amplification factor, plate state data, volcano existing near the point where the seismic wave is observed, crust thickness, lithosphere thickness, and the like.
- the earthquake information acquisition unit 11 adds to the waveform data of the earthquake that has occurred, in addition to the point data of the point from which the waveform data was obtained, that is, the earthquake detection device 20. Also get the point data of the point where is installed.
- the point data may be stored in advance in the storage unit 15 for each earthquake detection device 20, and in this aspect, the earthquake information acquisition unit 11 from the storage unit 15 every time the waveform data is acquired. Get the corresponding point data.
- point data may be transmitted with the waveform data from the earthquake detection apparatus 20, and in this aspect, the earthquake information acquisition part 11 acquires point data with waveform data.
- the estimation processing unit 12 applies the acquired waveform data and point data to the learning model 16 generated by the learning unit 14, and the epicenter distance. (Or epicenter distance and epicenter depth).
- the input data and the correct answer data are not limited to the above example.
- Data other than waveform data and point data may be used as input data.
- data other than the epicenter distance and the depth of the epicenter may be used as correct answer data.
- FIGS. 1 to 3 are referred to as appropriate.
- the epicenter distance estimation method is implemented by operating the epicenter distance estimation apparatus 10. Therefore, the description of the epicenter distance estimation method in the first embodiment is replaced with the following description of the operation of the epicenter distance estimation apparatus 10.
- the epicenter distance estimation apparatus 10 mainly executes a learning process and an estimation process. First, the learning process will be described.
- FIG. 4 is a flowchart showing an operation during execution of the learning process of the epicenter distance estimation apparatus according to Embodiment 1 of the present invention.
- the learning information acquisition unit 13 acquires input data and correct data (step A1). Specifically, in step A1, the learning information acquisition unit 13 acquires point data in addition to waveform data as input data, and acquires the depth of the epicenter as correct data in addition to the epicenter distance.
- the learning unit 14 determines whether or not the learning model 16 already exists (step A2). Specifically, the learning unit 14 determines whether or not the learning model 16 is stored in the storage unit 15.
- step A3 If the learning model 16 does not yet exist as a result of the determination in step A2, the learning unit 14 learns the relationship between the waveform data and the point data, the epicenter distance, and the depth of the epicenter, and shows the learning result. 16 is newly generated (step A3).
- step A3 the learning unit 14 constructs a neural network by learning and uses this as a learning model 16. Further, the learning unit 14 stores the created learning model 16 in the storage unit 15.
- the learning unit 14 updates the existing learning model 16 using the input data and the correct answer data acquired in step A1. (Step A4). Specifically, the learning unit 14 updates the value of the connection weight between the nodes using the input data and the correct answer data acquired in step A1.
- FIG. 5 is a flowchart showing an operation during execution of the estimation process of the epicenter distance estimation apparatus according to Embodiment 1 of the present invention.
- the earthquake information acquisition unit 11 receives the transmitted waveform data (step B1).
- the earthquake information acquisition unit 11 acquires the point data of the point where the earthquake detection device 20 that has transmitted the waveform data is installed from the storage unit 15 (step B2). In addition, when point data are transmitted with waveform data, the earthquake information acquisition part 11 receives the transmitted point data.
- the estimation processing unit 12 applies the waveform data received in step B1 and the point data acquired in step B2 to the learning model 16 created or updated by the learning process shown in FIG.
- the epicenter distance and the epicenter depth are estimated (step B3).
- Steps B1 to B3 the epicenter distance and the epicenter depth are estimated based on the waveform data acquired from the single earthquake detection device 20.
- the epicenter distance and the depth of the epicenter are estimated from a single waveform data without fitting the waveform data to a function. Moreover, since the estimation process is performed by the learning model 16, the epicenter distance and the depth of the epicenter are calculated stably and in a short time.
- the first embodiment unlike the conventional method disclosed in Patent Document 1, it is not necessary to manually reflect complicated individual point attributes to parameters that are unclear what influences. become. According to the first embodiment, it is possible to acquire objective waveform data and accurate information that can be used only by machine learning.
- the epicenter distance estimation apparatus 10 according to the first embodiment can be introduced to many points and many regions.
- the depth of the epicenter can be estimated from a single waveform data, but with the technique disclosed in Patent Document 1, it is impossible to estimate the depth of the epicenter.
- measurement results with a plurality of seismometers are required for measuring the depth of the epicenter.
- Modification 1 Subsequently, a modified example in the first embodiment will be described.
- the learning unit 14 generates a learning model 16 for each set waveform amount. Specifically, the waveform amount is expressed as an elapsed time since the occurrence of the earthquake. Therefore, the learning unit 14 cuts out waveform data corresponding to the elapsed time from the waveform data acquired by the learning information acquisition unit 13 for each set elapsed time, and performs learning using the cut-out waveform data as input data. A learning model 16 is generated. Thereby, the learning model 16 is produced
- the estimation processing unit 12 calculates the waveform amount of the waveform data of the earthquake that has occurred, and learning to be used from among the plurality of learning models 16 that are generated based on the calculated waveform amount. Select a model. Then, the estimation processing unit 12 applies the waveform data of the generated earthquake to the selected learning model 16 to estimate the epicenter distance (or the epicenter distance and the epicenter depth).
- the epicenter distance and the epicenter depth for the earthquake early warning are required even when the amount of waveform data is small.
- the waveform data acquired by the earthquake information acquisition unit 11 is not limited to be constant, and the waveform data used for generating the learning model and the waveform data of the generated earthquake coincide with each other. Therefore, the estimation accuracy may be reduced.
- the learning model 16 is selected according to the waveform amount of the waveform data in the earthquake that has occurred, and thus the above-described decrease in estimation accuracy is avoided.
- the learning unit 14 generates a learning model 16 for each observation point of waveform data serving as input data. Specifically, the learning unit 14 generates the learning model 16 for each earthquake detection device (for each seismometer) using only the waveform data acquired there.
- the estimation process part 12 specifies the observation point (namely, the earthquake detection apparatus 20 which is the transmission source of waveform data) of the waveform data of the earthquake which occurred, and based on the specified observation point
- the learning model to be used is selected from the plurality of learning models 16 that have been generated. Then, the estimation processing unit 12 applies the waveform data of the generated earthquake to the selected learning model 16 to estimate the epicenter distance (or the epicenter distance and the epicenter depth).
- the second modification it is possible to perform an estimation process in accordance with the characteristics of each observation point, that is, without performing learning using the point data. Note that it is difficult to generate a learning model for such observation points because sufficient learning becomes difficult at observation points where input data cannot be sufficiently secured.
- the learning unit 14 generates a learning model 16 for each ground characteristic at the observation point of the waveform data serving as input data. Specifically, for example, it is assumed that observation points (earthquake detection devices 20) are grouped according to ground characteristics (point data value) such as ground gain. In this case, the learning unit 14 generates the learning model 16 for each group using only the waveform data obtained in the group.
- the estimation process part 12 specifies the ground characteristic of the observation point of the waveform data of the earthquake which occurred, and based on the identified ground characteristic, among the some learning models 16 produced
- estimation processing according to the characteristics of the observation point can be performed without performing learning using the point data.
- the program in the first embodiment may be a program that causes a computer to execute steps A1 to A4 shown in FIG. 4 and steps B1 to B3 shown in FIG.
- a CPU Central Processing Unit
- the computer functions as the earthquake information acquisition unit 11, the estimation processing unit 12, the learning information acquisition unit 13, and the learning unit 14, and performs processing.
- the program in the first embodiment may be executed by a computer system constructed by a plurality of computers.
- each computer may function as any of the earthquake information acquisition unit 11, the estimation processing unit 12, the learning information acquisition unit 13, and the learning unit 14, respectively.
- storage part 15 may be constructed
- Embodiment 2 Next, an epicenter distance estimation apparatus, an epicenter distance estimation method, and a program according to Embodiment 2 of the present invention will be described with reference to FIGS.
- FIG. 6 is a block diagram specifically showing the configuration of the epicenter distance estimation apparatus according to Embodiment 2 of the present invention.
- the epicenter distance estimation apparatus 40 in the second embodiment includes a waveform preprocessing unit 41, and in this respect, the epicenter distance estimation in the first embodiment shown in FIGS. 1 and 2. Different from the device 10. Hereinafter, the difference from the first embodiment will be mainly described.
- the waveform preprocessing unit 41 performs preprocessing on the waveform data used as input data in the learning unit 14 and the waveform data acquired in the earthquake information acquisition unit 11. Examples of the preprocessing include image conversion processing, envelope conversion processing, bandpass conversion processing, differential conversion processing, and Fourier transform processing.
- the image conversion process is a process of converting the waveform data into image data of an image that is displayed as a graph.
- the learning unit 14 performs learning based on the image data, so that it is considered that the learning process is facilitated.
- the envelope conversion process is a process that smoothes the waveform of the waveform data. If the envelope process is executed, it is easy to specify the rising characteristics of the seismic wave, and thus the learning model 16 reflecting the rising characteristics of the seismic wave is generated.
- the bandpass conversion process is a process that makes a waveform of a specific period stand out. According to the bandpass conversion process, the feature of the seismic wave is emphasized, so that the learning model 16 reflecting the feature of the seismic wave is generated.
- the differential conversion process is a process of differentiating the waveform data and converting it into acceleration data. Also in the case of differential conversion processing, it is easy to specify the rising characteristics of the seismic wave, so that the learning model 16 reflecting the rising characteristics of the seismic wave is generated.
- the Fourier transform process is a process for obtaining the frequency distribution of the waveform data. According to the Fourier transform, the difference in the period for each waveform data is emphasized, so that the learning model 16 reflecting the period of the seismic wave is generated.
- the waveform preprocessing unit 41 can execute any one or more of image conversion processing, envelope conversion processing, bandpass conversion processing, differential conversion processing, and Fourier transform processing.
- FIG.7 and FIG.8 operation
- movement of the epicenter distance estimation apparatus 40 in this Embodiment 2 is demonstrated using FIG.7 and FIG.8.
- FIGS. 1 to 6 are referred to as appropriate.
- the epicenter distance estimation method is implemented by operating the epicenter distance estimation apparatus 40.
- FIG. Therefore, the description of the epicenter distance estimation method in the second embodiment is replaced with the following description of the operation of the epicenter distance estimation apparatus 40.
- FIG. 7 is a flowchart showing the operation at the time of execution of the learning process of the epicenter distance estimation apparatus in Embodiment 2 of the present invention.
- the learning information acquisition unit 13 acquires input data and correct data (step A11).
- the learning information acquisition unit 13 inputs the acquired data to the waveform preprocessing unit 41.
- the waveform preprocessing unit 41 performs preprocessing on the waveform data included in the input data acquired in step A11 (step A12). Then, the waveform preprocessing unit 41 inputs the preprocessed waveform data, other input data (point data), and correct data to the learning unit 14.
- the learning unit 14 determines whether or not the learning model 16 already exists (step A13).
- step A14 If the learning model 16 does not yet exist as a result of the determination in step A13, the learning unit 14 learns the relationship between the waveform data and the point data, the epicenter distance, and the depth of the epicenter, and shows a learning result. 16 is newly generated (step A14).
- step A13 the learning unit 14 updates the existing learning model 16 using the input data and the correct answer data (step A15).
- FIG. 8 is a flowchart showing an operation during execution of the estimation process of the epicenter distance estimation apparatus according to Embodiment 2 of the present invention.
- the earthquake information acquisition unit 11 receives the transmitted waveform data (step B11).
- the earthquake information acquisition unit 11 acquires the point data of the point where the earthquake detection device 20 that has transmitted the waveform data is installed from the storage unit 15 (step B12). In addition, when point data are transmitted with waveform data, the earthquake information acquisition part 11 receives the transmitted point data.
- the waveform preprocessing unit 41 performs preprocessing on the waveform data received in step B11 (step B13). Then, the waveform preprocessing unit 41 inputs the preprocessed waveform data and the point data to the estimation processing unit 12.
- the estimation processing unit 12 applies the waveform data after the preprocessing in Step B13 and the point data acquired in Step B12 to the learning model 16 created or updated by the learning process shown in FIG. Then, the epicenter distance and the depth of the epicenter are estimated (step B14).
- the epicenter distance and the depth of the epicenter are estimated based on the waveform data acquired from the single earthquake detection device 20, as in the first embodiment. Will be.
- FIG. 9 is a block diagram illustrating an example of a computer that realizes the epicenter distance estimation apparatus according to Embodiments 1 and 2 of the present invention.
- the computer 110 includes a CPU 111, a main memory 112, a storage device 113, an input interface 114, a display controller 115, a data reader / writer 116, and a communication interface 117. These units are connected to each other via a bus 121 so that data communication is possible.
- the CPU 111 performs various operations by developing the program (code) in the present embodiment stored in the storage device 113 in the main memory 112 and executing them in a predetermined order.
- the main memory 112 is typically a volatile storage device such as a DRAM (Dynamic Random Access Memory).
- the program in the present embodiment is provided in a state of being stored in a computer-readable recording medium 120. Note that the program in the present embodiment may be distributed on the Internet connected via the communication interface 117.
- the storage device 113 includes a hard disk drive and a semiconductor storage device such as a flash memory.
- the input interface 114 mediates data transmission between the CPU 111 and an input device 118 such as a keyboard and a mouse.
- the display controller 115 is connected to the display device 119 and controls display on the display device 119.
- the data reader / writer 116 mediates data transmission between the CPU 111 and the recording medium 120, and reads a program from the recording medium 120 and writes a processing result in the computer 110 to the recording medium 120.
- the communication interface 117 mediates data transmission between the CPU 111 and another computer.
- the recording medium 120 include a general-purpose semiconductor recording device such as CF (Compact Flash (registered trademark)) and SD (Secure Digital), a magnetic recording medium such as a flexible disk, or a CD- Optical recording media such as ROM (Compact Disk Read Only Memory) are listed.
- CF Compact Flash
- SD Secure Digital
- ROM Compact Disk Read Only Memory
- the epicenter distance estimation apparatuses 10 and 40 according to the first and second embodiments can be realized by using hardware corresponding to each unit instead of a computer in which a program is installed. Further, part of the epicenter distance estimation apparatuses 10 and 40 may be realized by a program, and the remaining part may be realized by hardware.
- An earthquake information acquisition unit that acquires waveform data of the earthquake that occurred
- An estimation processing unit that estimates the epicenter distance by applying the acquired waveform data to the learning model obtained by learning the relationship between the seismic waveform data and the epicenter distance
- An epicenter distance estimation device characterized by comprising:
- (Appendix 2) Further comprising a learning unit that uses the waveform data of the earthquake as input data, the epicenter distance of the earthquake as correct data, learns the relationship between the waveform data and the epicenter distance, and generates a learning model indicating the learning result,
- the estimation processing unit applies the acquired waveform data to the learning model generated by the learning unit, and estimates the epicenter distance.
- Epicenter distance estimation apparatus according to appendix 1.
- the learning unit learns the relationship between the waveform data and the point data and the epicenter distance, using the point data of the point where the waveform data is obtained as input data in addition to the waveform data, and the learning model Produces In addition to the waveform data, the earthquake information acquisition unit also acquires point data of the point where the waveform data of the earthquake that occurred is obtained, The estimation processing unit applies the acquired point data to the learning model in addition to the waveform data to estimate the epicenter distance, Epicenter distance estimation apparatus according to appendix 2.
- the learning processing unit further uses the depth of the earthquake source as the correct answer data, learns the relationship between the waveform data and the epicenter distance and the depth of the epicenter, and generates the learning model, In addition to the epicenter distance, the estimation processing unit estimates the depth of the epicenter, Epicenter distance estimation apparatus according to appendix 2 or 3.
- the learning processing unit constructs a neural network by learning, and uses the neural network as a learning model.
- Epicenter distance estimation apparatus according to any one of appendices 2 to 4.
- the learning unit generates the learning model for each waveform amount of waveform data serving as input data
- the estimation processing unit calculates a waveform amount of the acquired waveform data, selects the learning model to be used from each of the generated learning models based on the calculated waveform amount, and selects the selected Applying the acquired waveform data to a learning model to estimate the epicenter distance, Epicenter distance estimation apparatus according to any one of appendices 2 to 5.
- the learning unit generates the learning model for each observation point of the waveform data as input data
- the estimation processing unit specifies an observation point of the acquired waveform data, selects the learning model to be used from each of the generated learning models based on the specified observation point, and selects the selected Applying the acquired waveform data to a learning model to estimate the epicenter distance, Epicenter distance estimation apparatus according to any one of appendices 2 to 5.
- the learning unit generates the learning model for each ground characteristic at the observation point of the waveform data as input data,
- the estimation processing unit identifies the ground characteristics of the observation points of the acquired waveform data, and selects the learning model to be used from each of the generated learning models based on the identified ground characteristics, Applying the acquired waveform data to the selected learning model to estimate the epicenter distance; Epicenter distance estimation apparatus according to any one of appendices 2 to 5.
- Appendix 9 A waveform pre-processing unit that performs pre-processing on the waveform data used as the input data in the learning unit and the waveform data acquired in the earthquake information acquisition unit; Epicenter distance estimation apparatus according to any one of appendices 1 to 8.
- the waveform preprocessing unit executes at least one of image conversion processing, envelope conversion processing, bandpass conversion processing, differential conversion processing, and Fourier transform processing as the preprocessing.
- the epicenter distance estimation apparatus according to appendix 9.
- An epicenter distance estimation method characterized by comprising:
- step (c) in addition to the waveform data, the point data of the point where the waveform data is obtained is also input data, and the relationship between the waveform data and the point data and the epicenter distance is learned, Generating the learning model;
- step (a) in addition to the waveform data, the point data of the point where the waveform data of the earthquake that occurred is obtained,
- the epicenter distance is estimated by applying the acquired point data to the learning model in addition to the waveform data. The epicenter distance estimation method according to attachment 12.
- step (c) In the step (c), the depth of the earthquake is further used as the correct answer data to learn the relationship between the waveform data and the epicenter distance and the depth of the epicenter to generate the learning model. And in the step (b), in addition to the epicenter distance, the depth of the epicenter is also estimated. Epicenter distance estimation method according to appendix 12 or 13.
- step (c) a neural network is constructed by learning, and the neural network is used as a learning model.
- the epicenter distance estimation method according to any one of appendices 12 to 14.
- step (c) the learning model is generated for each waveform amount of the waveform data to be input data,
- step (b) a waveform amount of the acquired waveform data is calculated, and based on the calculated waveform amount, the learning model to be used is selected and selected from each of the generated learning models Applying the acquired waveform data to the learned model, and estimating the epicenter distance,
- the epicenter distance estimation method according to any one of appendices 12 to 15.
- step (c) the learning model is generated for each observation point of the waveform data to be input data,
- step (b) an observation point of the acquired waveform data is specified, and based on the specified observation point, the learning model to be used is selected and selected from each of the generated learning models Applying the acquired waveform data to the learned model, and estimating the epicenter distance,
- the epicenter distance estimation method according to any one of appendices 12 to 15.
- step (c) the learning model is generated for each ground characteristic at the observation point of the waveform data serving as input data,
- the ground characteristic of the observation point of the acquired waveform data is specified, and the learning model to be used is selected from each of the generated learning models based on the specified ground characteristic And applying the acquired waveform data to the selected learning model to estimate the epicenter distance,
- the epicenter distance estimation method according to any one of appendices 12 to 15.
- the method further includes a step of performing preprocessing on the waveform data used as the input data in the step (c) and the waveform data acquired in the step (a).
- the epicenter distance estimation method according to any one of appendices 11 to 18.
- step (d) As the preprocessing, at least one of image conversion processing, envelope conversion processing, bandpass conversion processing, differential conversion processing, and Fourier transform processing is executed.
- image conversion processing envelope conversion processing, bandpass conversion processing, differential conversion processing, and Fourier transform processing is executed.
- step (c) In the step (c), in addition to the waveform data, the point data of the point where the waveform data is obtained is also input data, and the relationship between the waveform data and the point data and the epicenter distance is learned, Generating the learning model; In the step (a), in addition to the waveform data, the point data of the point where the waveform data of the earthquake that occurred is obtained, In the step (b), the epicenter distance is estimated by applying the acquired point data to the learning model in addition to the waveform data.
- a neural network is constructed by learning, and the neural network is used as a learning model.
- the computer-readable recording medium according to any one of appendices 22 to 24.
- step (c) the learning model is generated for each waveform amount of the waveform data to be input data,
- step (b) a waveform amount of the acquired waveform data is calculated, and based on the calculated waveform amount, the learning model to be used is selected and selected from each of the generated learning models Applying the acquired waveform data to the learned model, and estimating the epicenter distance,
- the computer-readable recording medium according to any one of appendices 22 to 25.
- step (c) the learning model is generated for each observation point of the waveform data to be input data,
- step (b) an observation point of the acquired waveform data is specified, and based on the specified observation point, the learning model to be used is selected and selected from each of the generated learning models Applying the acquired waveform data to the learned model, and estimating the epicenter distance,
- the computer-readable recording medium according to any one of appendices 22 to 25.
- step (c) the learning model is generated for each ground characteristic at the observation point of the waveform data serving as input data,
- the ground characteristic of the observation point of the acquired waveform data is specified, and the learning model to be used is selected from each of the generated learning models based on the specified ground characteristic And applying the acquired waveform data to the selected learning model to estimate the epicenter distance,
- the computer-readable recording medium according to any one of appendices 22 to 25.
- step (d) As the preprocessing, at least one of image conversion processing, envelope conversion processing, bandpass conversion processing, differential conversion processing, and Fourier transform processing is executed.
- image conversion processing envelope conversion processing
- bandpass conversion processing bandpass conversion processing
- differential conversion processing differential conversion processing
- Fourier transform processing is executed.
- the epicenter distance can be calculated stably and the calculation time can be shortened.
- the present invention is useful for a system that needs to distribute information about an earthquake as soon as possible when an earthquake occurs.
- Epicenter distance estimation device (Embodiment 1) DESCRIPTION OF SYMBOLS 11 Earthquake information acquisition part 12 Estimation processing part 13 Learning information acquisition part 14 Learning part 15 Storage part 16 Learning model 20 Earthquake detection apparatus 30 Total monitoring system, such as seismic activity 40 Epicenter distance estimation apparatus (Embodiment 2) 41 Waveform Preprocessing Unit 110 Computer 111 CPU 112 Main Memory 113 Storage Device 114 Input Interface 115 Display Controller 116 Data Reader / Writer 117 Communication Interface 118 Input Device 119 Display Device 120 Recording Medium 121 Bus
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
震央距離推定装置(10)は、発生した地震の波形データを取得する、地震情報取得部(11)と、地震の波形データと震央距離との関係を学習して得られた学習モデルに、取得された波形データを適用して、震央距離を推定する、推定処理部(12)と、を備えている。
Description
本発明は、地震発生時に震央距離を推定するための、震央距離推定装置及び震央距離推定方法に関し、更には、これらを実現するためのプログラムを記録したコンピュータ読み取り可能な記録媒体に関する。
地震発生時においては、各地での震度及び主要動の到達時刻を推定するために、迅速に震央距離を特定する必要がある。通常、震央距離の深さは、複数地点にある震度計で検知した震度に基づいて特定される。
但し、震源の位置が、海底であったり、震度計の設置密度が低い地域であったりすると、複数の震度計で測定された震度を取得するのに時間がかかりすぎる事態となり、震央距離の特定が遅延してしまう。このため、近年においては、単独の震度計で測定された震度のみを用いて、震央距離を特定する技術が開発されている。
このような技術としては、「地震の到達時における地震形データの立ち上がりの強さが、震源に近い地震であるほど強くなり、震源が遠い地震であるほど緩やかになる」ことを利用して、震央距離を推定する技術が知られている(例えば、特許文献1参照)。
具体的には、特許文献1に開示された技術では、地震計から得られる時系列データの絶対値をy(t)、時間をt、地震計が地震を検知した時間をt=0として、地震計で取得された地震初動部分の波形形状が、下記の数1で示す関数によってフィティングされる。下記の数1において、Aは初動部分の最大振幅に関係するパラメータであり、Bは地震波形の初動振幅の時間変化に関するパラメータである。なお、実際には、フィティングでは、人の経験と勘とに頼って、複雑な個別の地点属性を、何がどう影響するかが不明なパラメータA及びBに反映させる作業が行なわれている。
そして、特許文献1に開示された技術では、最小二乗法によって、パラメータA及びBが求められる。このうち、パラメータBと震央距離との間には相関関係があるが、この相関関係はマグニチュードに影響されないことが分かっている。従って、パラメータBと震央距離との相関を予め定式化しておけば、地震初動部分の波形形状から、数1を用いてパラメータBを算出することで、震央距離が特定される。特許文献1に開示された技術によれば、地震初動部分の波形形状から、震央距離を迅速に特定できる。
しかしながら、特許文献1に開示された技術には、状況によって、係数A及びBを算出できない事態が発生する可能生があり、信頼性が十分でないという問題もある。また、特許文献1に開示された技術には、震央距離の算出にかかる時間の短縮化が難しいという問題もある。
本発明の目的の一例は、上記問題を解消し、震央距離の算出を安定して行なうことができ、且つ、算出時間の短縮化を図り得る、震央距離推定装置、震央距離推定方法、及びコンピュータ読み取り可能な記録媒体を提供することにある。
上記目的を達成するため、本発明の一側面における震央距離推定装置は、
発生した地震の波形データを取得する、地震情報取得部と、
地震の波形データと震央距離との関係を学習して得られた学習モデルに、取得された前記波形データを適用して、震央距離を推定する、推定処理部と、
を備えている、ことを特徴とする。
発生した地震の波形データを取得する、地震情報取得部と、
地震の波形データと震央距離との関係を学習して得られた学習モデルに、取得された前記波形データを適用して、震央距離を推定する、推定処理部と、
を備えている、ことを特徴とする。
また、上記目的を達成するため、本発明の一側面における震央距離推定方法は、
(a)発生した地震の波形データを取得する、ステップと、
(b)地震の波形データと震央距離との関係を学習して得られた学習モデルに、取得された前記波形データを適用して、震央距離を推定する、ステップと、
を有する、ことを特徴とする。
(a)発生した地震の波形データを取得する、ステップと、
(b)地震の波形データと震央距離との関係を学習して得られた学習モデルに、取得された前記波形データを適用して、震央距離を推定する、ステップと、
を有する、ことを特徴とする。
更に、上記目的を達成するため、本発明の一側面におけるコンピュータ読み取り可能な記録媒体は、
コンピュータに、
(a)発生した地震の波形データを取得する、ステップと、
(b)地震の波形データと震央距離との関係を学習して得られた学習モデルに、取得された前記波形データを適用して、震央距離を推定する、ステップと、
を実行させる命令を含む、プログラムを記録していることを特徴とする。
コンピュータに、
(a)発生した地震の波形データを取得する、ステップと、
(b)地震の波形データと震央距離との関係を学習して得られた学習モデルに、取得された前記波形データを適用して、震央距離を推定する、ステップと、
を実行させる命令を含む、プログラムを記録していることを特徴とする。
以上のように、本発明によれば、震央距離の算出を安定して行なうことができ、且つ、算出時間の短縮化を図ることができる。
(実施の形態1)
以下、本発明の実施の形態1における、震央距離推定装置、震央距離推定方法、及びプログラムについて、図1~図5を参照しながら説明する。
以下、本発明の実施の形態1における、震央距離推定装置、震央距離推定方法、及びプログラムについて、図1~図5を参照しながら説明する。
[装置構成]
最初に、図1を用いて、本実施の形態1における震央距離推定装置の概略構成について説明する。図1は、本発明の実施の形態1における震央距離推定装置の概略構成を示すブロック図である。
最初に、図1を用いて、本実施の形態1における震央距離推定装置の概略構成について説明する。図1は、本発明の実施の形態1における震央距離推定装置の概略構成を示すブロック図である。
図1に示す、本実施の形態1における震央距離推定装置10は、地震発生時に計測された波形データから震央距離を推定するための装置である。図1に示すように、震央距離推定装置10は、地震情報取得部11と、推定処理部12とを備えている。
地震情報取得部11は、発生した地震の波形データを取得する。推定処理部12は、学習モデルに、地震情報取得部11によって取得された波形データを適用して、震央距離を推定する。学習モデルは、予め、地震の波形データと震央距離との関係を学習することによって得られている。
このように、本実施の形態1では、従来と異なり、波形データを関数にフィッティングすることなく、震央距離が推定されるので、震央距離の算出を安定して行なうことが可能となる。また、本実施の形態1では、最小二乗法による計算処理が必要ないため、算出時間の短縮化も図られることになる。
続いて、図2を用いて、本実施の形態1における震央距離推定装置の構成について更に具体的に説明する。図2は、本発明の実施の形態1における震央距離推定装置の構成を具体的に示すブロック図である。
図2に示すように、本実施の形態1では、震央距離推定装置10は、ネットワークを介して、地震検知装置20及び地震活動等総合監視システム30に接続されている。このうち、地震検知装置20は、地震計を備え、地震計によって地震波が検知されると、検知した地震波の波形データを震央距離推定装置10に送信する。本実施の形態1では、地震検知装置20が、地震情報取得部11の波形データの取得先となる。
また、図2の例では、単一の地震検知装置20のみが例示されているが、震央距離推定装置10が接続されている地震検知装置20の数は特に限定されるものではない。但し、地震情報取得部11の取得先となる地震検知装置20は、これらのうちのいずれか1つであれば良い。
地震活動等総合監視システム30は、日本国において気象庁が保有するシステムであり、地震が発生すると、気象庁マグニチュードを算出し、算出した気象庁マグニチュードに基づいて、津波高さを予測する。更に、地震活動等総合監視システム30は、算出した気象庁マグニチュードと予測した津波高さとを、各種媒体に、緊急地震速報として配信する。
また、本実施の形態1では、震央距離推定装置10は、推定した震央距離を、地震活動等総合監視システム30に入力する。このため、地震活動等総合監視システム30は、震央距離推定装置10で推定された震央距離を用いて、気象庁マグニチュードの算出と津波高さの予測とを実行する。
また、図2に示すように、本実施の形態1では、震央距離推定装置10は、上述した地震情報取得部11及び推定処理部12に加えて、学習情報取得部13と、学習部14と、記憶部15とを備えている。なお、図2は、震央距離推定装置10の一例を示しており、学習情報取得部13、学習部14及び記憶部15は、震央距離推定装置10以外の装置に備えられていても良い。
学習情報取得部13は、後述する学習部14での学習において入力データとなる波形データと、同じく学習において正解データとなる震央距離とを取得し、これらを学習部14に入力する。なお、入力データ及び正解データの取得元は、特に限定されるものではない。
学習部14は、地震の波形データを入力データとし、地震の震央距離を正解データとして、波形データと震央距離との関係を学習し、学習結果を示す学習モデル16を作成する。また、学習部14は、生成した学習モデル16を記憶部15に格納する。
図3は、本実施の形態1において学習用いられる入力データ及び正解データの一例を示す図である。図3には、震央距離が異なる複数の波形データが示されている。図3に示す各波形データは、過去に観測された地震の波形データである。また、各波形データに対応する震央距離が正解データとなる。学習部14は、図3に示す各波形データを入力データとし、震央距離を正解データとして、学習を行なう。
また、本実施の形態1において、正解データとしては、気象庁が公表しているデータを用いることができる。気象庁が公表しているデータには、各観測点の震央距離、震源要素が含まれており、これらは、気象庁が一元化システムで計算した検測値(http://www.data.jma.go.jp/svd/eqev/data/bulletin/deck.html)から求められている。更に、本実施の形態1においては、学習に用いられる入力データ及び正確データは、震度が設定値(例えば震度4)以上である地震から計算されたものであるのが良い。
また、本実施の形態1では、学習部14は、例えば、機械学習によって、ニューラルネットワークを構築し、ニューラルネットワークを学習モデル16とすることができる。具体的には、学習部14は、入力層、中間層、及び出力層を備える階層型のニューラルネットワークにおいて、入力データと正解データとを用いて、層が隣接しているノード間の結合重みの値を調整することによって、学習モデルを生成する。
また、本実施の形態1において、学習部14による「学習」は、いわゆる「機械学習」を意味している。更に、学習部14による「学習」は、上述のニューラルネットワークを用いるディープラーニングに限られず、ロジスティック回帰を用いた学習、サーポートベクトルマシンを用いた学習、決定木を用いた学習、異種混合学習等であっても良い。
地震情報取得部11は、本実施の形態1では、単一の地震検知装置20から、発生した地震の波形データを受信する。また、地震情報取得部11は、受信した波形データを推定処理部12に送る。
推定処理部12は、本実施の形態1では、記憶部15にアクセスして、学習モデル16を取得し、取得した学習モデル16に、学習情報取得部13から送られてきた波形データを適用することで、震央距離を推定する。
また、本実施の形態1では、学習部14は、正解データとして、更に、地震の震源の深さを用い、波形データと、震央距離及び震源の深さと、の関係を学習して、学習モデル16を生成することもできる。この場合、推定処理部12は、震央距離に加えて、震源の深さも推定することができる。
更に、本実施の形態1では、学習部14は、波形データに加えて、波形データが得られた地点の地点データも入力データとして用いることができる。この場合、学習部14は、波形データ及び地点データと、震央距離(又は震央距離及び震源の深さ)との関係を学習して、学習モデル16を生成する。
ここで、波形データが得られた地点とは、波形データの元になった地震波が観測された地点である。また、地点データとしては、例えば、表層地盤増幅率、プレートの状態を示すデータ、地震波が観測された地点付近に存在している火山を示すデータ、地殻厚さ、リソスフェア厚さ等が挙げられる。このように、入力データとして、波形データと地点データとの2つを用いて学習モデル16を生成すれば、推定処理の精度向上が図られる。
学習の入力データとして地点データが用いられている場合は、地震情報取得部11は、発生した地震の波形データに加えて、この波形データが得られた地点の地点データ、即ち、地震検知装置20が設置されている地点の地点データも取得する。
また、地点データは、予め、地震検知装置20毎に、記憶部15に格納されていても良く、この態様では、地震情報取得部11は、波形データを取得する度に、記憶部15から、対応する地点データを取得する。また、地点データは、地震検知装置20から、波形データと共に送信されてきても良く、この態様では、地震情報取得部11は、波形データと共に地点データを取得する。
更に、学習の入力データとして地点データが用いられている場合は、推定処理部12は、学習部14によって生成された学習モデル16に、取得された波形データ及び地点データを適用して、震央距離(又は震央距離及び震源の深さ)を推定する。
なお、本実施の形態1において、入力データ及び正解データは、上記の例に限定されるものではない。入力データとして、波形データ及び地点データ以外のものが用いられていても良い。また、正解データとして、震央距離及び震源の深さ以外のものが用いられていても良い。
[装置動作]
次に、本実施の形態1における震央距離推定装置10の動作について図4及び図5を用いて説明する。以下の説明においては、適宜図1~図3を参酌する。また、本実施の形態1では、震央距離推定装置10を動作させることによって、震央距離推定方法が実施される。よって、本実施の形態1における震央距離推定方法の説明は、以下の震央距離推定装置10の動作説明に代える。
次に、本実施の形態1における震央距離推定装置10の動作について図4及び図5を用いて説明する。以下の説明においては、適宜図1~図3を参酌する。また、本実施の形態1では、震央距離推定装置10を動作させることによって、震央距離推定方法が実施される。よって、本実施の形態1における震央距離推定方法の説明は、以下の震央距離推定装置10の動作説明に代える。
本実施の形態1において、震央距離推定装置10は、主に学習処理と推定処理とを実行する。先ず、学習処理について説明する。図4は、本発明の実施の形態1における震央距離推定装置の学習処理実行時の動作を示すフロー図である。
図4に示すように、まず、学習情報取得部13が、入力データ及び正解データを取得する(ステップA1)。具体的には、ステップA1では、学習情報取得部13は、入力データとして、波形データに加えて、地点データも取得し、正解データとして、震央距離に加えて、震源の深さも取得する。
次に、学習部14は、既に学習モデル16が存在しているかどうかを判定する(ステップA2)。具体的には、学習部14は、記憶部15に学習モデル16が格納されているかどうかを判定する。
ステップA2の判定の結果、学習モデル16が未だ存在していない場合は、学習部14は、波形データ及び地点データと、震央距離及び震源の深さとの関係を学習し、学習結果を示す学習モデル16を新たに生成する(ステップA3)。
具体的には、ステップA3では、学習部14は、学習によって、ニューラルネットワークを構築し、これを学習モデル16とする。また、学習部14は、作成した学習モデル16を記憶部15に格納する。
一方、ステップA2の判定の結果、学習モデル16が既に存在している場合は、学習部14は、ステップA1で取得された入力データと正解データとを用いて、既存の学習モデル16を更新する(ステップA4)。具体的には、学習部14は、ステップA1で取得された入力データと正解データとを用いて、ノード間の結合重みの値を更新する。
ステップA1~A4の実行により、学習モデルの作成又は更新が行なわれる。その後、作成又は更新された学習モデルを用いて、推定処理が実行される。図5は、本発明の実施の形態1における震央距離推定装置の推定処理実行時の動作を示すフロー図である。
図5に示すように、まず、地震情報取得部11が、地震検知装置20から、発生した地震の波形データが送信されてくると、送信されてきた波形データを受信する(ステップB1)。
次に、地震情報取得部11は、記憶部15から、波形データを送信してきた地震検知装置20が設置されている地点の地点データを取得する(ステップB2)。なお、地点データが、波形データと共に送信されてきている場合は、地震情報取得部11は、送信されてきた地点データを受信する。
次に、推定処理部12は、ステップB1で受信された波形データと、ステップB2で取得された地点データとを、図4に示した学習処理によって作成又は更新された学習モデル16に適用して、震央距離及び震源の深さを推定する(ステップB3)。
ステップB1~B3の実行により、単一の地震検知装置20から取得された波形データに基づいて、震央距離及び震源の深さが推定されることになる。
[実施の形態1による効果]
以上のように本実施の形態1によれば、波形データを関数にフィッティングすることなく、単一の波形データから、震央距離及び震源の深さが推定される。また、推定処理は、学習モデル16によって行なわれるので、震央距離及び震源の深さは、安定的に、且つ、短時間で算出されることになる。
以上のように本実施の形態1によれば、波形データを関数にフィッティングすることなく、単一の波形データから、震央距離及び震源の深さが推定される。また、推定処理は、学習モデル16によって行なわれるので、震央距離及び震源の深さは、安定的に、且つ、短時間で算出されることになる。
言い換えると、本実施の形態1では、特許文献1に開示された従来の方式と異なり、人手によって、複雑な個別の地点属性を、何がどう影響するかが不明なパラメータに反映させる作業が不要になる。本実施の形態1によれば、客観的な波形データと機械学習のみによって利用可能な精度の情報の取得が可能となる。本実施の形態1における震央距離推定装置10は、多くの地点、多くの地域への導入が可能である。
また、上述したように、本実施の形態では、単一の波形データによって震源の深さも推定できるが、上記特許文献1に開示された技術では、震源の深さの推定は不可能である。上記特許文献1に開示された技術を用いる場合は、震源の深さの測定のために、複数の地震計での測定結果が必要となる。
[変形例1]
続いて、本実施の形態1における変形例について説明する。まず、変形例1では、学習部14は、設定されている波形量毎に、学習モデル16を生成する。具体的には、波形量は、地震発生時からの経過時間で表現される。従って、学習部14は、学習情報取得部13で取得された波形データから、設定経過時間毎に、経過時間の分だけの波形データを切り出し、切り出した波形データを入力データとして、学習を行なって学習モデル16を生成する。これにより、学習モデル16は、波形量毎に生成される。
続いて、本実施の形態1における変形例について説明する。まず、変形例1では、学習部14は、設定されている波形量毎に、学習モデル16を生成する。具体的には、波形量は、地震発生時からの経過時間で表現される。従って、学習部14は、学習情報取得部13で取得された波形データから、設定経過時間毎に、経過時間の分だけの波形データを切り出し、切り出した波形データを入力データとして、学習を行なって学習モデル16を生成する。これにより、学習モデル16は、波形量毎に生成される。
また、変形例1では、推定処理部12は、発生した地震の波形データの波形量を算出し、算出した波形量に基づいて、生成されている複数の学習モデル16の中から、使用する学習モデルを選択する。そして、推定処理部12は、選択した学習モデル16に、発生した地震の波形データを適用して、震央距離(又は震央距離及び震源の深さ)を推定する。
一般に、緊急地震速報のための震央距離及び震源深さの推定は、波形データの波形量が小さい場合であっても求められる。このため、地震情報取得部11によって取得される波形データは一定であるとは限られず、学習モデルの生成に用いた波形データの波形量と、発生した地震における波形データの波形量とが一致せず、推定精度が低下する可能性がある。しかしながら、本変形例1によれば、発生した地震における波形データの波形量に応じて、学習モデル16が選択されるので、上述の推定精度の低下は回避されることになる。
[変形例2]
変形例2では、学習部14は、入力データとなる波形データの観測点毎に、学習モデル16を生成する。具体的には、学習部14は、地震検知装置毎(地震計毎)に、そこで取得された波形データのみを用いて、学習モデル16を生成する。
変形例2では、学習部14は、入力データとなる波形データの観測点毎に、学習モデル16を生成する。具体的には、学習部14は、地震検知装置毎(地震計毎)に、そこで取得された波形データのみを用いて、学習モデル16を生成する。
また、変形例2では、推定処理部12は、発生した地震の波形データの観測点(即ち、波形データの送信元となっている地震検知装置20)を特定し、特定した観測点に基づいて、生成されている複数の学習モデル16の中から、使用する学習モデルを選択する。そして、推定処理部12は、選択した学習モデル16に、発生した地震の波形データを適用して、震央距離(又は震央距離及び震源の深さ)を推定する。
変形例2によれば、観測点ごとの特性、即ち、地点データを用いて学習を行なわなくても、観測点の特性に合わせた推定処理が可能となる。なお、入力データを十分に確保できない観測点においては、十分な学習が困難となることから、このような観測点についての学習モデルの生成は困難である。
[変形例3]
変形例3では、学習部14は、入力データとなる波形データの観測点における地盤特性毎に、学習モデル16を生成する。具体的には、例えば、地盤増幅率等の地盤特性(地点データの値)に応じて、観測点(地震検知装置20)がグルーピングされているとする。この場合、学習部14は、グループ毎に、グループで得られた波形データのみを用いて、学習モデル16を生成する。
変形例3では、学習部14は、入力データとなる波形データの観測点における地盤特性毎に、学習モデル16を生成する。具体的には、例えば、地盤増幅率等の地盤特性(地点データの値)に応じて、観測点(地震検知装置20)がグルーピングされているとする。この場合、学習部14は、グループ毎に、グループで得られた波形データのみを用いて、学習モデル16を生成する。
また、変形例3では、推定処理部12は、発生した地震の波形データの観測点の地盤特性を特定し、特定した地盤特性に基づいて、生成されている複数の学習モデル16の中から、使用する学習モデルを選択する。そして、推定処理部12は、選択した学習モデル16に、発生した地震の波形データを適用して、震央距離(又は震央距離及び震源の深さ)を推定する。
変形例3によれば、入力データが十分に確保されていない観測点が存在していたとしても、地点データを用いた学習を行なうことなく、観測点の特性に合わせた推定処理が可能となる。
[プログラム]
本実施の形態1におけるプログラムは、コンピュータに、図4に示すステップA1~A4、図5に示すステップB1~B3を実行させるプログラムであれば良い。このプログラムをコンピュータにインストールし、実行することによって、本実施の形態1における震央距離推定装置10と震央距離推定方法とを実現することができる。この場合、コンピュータのCPU(Central Processing Unit)は、地震情報取得部11、推定処理部12、学習情報取得部13、及び学習部14として機能し、処理を行なう。
本実施の形態1におけるプログラムは、コンピュータに、図4に示すステップA1~A4、図5に示すステップB1~B3を実行させるプログラムであれば良い。このプログラムをコンピュータにインストールし、実行することによって、本実施の形態1における震央距離推定装置10と震央距離推定方法とを実現することができる。この場合、コンピュータのCPU(Central Processing Unit)は、地震情報取得部11、推定処理部12、学習情報取得部13、及び学習部14として機能し、処理を行なう。
また、本実施の形態1におけるプログラムは、複数のコンピュータによって構築されたコンピュータシステムによって実行されても良い。この場合は、各コンピュータが、それぞれ、地震情報取得部11、推定処理部12、学習情報取得部13、及び学習部14のいずれかとして機能しても良い。また、記憶部15は、本実施の形態におけるプログラムを実行するコンピュータとは別のコンピュータ上に構築されていても良い。
(実施の形態2)
次に、本発明の実施の形態2における、震央距離推定装置、震央距離推定方法、及びプログラムについて、図6~図8を参照しながら説明する。
次に、本発明の実施の形態2における、震央距離推定装置、震央距離推定方法、及びプログラムについて、図6~図8を参照しながら説明する。
[装置構成]
最初に、図6を用いて、本実施の形態2における震央距離推定装置の構成について説明する。図6は、本発明の実施の形態2における震央距離推定装置の構成を具体的に示すブロック図である。
最初に、図6を用いて、本実施の形態2における震央距離推定装置の構成について説明する。図6は、本発明の実施の形態2における震央距離推定装置の構成を具体的に示すブロック図である。
図6に示すように、本実施の形態2における震央距離推定装置40は、波形前処理部41を備えており、この点で、図1及び図2に示した実施の形態1における震央距離推定装置10と異なっている。以下、実施の形態1との相違点を中心に説明する。
波形前処理部41は、学習部14において入力データとして用いられる波形データ、及び地震情報取得部11において取得される波形データに対して前処理を実行する。前処理としては、画像変換処理、エンベロープ変換処理、バンドパス変換処理、微分変換処理、及びフーリエ変換処理が挙げられる。
具体的には、画像変換処理は、波形データを、それをグラフで表示する画像の画像データに変換する処理である。画像変換処理によれば、学習部14は、画像データに基づいて学習を実行するため、学習処理が容易になると考えられる。
また、エンベロープ変換処理は、波形データの波形をなだらかにする処理である。エンベロープ処理を実行すれば、地震波の立ち上がり特性の特定が容易となるので、地震波の立ち上がり特性が反映された学習モデル16が生成される。
バンドパス変換処理は、特定の周期の波形を際立たせる処理である。バンドパス変換処理によれば、地震波の特徴が強調されるので、地震波の特徴が反映された学習モデル16が生成される。
また、微分変換処理は、波形データを微分して、加速度データに変換する処理である。微分変換処理による場合も、地震波の立ち上がり特性の特定が容易となるので、地震波の立ち上がり特性が反映された学習モデル16が生成される。
更に、フーリエ変換処理は、波形データの周波数分布を求める処理である。フーリエ変換によれば、波形データ毎の周期の違いが強調されるので、地震波の周期が反映された学習モデル16が生成される。
波形前処理部41は、画像変換処理、エンベロープ変換処理、バンドパス変換処理、微分変換処理、及びフーリエ変換処理のうちのいずれか1つ、又は2つ以上を実行することができる。
[装置動作]
次に、本実施の形態2における震央距離推定装置40の動作について図7及び図8を用いて説明する。以下の説明においては、適宜図1~図6を参酌する。また、本実施の形態2では、震央距離推定装置40を動作させることによって、震央距離推定方法が実施される。よって、本実施の形態2における震央距離推定方法の説明は、以下の震央距離推定装置40の動作説明に代える。
次に、本実施の形態2における震央距離推定装置40の動作について図7及び図8を用いて説明する。以下の説明においては、適宜図1~図6を参酌する。また、本実施の形態2では、震央距離推定装置40を動作させることによって、震央距離推定方法が実施される。よって、本実施の形態2における震央距離推定方法の説明は、以下の震央距離推定装置40の動作説明に代える。
先ず、学習処理について説明する。図7は、本発明の実施の形態2における震央距離推定装置の学習処理実行時の動作を示すフロー図である。
図7に示すように、まず、学習情報取得部13が、入力データ及び正解データを取得する(ステップA11)。また、学習情報取得部13は、取得したデータを波形前処理部41に入力する。
次に、波形前処理部41は、ステップA11で取得された入力データに含まれる波形データに対して前処理を実行する(ステップA12)。そして、波形前処理部41は、前処理後の波形データと、それ以外の入力データ(地点データ)と、正解データとを、学習部14に入力する。
次に、学習部14は、既に学習モデル16が存在しているかどうかを判定する(ステップA13)。
ステップA13の判定の結果、学習モデル16が未だ存在していない場合は、学習部14は、波形データ及び地点データと、震央距離及び震源の深さとの関係を学習し、学習結果を示す学習モデル16を新たに生成する(ステップA14)。
一方、ステップA13の判定の結果、学習モデル16が既に存在している場合は、学習部14は、入力データと正解データとを用いて、既存の学習モデル16を更新する(ステップA15)。
ステップA11~A15の実行により、学習モデル16の作成又は更新が行なわれる。その後、作成又は更新された学習モデル16を用いて、推定処理が実行される。図8は、本発明の実施の形態2における震央距離推定装置の推定処理実行時の動作を示すフロー図である。
図8に示すように、まず、地震情報取得部11が、地震検知装置20から、発生した地震の波形データが送信されてくると、送信されてきた波形データを受信する(ステップB11)。
次に、地震情報取得部11は、記憶部15から、波形データを送信してきた地震検知装置20が設置されている地点の地点データを取得する(ステップB12)。なお、地点データが、波形データと共に送信されてきている場合は、地震情報取得部11は、送信されてきた地点データを受信する。
次に、波形前処理部41は、ステップB11で受信された波形データに対して前処理を実行する(ステップB13)。そして、波形前処理部41は、前処理後の波形データと、地点データとを、推定処理部12に入力する。
次に、推定処理部12は、ステップB13による前処理後の波形データと、ステップB12で取得された地点データとを、図7に示した学習処理によって作成又は更新された学習モデル16に適用して、震央距離及び震源の深さを推定する(ステップB14)。
ステップB11~B14の実行により、本実施の形態2においても、実施の形態1と同様に、単一の地震検知装置20から取得された波形データに基づいて、震央距離及び震源の深さが推定されることになる。
[実施の形態2による効果]
以上のように、本実施の形態2では、波形前処理部41による前処理により、学習に用いられる波形データにおいて、ノイズの抑制化、特徴の顕在化が行なわれる。このため、本実施の形態2によれば、学習モデルの精度が向上し、結果、推定精度の向上も図られることになる。
以上のように、本実施の形態2では、波形前処理部41による前処理により、学習に用いられる波形データにおいて、ノイズの抑制化、特徴の顕在化が行なわれる。このため、本実施の形態2によれば、学習モデルの精度が向上し、結果、推定精度の向上も図られることになる。
(物理構成)
ここで、実施の形態1及び2におけるプログラムを実行することによって、震央距離推定装置を実現するコンピュータについて図9を用いて説明する。図9は、本発明の実施の形態1及び2における震央距離推定装置を実現するコンピュータの一例を示すブロック図である。
ここで、実施の形態1及び2におけるプログラムを実行することによって、震央距離推定装置を実現するコンピュータについて図9を用いて説明する。図9は、本発明の実施の形態1及び2における震央距離推定装置を実現するコンピュータの一例を示すブロック図である。
図9に示すように、コンピュータ110は、CPU111と、メインメモリ112と、記憶装置113と、入力インターフェイス114と、表示コントローラ115と、データリーダ/ライタ116と、通信インターフェイス117とを備える。これらの各部は、バス121を介して、互いにデータ通信可能に接続される。
CPU111は、記憶装置113に格納された、本実施の形態におけるプログラム(コード)をメインメモリ112に展開し、これらを所定順序で実行することにより、各種の演算を実施する。メインメモリ112は、典型的には、DRAM(Dynamic Random Access Memory)等の揮発性の記憶装置である。また、本実施の形態におけるプログラムは、コンピュータ読み取り可能な記録媒体120に格納された状態で提供される。なお、本実施の形態におけるプログラムは、通信インターフェイス117を介して接続されたインターネット上で流通するものであっても良い。
また、記憶装置113の具体例としては、ハードディスクドライブの他、フラッシュメモリ等の半導体記憶装置が挙げられる。入力インターフェイス114は、CPU111と、キーボード及びマウスといった入力機器118との間のデータ伝送を仲介する。表示コントローラ115は、ディスプレイ装置119と接続され、ディスプレイ装置119での表示を制御する。
データリーダ/ライタ116は、CPU111と記録媒体120との間のデータ伝送を仲介し、記録媒体120からのプログラムの読み出し、及びコンピュータ110における処理結果の記録媒体120への書き込みを実行する。通信インターフェイス117は、CPU111と、他のコンピュータとの間のデータ伝送を仲介する。
また、記録媒体120の具体例としては、CF(Compact Flash(登録商標))及びSD(Secure Digital)等の汎用的な半導体記録デバイス、フレキシブルディスク(Flexible Disk)等の磁気記録媒体、又はCD-ROM(Compact Disk Read Only Memory)などの光学記録媒体が挙げられる。
また、本実施の形態1及び2における震央距離推定装置10及び40は、プログラムがインストールされたコンピュータではなく、各部に対応したハードウェアを用いることによっても実現可能である。更に、震央距離推定装置10及び40は、一部がプログラムで実現され、残りの部分がハードウェアで実現されていてもよい。
上述した実施の形態の一部又は全部は、以下に記載する(付記1)~(付記15)によって表現することができるが、以下の記載に限定されるものではない。
(付記1)
発生した地震の波形データを取得する、地震情報取得部と、
地震の波形データと震央距離との関係を学習して得られた学習モデルに、取得された前記波形データを適用して、震央距離を推定する、推定処理部と、
を備えている、ことを特徴とする震央距離推定装置。
発生した地震の波形データを取得する、地震情報取得部と、
地震の波形データと震央距離との関係を学習して得られた学習モデルに、取得された前記波形データを適用して、震央距離を推定する、推定処理部と、
を備えている、ことを特徴とする震央距離推定装置。
(付記2)
地震の波形データを入力データとし、前記地震の震央距離を正解データとして、波形データと震央距離との関係を学習し、学習結果を示す学習モデルを生成する、学習部を更に備え、
前記推定処理部は、前記学習部によって生成された学習モデルに、取得された前記波形データを適用して、震央距離を推定する、
付記1に記載の震央距離推定装置。
地震の波形データを入力データとし、前記地震の震央距離を正解データとして、波形データと震央距離との関係を学習し、学習結果を示す学習モデルを生成する、学習部を更に備え、
前記推定処理部は、前記学習部によって生成された学習モデルに、取得された前記波形データを適用して、震央距離を推定する、
付記1に記載の震央距離推定装置。
(付記3)
前記学習部が、前記波形データに加えて、前記波形データが得られた地点の地点データも入力データとして、前記波形データ及び前記地点データと前記震央距離との関係を学習して、前記学習モデルを生成し、
前記地震情報取得部が、前記波形データに加えて、発生した地震の波形データが得られた地点の地点データも取得し、
前記推定処理部が、前記学習モデルに対して、前記波形データに加えて、取得された前記地点データも適用して、前記震央距離を推定する、
付記2に記載の震央距離推定装置。
前記学習部が、前記波形データに加えて、前記波形データが得られた地点の地点データも入力データとして、前記波形データ及び前記地点データと前記震央距離との関係を学習して、前記学習モデルを生成し、
前記地震情報取得部が、前記波形データに加えて、発生した地震の波形データが得られた地点の地点データも取得し、
前記推定処理部が、前記学習モデルに対して、前記波形データに加えて、取得された前記地点データも適用して、前記震央距離を推定する、
付記2に記載の震央距離推定装置。
(付記4)
前記学習処理部が、前記正解データとして、前記地震の震源の深さを更に用いて、前記波形データと前記震央距離及び前記震源の深さとの関係を学習して、前記学習モデルを生成し、
前記推定処理部が、前記震央距離に加えて、震源の深さも推定する、
付記2または3に記載の震央距離推定装置。
前記学習処理部が、前記正解データとして、前記地震の震源の深さを更に用いて、前記波形データと前記震央距離及び前記震源の深さとの関係を学習して、前記学習モデルを生成し、
前記推定処理部が、前記震央距離に加えて、震源の深さも推定する、
付記2または3に記載の震央距離推定装置。
(付記5)
前記学習処理部が、学習によって、ニューラルネットワークを構築し、前記ニューラルネットワークを学習モデルとする、
付記2~4のいずれかに記載の震央距離推定装置。
前記学習処理部が、学習によって、ニューラルネットワークを構築し、前記ニューラルネットワークを学習モデルとする、
付記2~4のいずれかに記載の震央距離推定装置。
(付記6)
前記学習部が、入力データとなる波形データの波形量毎に、前記学習モデルを生成し、
前記推定処理部が、取得された前記波形データの波形量を算出し、算出した波形量に基づいて、生成された前記学習モデルそれぞれの中から、使用する前記学習モデルを選択し、選択した前記学習モデルに、取得された前記波形データを適用して、前記震央距離を推定する、
付記2~5のいずれかに記載の震央距離推定装置。
前記学習部が、入力データとなる波形データの波形量毎に、前記学習モデルを生成し、
前記推定処理部が、取得された前記波形データの波形量を算出し、算出した波形量に基づいて、生成された前記学習モデルそれぞれの中から、使用する前記学習モデルを選択し、選択した前記学習モデルに、取得された前記波形データを適用して、前記震央距離を推定する、
付記2~5のいずれかに記載の震央距離推定装置。
(付記7)
前記学習部が、入力データとなる波形データの観測点毎に、前記学習モデルを生成し、
前記推定処理部が、取得された前記波形データの観測点を特定し、特定した観測点に基づいて、生成された前記学習モデルそれぞれの中から、使用する前記学習モデルを選択し、選択した前記学習モデルに、取得された前記波形データを適用して、前記震央距離を推定する、
付記2~5のいずれかに記載の震央距離推定装置。
前記学習部が、入力データとなる波形データの観測点毎に、前記学習モデルを生成し、
前記推定処理部が、取得された前記波形データの観測点を特定し、特定した観測点に基づいて、生成された前記学習モデルそれぞれの中から、使用する前記学習モデルを選択し、選択した前記学習モデルに、取得された前記波形データを適用して、前記震央距離を推定する、
付記2~5のいずれかに記載の震央距離推定装置。
(付記8)
前記学習部が、入力データとなる波形データの観測点における地盤特性毎に、前記学習モデルを生成し、
前記推定処理部が、取得された前記波形データの観測点の地盤特性を特定し、特定した地盤特性に基づいて、生成された前記学習モデルそれぞれの中から、使用する前記学習モデルを選択し、選択した前記学習モデルに、取得された前記波形データを適用して、前記震央距離を推定する、
付記2~5のいずれかに記載の震央距離推定装置。
前記学習部が、入力データとなる波形データの観測点における地盤特性毎に、前記学習モデルを生成し、
前記推定処理部が、取得された前記波形データの観測点の地盤特性を特定し、特定した地盤特性に基づいて、生成された前記学習モデルそれぞれの中から、使用する前記学習モデルを選択し、選択した前記学習モデルに、取得された前記波形データを適用して、前記震央距離を推定する、
付記2~5のいずれかに記載の震央距離推定装置。
(付記9)
前記学習部において前記入力データとして用いられる波形データ、及び前記地震情報取得部において取得される波形データに対して、前処理を実行する、波形前処理部を更に備えている、
付記1~8のいずれかに記載の震央距離推定装置。
前記学習部において前記入力データとして用いられる波形データ、及び前記地震情報取得部において取得される波形データに対して、前処理を実行する、波形前処理部を更に備えている、
付記1~8のいずれかに記載の震央距離推定装置。
(付記10)
前記波形前処理部が、前記前処理として、画像変換処理、エンベロープ変換処理、バンドパス変換処理、微分変換処理、及びフーリエ変換処理のうち、少なくとも1つの処理を実行する、
付記9に記載の震央距離推定装置。
前記波形前処理部が、前記前処理として、画像変換処理、エンベロープ変換処理、バンドパス変換処理、微分変換処理、及びフーリエ変換処理のうち、少なくとも1つの処理を実行する、
付記9に記載の震央距離推定装置。
(付記11)
(a)発生した地震の波形データを取得する、ステップと、
(b)地震の波形データと震央距離との関係を学習して得られた学習モデルに、取得された前記波形データを適用して、震央距離を推定する、ステップと、
を有する、ことを特徴とする震央距離推定方法。
(a)発生した地震の波形データを取得する、ステップと、
(b)地震の波形データと震央距離との関係を学習して得られた学習モデルに、取得された前記波形データを適用して、震央距離を推定する、ステップと、
を有する、ことを特徴とする震央距離推定方法。
(付記12)
(c)地震の波形データを入力データとし、前記地震の震央距離を正解データとして、波形データと震央距離との関係を学習し、学習結果を示す学習モデルを生成する、ステップを更に有し、
前記(b)のステップにおいて、前記(c)のステップによって生成された学習モデルに、取得された前記波形データを適用して、震央距離を推定する、
付記11に記載の震央距離推定方法。
(c)地震の波形データを入力データとし、前記地震の震央距離を正解データとして、波形データと震央距離との関係を学習し、学習結果を示す学習モデルを生成する、ステップを更に有し、
前記(b)のステップにおいて、前記(c)のステップによって生成された学習モデルに、取得された前記波形データを適用して、震央距離を推定する、
付記11に記載の震央距離推定方法。
(付記13)
前記(c)のステップにおいて、前記波形データに加えて、前記波形データが得られた地点の地点データも入力データとして、前記波形データ及び前記地点データと前記震央距離との関係を学習して、前記学習モデルを生成し、
前記(a)のステップにおいて、前記波形データに加えて、発生した地震の波形データが得られた地点の地点データも取得し、
前記(b)のステップにおいて、前記学習モデルに対して、前記波形データに加えて、取得された前記地点データも適用して、前記震央距離を推定する、
付記12に記載の震央距離推定方法。
前記(c)のステップにおいて、前記波形データに加えて、前記波形データが得られた地点の地点データも入力データとして、前記波形データ及び前記地点データと前記震央距離との関係を学習して、前記学習モデルを生成し、
前記(a)のステップにおいて、前記波形データに加えて、発生した地震の波形データが得られた地点の地点データも取得し、
前記(b)のステップにおいて、前記学習モデルに対して、前記波形データに加えて、取得された前記地点データも適用して、前記震央距離を推定する、
付記12に記載の震央距離推定方法。
(付記14)
前記(c)のステップにおいて、前記正解データとして、前記地震の震源の深さを更に用いて、前記波形データと前記震央距離及び前記震源の深さとの関係を学習して、前記学習モデルを生成し、
前記(b)のステップにおいて、前記震央距離に加えて、震源の深さも推定する、
付記12または13に記載の震央距離推定方法。
前記(c)のステップにおいて、前記正解データとして、前記地震の震源の深さを更に用いて、前記波形データと前記震央距離及び前記震源の深さとの関係を学習して、前記学習モデルを生成し、
前記(b)のステップにおいて、前記震央距離に加えて、震源の深さも推定する、
付記12または13に記載の震央距離推定方法。
(付記15)
前記(c)のステップにおいて、学習によって、ニューラルネットワークを構築し、前記ニューラルネットワークを学習モデルとする、
付記12~14のいずれかに記載の震央距離推定方法。
前記(c)のステップにおいて、学習によって、ニューラルネットワークを構築し、前記ニューラルネットワークを学習モデルとする、
付記12~14のいずれかに記載の震央距離推定方法。
(付記16)
前記(c)のステップにおいて、入力データとなる波形データの波形量毎に、前記学習モデルを生成し、
前記(b)のステップにおいて、取得された前記波形データの波形量を算出し、算出した波形量に基づいて、生成された前記学習モデルそれぞれの中から、使用する前記学習モデルを選択し、選択した前記学習モデルに、取得された前記波形データを適用して、前記震央距離を推定する、
付記12~15のいずれかに記載の震央距離推定方法。
前記(c)のステップにおいて、入力データとなる波形データの波形量毎に、前記学習モデルを生成し、
前記(b)のステップにおいて、取得された前記波形データの波形量を算出し、算出した波形量に基づいて、生成された前記学習モデルそれぞれの中から、使用する前記学習モデルを選択し、選択した前記学習モデルに、取得された前記波形データを適用して、前記震央距離を推定する、
付記12~15のいずれかに記載の震央距離推定方法。
(付記17)
前記(c)のステップにおいて、入力データとなる波形データの観測点毎に、前記学習モデルを生成し、
前記(b)のステップにおいて、取得された前記波形データの観測点を特定し、特定した観測点に基づいて、生成された前記学習モデルそれぞれの中から、使用する前記学習モデルを選択し、選択した前記学習モデルに、取得された前記波形データを適用して、前記震央距離を推定する、
付記12~15のいずれかに記載の震央距離推定方法。
前記(c)のステップにおいて、入力データとなる波形データの観測点毎に、前記学習モデルを生成し、
前記(b)のステップにおいて、取得された前記波形データの観測点を特定し、特定した観測点に基づいて、生成された前記学習モデルそれぞれの中から、使用する前記学習モデルを選択し、選択した前記学習モデルに、取得された前記波形データを適用して、前記震央距離を推定する、
付記12~15のいずれかに記載の震央距離推定方法。
(付記18)
前記(c)のステップにおいて、入力データとなる波形データの観測点における地盤特性毎に、前記学習モデルを生成し、
前記(b)のステップにおいて、取得された前記波形データの観測点の地盤特性を特定し、特定した地盤特性に基づいて、生成された前記学習モデルそれぞれの中から、使用する前記学習モデルを選択し、選択した前記学習モデルに、取得された前記波形データを適用して、前記震央距離を推定する、
付記12~15のいずれかに記載の震央距離推定方法。
前記(c)のステップにおいて、入力データとなる波形データの観測点における地盤特性毎に、前記学習モデルを生成し、
前記(b)のステップにおいて、取得された前記波形データの観測点の地盤特性を特定し、特定した地盤特性に基づいて、生成された前記学習モデルそれぞれの中から、使用する前記学習モデルを選択し、選択した前記学習モデルに、取得された前記波形データを適用して、前記震央距離を推定する、
付記12~15のいずれかに記載の震央距離推定方法。
(付記19)
(d)前記(c)のステップにおいて前記入力データとして用いられる波形データ、及び前記(a)のステップにおいて取得される波形データに対して、前処理を実行する、ステップを更に有する、
付記11~18のいずれかに記載の震央距離推定方法。
(d)前記(c)のステップにおいて前記入力データとして用いられる波形データ、及び前記(a)のステップにおいて取得される波形データに対して、前処理を実行する、ステップを更に有する、
付記11~18のいずれかに記載の震央距離推定方法。
(付記20)
前記(d)のステップにおいて、前記前処理として、画像変換処理、エンベロープ変換処理、バンドパス変換処理、微分変換処理、及びフーリエ変換処理のうち、少なくとも1つの処理を実行する、
付記19に記載の震央距離推定方法。
前記(d)のステップにおいて、前記前処理として、画像変換処理、エンベロープ変換処理、バンドパス変換処理、微分変換処理、及びフーリエ変換処理のうち、少なくとも1つの処理を実行する、
付記19に記載の震央距離推定方法。
(付記21)
コンピュータに、
(a)発生した地震の波形データを取得する、ステップと、
(b)地震の波形データと震央距離との関係を学習して得られた学習モデルに、取得された前記波形データを適用して、震央距離を推定する、ステップと、
を実行させる命令を含む、プログラムを記録したコンピュータ読み取り可能な記録媒体。
コンピュータに、
(a)発生した地震の波形データを取得する、ステップと、
(b)地震の波形データと震央距離との関係を学習して得られた学習モデルに、取得された前記波形データを適用して、震央距離を推定する、ステップと、
を実行させる命令を含む、プログラムを記録したコンピュータ読み取り可能な記録媒体。
(付記22)
前記コンピュータに、
(c)地震の波形データを入力データとし、前記地震の震央距離を正解データとして、波形データと震央距離との関係を学習し、学習結果を示す学習モデルを生成する、ステップを更に実行させ、
前記(b)のステップにおいて、前記(c)のステップによって生成された学習モデルに、取得された前記波形データを適用して、震央距離を推定する、
付記21に記載のコンピュータ読み取り可能な記録媒体。
前記コンピュータに、
(c)地震の波形データを入力データとし、前記地震の震央距離を正解データとして、波形データと震央距離との関係を学習し、学習結果を示す学習モデルを生成する、ステップを更に実行させ、
前記(b)のステップにおいて、前記(c)のステップによって生成された学習モデルに、取得された前記波形データを適用して、震央距離を推定する、
付記21に記載のコンピュータ読み取り可能な記録媒体。
(付記23)
前記(c)のステップにおいて、前記波形データに加えて、前記波形データが得られた地点の地点データも入力データとして、前記波形データ及び前記地点データと前記震央距離との関係を学習して、前記学習モデルを生成し、
前記(a)のステップにおいて、前記波形データに加えて、発生した地震の波形データが得られた地点の地点データも取得し、
前記(b)のステップにおいて、前記学習モデルに対して、前記波形データに加えて、取得された前記地点データも適用して、前記震央距離を推定する、
付記22に記載のコンピュータ読み取り可能な記録媒体。
前記(c)のステップにおいて、前記波形データに加えて、前記波形データが得られた地点の地点データも入力データとして、前記波形データ及び前記地点データと前記震央距離との関係を学習して、前記学習モデルを生成し、
前記(a)のステップにおいて、前記波形データに加えて、発生した地震の波形データが得られた地点の地点データも取得し、
前記(b)のステップにおいて、前記学習モデルに対して、前記波形データに加えて、取得された前記地点データも適用して、前記震央距離を推定する、
付記22に記載のコンピュータ読み取り可能な記録媒体。
(付記24)
前記(c)のステップにおいて、前記正解データとして、前記地震の震源の深さを更に用いて、前記波形データと前記震央距離及び前記震源の深さとの関係を学習して、前記学習モデルを生成し、
前記(b)のステップにおいて、前記震央距離に加えて、震源の深さも推定する、
付記22または23に記載のコンピュータ読み取り可能な記録媒体。
前記(c)のステップにおいて、前記正解データとして、前記地震の震源の深さを更に用いて、前記波形データと前記震央距離及び前記震源の深さとの関係を学習して、前記学習モデルを生成し、
前記(b)のステップにおいて、前記震央距離に加えて、震源の深さも推定する、
付記22または23に記載のコンピュータ読み取り可能な記録媒体。
(付記25)
前記(c)のステップにおいて、学習によって、ニューラルネットワークを構築し、前記ニューラルネットワークを学習モデルとする、
付記22~24のいずれかに記載のコンピュータ読み取り可能な記録媒体。
前記(c)のステップにおいて、学習によって、ニューラルネットワークを構築し、前記ニューラルネットワークを学習モデルとする、
付記22~24のいずれかに記載のコンピュータ読み取り可能な記録媒体。
(付記26)
前記(c)のステップにおいて、入力データとなる波形データの波形量毎に、前記学習モデルを生成し、
前記(b)のステップにおいて、取得された前記波形データの波形量を算出し、算出した波形量に基づいて、生成された前記学習モデルそれぞれの中から、使用する前記学習モデルを選択し、選択した前記学習モデルに、取得された前記波形データを適用して、前記震央距離を推定する、
付記22~25のいずれかに記載のコンピュータ読み取り可能な記録媒体。
前記(c)のステップにおいて、入力データとなる波形データの波形量毎に、前記学習モデルを生成し、
前記(b)のステップにおいて、取得された前記波形データの波形量を算出し、算出した波形量に基づいて、生成された前記学習モデルそれぞれの中から、使用する前記学習モデルを選択し、選択した前記学習モデルに、取得された前記波形データを適用して、前記震央距離を推定する、
付記22~25のいずれかに記載のコンピュータ読み取り可能な記録媒体。
(付記27)
前記(c)のステップにおいて、入力データとなる波形データの観測点毎に、前記学習モデルを生成し、
前記(b)のステップにおいて、取得された前記波形データの観測点を特定し、特定した観測点に基づいて、生成された前記学習モデルそれぞれの中から、使用する前記学習モデルを選択し、選択した前記学習モデルに、取得された前記波形データを適用して、前記震央距離を推定する、
付記22~25のいずれかに記載のコンピュータ読み取り可能な記録媒体。
前記(c)のステップにおいて、入力データとなる波形データの観測点毎に、前記学習モデルを生成し、
前記(b)のステップにおいて、取得された前記波形データの観測点を特定し、特定した観測点に基づいて、生成された前記学習モデルそれぞれの中から、使用する前記学習モデルを選択し、選択した前記学習モデルに、取得された前記波形データを適用して、前記震央距離を推定する、
付記22~25のいずれかに記載のコンピュータ読み取り可能な記録媒体。
(付記28)
前記(c)のステップにおいて、入力データとなる波形データの観測点における地盤特性毎に、前記学習モデルを生成し、
前記(b)のステップにおいて、取得された前記波形データの観測点の地盤特性を特定し、特定した地盤特性に基づいて、生成された前記学習モデルそれぞれの中から、使用する前記学習モデルを選択し、選択した前記学習モデルに、取得された前記波形データを適用して、前記震央距離を推定する、
付記22~25のいずれかに記載のコンピュータ読み取り可能な記録媒体。
前記(c)のステップにおいて、入力データとなる波形データの観測点における地盤特性毎に、前記学習モデルを生成し、
前記(b)のステップにおいて、取得された前記波形データの観測点の地盤特性を特定し、特定した地盤特性に基づいて、生成された前記学習モデルそれぞれの中から、使用する前記学習モデルを選択し、選択した前記学習モデルに、取得された前記波形データを適用して、前記震央距離を推定する、
付記22~25のいずれかに記載のコンピュータ読み取り可能な記録媒体。
(付記29)
前記コンピュータに、
(d)前記(c)のステップにおいて前記入力データとして用いられる波形データ、及び前記(a)のステップにおいて取得される波形データに対して、前処理を実行する、ステップを更に実行させる、
付記21~28のいずれかに記載のコンピュータ読み取り可能な記録媒体。
前記コンピュータに、
(d)前記(c)のステップにおいて前記入力データとして用いられる波形データ、及び前記(a)のステップにおいて取得される波形データに対して、前処理を実行する、ステップを更に実行させる、
付記21~28のいずれかに記載のコンピュータ読み取り可能な記録媒体。
(付記30)
前記(d)のステップにおいて、前記前処理として、画像変換処理、エンベロープ変換処理、バンドパス変換処理、微分変換処理、及びフーリエ変換処理のうち、少なくとも1つの処理を実行する、
付記29に記載のコンピュータ読み取り可能な記録媒体。
前記(d)のステップにおいて、前記前処理として、画像変換処理、エンベロープ変換処理、バンドパス変換処理、微分変換処理、及びフーリエ変換処理のうち、少なくとも1つの処理を実行する、
付記29に記載のコンピュータ読み取り可能な記録媒体。
以上、実施の形態を参照して本願発明を説明したが、本願発明は上記実施の形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
この出願は、2016年7月8日に出願された日本出願特願2016-136310を基礎とする優先権を主張し、その開示の全てをここに取り込む。
以上のように、本発明によれば、震央距離の算出を安定して行なうことができ、且つ、算出時間の短縮化を図ることができる。本発明は、本発明は、地震発生時に、一刻も早く、地震に関する情報を配信する必要があるシステムに有用である。
10 震央距離推定装置(実施の形態1)
11 地震情報取得部
12 推定処理部
13 学習情報取得部
14 学習部
15 記憶部
16 学習モデル
20 地震検知装置
30 地震活動等総合監視システム
40 震央距離推定装置(実施の形態2)
41 波形前処理部
110 コンピュータ
111 CPU
112 メインメモリ
113 記憶装置
114 入力インターフェイス
115 表示コントローラ
116 データリーダ/ライタ
117 通信インターフェイス
118 入力機器
119 ディスプレイ装置
120 記録媒体
121 バス
11 地震情報取得部
12 推定処理部
13 学習情報取得部
14 学習部
15 記憶部
16 学習モデル
20 地震検知装置
30 地震活動等総合監視システム
40 震央距離推定装置(実施の形態2)
41 波形前処理部
110 コンピュータ
111 CPU
112 メインメモリ
113 記憶装置
114 入力インターフェイス
115 表示コントローラ
116 データリーダ/ライタ
117 通信インターフェイス
118 入力機器
119 ディスプレイ装置
120 記録媒体
121 バス
Claims (12)
- 発生した地震の波形データを取得する、地震情報取得部と、
地震の波形データと震央距離との関係を学習して得られた学習モデルに、取得された前記波形データを適用して、震央距離を推定する、推定処理部と、
を備えている、ことを特徴とする震央距離推定装置。 - 地震の波形データを入力データとし、前記地震の震央距離を正解データとして、波形データと震央距離との関係を学習し、学習結果を示す学習モデルを生成する、学習部を更に備え、
前記推定処理部は、前記学習部によって生成された学習モデルに、取得された前記波形データを適用して、震央距離を推定する、
請求項1に記載の震央距離推定装置。 - 前記学習部が、前記波形データに加えて、前記波形データが得られた地点の地点データも入力データとして、前記波形データ及び前記地点データと前記震央距離との関係を学習して、前記学習モデルを生成し、
前記地震情報取得部が、前記波形データに加えて、発生した地震の波形データが得られた地点の地点データも取得し、
前記推定処理部が、前記学習モデルに対して、前記波形データに加えて、取得された前記地点データも適用して、前記震央距離を推定する、
請求項2に記載の震央距離推定装置。 - 前記学習処理部が、前記正解データとして、前記地震の震源の深さを更に用いて、前記波形データと前記震央距離及び前記震源の深さとの関係を学習して、前記学習モデルを生成し、
前記推定処理部が、前記震央距離に加えて、震源の深さも推定する、
請求項2または3に記載の震央距離推定装置。 - 前記学習処理部が、学習によって、ニューラルネットワークを構築し、前記ニューラルネットワークを学習モデルとする、
請求項2~4のいずれかに記載の震央距離推定装置。 - 前記学習部が、入力データとなる波形データの波形量毎に、前記学習モデルを生成し、
前記推定処理部が、取得された前記波形データの波形量を算出し、算出した波形量に基づいて、生成された前記学習モデルそれぞれの中から、使用する前記学習モデルを選択し、選択した前記学習モデルに、取得された前記波形データを適用して、前記震央距離を推定する、
請求項2~5のいずれかに記載の震央距離推定装置。 - 前記学習部が、入力データとなる波形データの観測点毎に、前記学習モデルを生成し、
前記推定処理部が、取得された前記波形データの観測点を特定し、特定した観測点に基づいて、生成された前記学習モデルそれぞれの中から、使用する前記学習モデルを選択し、選択した前記学習モデルに、取得された前記波形データを適用して、前記震央距離を推定する、
請求項2~5のいずれかに記載の震央距離推定装置。 - 前記学習部が、入力データとなる波形データの観測点における地盤特性毎に、前記学習モデルを生成し、
前記推定処理部が、取得された前記波形データの観測点の地盤特性を特定し、特定した地盤特性に基づいて、生成された前記学習モデルそれぞれの中から、使用する前記学習モデルを選択し、選択した前記学習モデルに、取得された前記波形データを適用して、前記震央距離を推定する、
請求項2~5のいずれかに記載の震央距離推定装置。 - 前記学習部において前記入力データとして用いられる波形データ、及び前記地震情報取得部において取得される波形データに対して、前処理を実行する、波形前処理部を更に備えている、
請求項1~8のいずれかに記載の震央距離推定装置。 - 前記波形前処理部が、前記前処理として、画像変換処理、エンベロープ変換処理、バンドパス変換処理、微分変換処理、及びフーリエ変換処理のうち、少なくとも1つの処理を実行する、
請求項9に記載の震央距離推定装置。 - (a)発生した地震の波形データを取得する、ステップと、
(b)地震の波形データと震央距離との関係を学習して得られた学習モデルに、取得された前記波形データを適用して、震央距離を推定する、ステップと、
を有する、ことを特徴とする震央距離推定方法。 - コンピュータに、
(a)発生した地震の波形データを取得する、ステップと、
(b)地震の波形データと震央距離との関係を学習して得られた学習モデルに、取得された前記波形データを適用して、震央距離を推定する、ステップと、
を実行させる命令を含む、プログラムを記録したコンピュータ読み取り可能な記録媒体。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PE2019000014A PE20190303A1 (es) | 2016-07-08 | 2017-07-05 | Aparato de estimacion de la distancia epicentral, metodo de estimacion de la distancia epicentral, y medio de grabacion legible por computadora |
CN201780042233.XA CN109416408B (zh) | 2016-07-08 | 2017-07-05 | 震中距估计装置、震中距估计方法以及计算机可读记录介质 |
JP2018526428A JP6677300B2 (ja) | 2016-07-08 | 2017-07-05 | 震央距離推定装置、震央距離推定方法、及びプログラム |
PH12018502661A PH12018502661A1 (en) | 2016-07-08 | 2018-12-17 | Epicentral distance estimating device, epicentral distance estimating method, and computer-readable recording medium |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016136310 | 2016-07-08 | ||
JP2016-136310 | 2016-07-08 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2018008708A1 true WO2018008708A1 (ja) | 2018-01-11 |
Family
ID=60912878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/JP2017/024735 WO2018008708A1 (ja) | 2016-07-08 | 2017-07-05 | 震央距離推定装置、震央距離推定方法、及びコンピュータ読み取り可能な記録媒体 |
Country Status (6)
Country | Link |
---|---|
JP (1) | JP6677300B2 (ja) |
CN (1) | CN109416408B (ja) |
PE (1) | PE20190303A1 (ja) |
PH (1) | PH12018502661A1 (ja) |
TW (1) | TWI687711B (ja) |
WO (1) | WO2018008708A1 (ja) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2020196292A1 (ja) * | 2019-03-26 | 2020-10-01 | ||
JP2021189138A (ja) * | 2020-06-04 | 2021-12-13 | 清水建設株式会社 | 地震動評価モデル生成方法、地震動評価モデル生成装置、地震動評価方法、及び、地震動評価装置 |
JP2021189137A (ja) * | 2020-06-04 | 2021-12-13 | 清水建設株式会社 | 地震動評価モデル生成方法、地震動評価モデル生成装置、地震動評価方法、及び、地震動評価装置 |
JP2021189134A (ja) * | 2020-06-04 | 2021-12-13 | 清水建設株式会社 | 地震動評価モデル生成方法、地震動評価モデル生成装置、地震動評価方法、及び、地震動評価装置 |
JPWO2022018789A1 (ja) * | 2020-07-20 | 2022-01-27 | ||
US11867858B2 (en) | 2019-08-20 | 2024-01-09 | Nec Corporation | Seismic observation device, seismic observation method, and recording medium |
JP7499137B2 (ja) | 2020-10-01 | 2024-06-13 | 清水建設株式会社 | 地震時諸現象統合評価モデル生成方法、地震時諸現象統合評価モデル生成装置、地震時諸現象統合評価方法、及び、地震時諸現象統合評価装置 |
JP7512151B2 (ja) | 2020-09-24 | 2024-07-08 | 清水建設株式会社 | 地震動評価モデル生成方法、地震動評価モデル生成装置、地震動評価方法、及び、地震動評価装置 |
JP7512139B2 (ja) | 2020-09-14 | 2024-07-08 | 清水建設株式会社 | 地震動評価モデル提供方法、及び、地震動評価モデル提供装置 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7156613B2 (ja) * | 2018-10-01 | 2022-10-19 | 東電設計株式会社 | 津波予測装置、方法、及びプログラム |
CN111538076B (zh) * | 2020-05-13 | 2021-08-03 | 浙江大学 | 基于深度学习特征融合的地震震级快速估算方法 |
CN114371504B (zh) * | 2022-01-11 | 2022-09-02 | 西南交通大学 | 一种地震震中位置确定方法、装置、设备及可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1164533A (ja) * | 1997-08-21 | 1999-03-05 | Kajima Corp | ニューラルネットワークによる自己学習機能を持った地震早期検知システム |
JP2006170739A (ja) * | 2004-12-15 | 2006-06-29 | Kajima Corp | 緊急地震速報を用いた地震防災システム |
JP2007071707A (ja) * | 2005-09-07 | 2007-03-22 | Taisei Corp | リアルタイム地震情報を利用した地震動強さの予測方法および防災システム |
JP2012237650A (ja) * | 2011-05-12 | 2012-12-06 | Railway Technical Research Institute | 単独観測点処理における震央距離推定方法 |
US20130046475A1 (en) * | 2011-08-19 | 2013-02-21 | Pei-Yang Lin | System and method for on-site instant seismic analysis |
JP2014006158A (ja) * | 2012-06-25 | 2014-01-16 | Chuden Cti Co Ltd | 模擬地震波を作成する方法および模擬地震波作成プログラムならびに模擬地震波作成プログラムを記録したコンピュータ読み取り可能な記録媒体 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000242497A (ja) * | 1999-02-19 | 2000-09-08 | Fuji Electric Co Ltd | ファジィ推論モデルの構築支援方法及びファジィ推論方法 |
US20060059112A1 (en) * | 2004-08-25 | 2006-03-16 | Jie Cheng | Machine learning with robust estimation, bayesian classification and model stacking |
CN103782197B (zh) * | 2011-08-19 | 2016-10-05 | 日本电气株式会社 | 震级估计设备、震级估计方法和计算机可读记录介质 |
TWI444648B (zh) * | 2012-09-12 | 2014-07-11 | Nat Applied Res Laboratories | 運用類神經網路之現地型地震即時分析系統及其方法 |
CN105223614B (zh) * | 2015-09-23 | 2017-06-23 | 中南大学 | 一种基于dwt_sta/lta的含噪信号p波初至峰度拾取方法 |
-
2017
- 2017-07-05 JP JP2018526428A patent/JP6677300B2/ja active Active
- 2017-07-05 WO PCT/JP2017/024735 patent/WO2018008708A1/ja active Application Filing
- 2017-07-05 CN CN201780042233.XA patent/CN109416408B/zh active Active
- 2017-07-05 PE PE2019000014A patent/PE20190303A1/es unknown
- 2017-07-06 TW TW106122623A patent/TWI687711B/zh active
-
2018
- 2018-12-17 PH PH12018502661A patent/PH12018502661A1/en unknown
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1164533A (ja) * | 1997-08-21 | 1999-03-05 | Kajima Corp | ニューラルネットワークによる自己学習機能を持った地震早期検知システム |
JP2006170739A (ja) * | 2004-12-15 | 2006-06-29 | Kajima Corp | 緊急地震速報を用いた地震防災システム |
JP2007071707A (ja) * | 2005-09-07 | 2007-03-22 | Taisei Corp | リアルタイム地震情報を利用した地震動強さの予測方法および防災システム |
JP2012237650A (ja) * | 2011-05-12 | 2012-12-06 | Railway Technical Research Institute | 単独観測点処理における震央距離推定方法 |
US20130046475A1 (en) * | 2011-08-19 | 2013-02-21 | Pei-Yang Lin | System and method for on-site instant seismic analysis |
JP2014006158A (ja) * | 2012-06-25 | 2014-01-16 | Chuden Cti Co Ltd | 模擬地震波を作成する方法および模擬地震波作成プログラムならびに模擬地震波作成プログラムを記録したコンピュータ読み取り可能な記録媒体 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11686868B2 (en) | 2019-03-26 | 2023-06-27 | Japan Agency For Marine-Earth Science And Technology | Earthquake estimation method, non-transitory computer readable medium, and earthquake estimation device |
WO2020196292A1 (ja) * | 2019-03-26 | 2020-10-01 | 国立研究開発法人海洋研究開発機構 | 地震推定方法、地震推定プログラム、及び、地震推定装置 |
JP7406828B2 (ja) | 2019-03-26 | 2023-12-28 | 国立研究開発法人海洋研究開発機構 | 地震推定方法、地震推定プログラム、及び、地震推定装置 |
JPWO2020196292A1 (ja) * | 2019-03-26 | 2020-10-01 | ||
US11867858B2 (en) | 2019-08-20 | 2024-01-09 | Nec Corporation | Seismic observation device, seismic observation method, and recording medium |
JP2021189134A (ja) * | 2020-06-04 | 2021-12-13 | 清水建設株式会社 | 地震動評価モデル生成方法、地震動評価モデル生成装置、地震動評価方法、及び、地震動評価装置 |
JP2021189137A (ja) * | 2020-06-04 | 2021-12-13 | 清水建設株式会社 | 地震動評価モデル生成方法、地震動評価モデル生成装置、地震動評価方法、及び、地震動評価装置 |
JP2021189138A (ja) * | 2020-06-04 | 2021-12-13 | 清水建設株式会社 | 地震動評価モデル生成方法、地震動評価モデル生成装置、地震動評価方法、及び、地震動評価装置 |
JP7423427B2 (ja) | 2020-06-04 | 2024-01-29 | 清水建設株式会社 | 地震動評価モデル生成方法、地震動評価モデル生成装置、地震動評価方法、及び、地震動評価装置 |
JP7471924B2 (ja) | 2020-06-04 | 2024-04-22 | 清水建設株式会社 | 地震動評価モデル生成方法、地震動評価モデル生成装置、地震動評価方法、及び、地震動評価装置 |
JP7512090B2 (ja) | 2020-06-04 | 2024-07-08 | 清水建設株式会社 | 地震動評価モデル生成方法、地震動評価モデル生成装置、地震動評価方法、及び、地震動評価装置 |
WO2022018789A1 (ja) * | 2020-07-20 | 2022-01-27 | 日本電信電話株式会社 | 予測方法、学習方法、予測装置、学習装置、予測プログラム及び学習プログラム |
JPWO2022018789A1 (ja) * | 2020-07-20 | 2022-01-27 | ||
JP7469703B2 (ja) | 2020-07-20 | 2024-04-17 | 日本電信電話株式会社 | 予測方法、学習方法、予測装置、学習装置、予測プログラム及び学習プログラム |
JP7512139B2 (ja) | 2020-09-14 | 2024-07-08 | 清水建設株式会社 | 地震動評価モデル提供方法、及び、地震動評価モデル提供装置 |
JP7512151B2 (ja) | 2020-09-24 | 2024-07-08 | 清水建設株式会社 | 地震動評価モデル生成方法、地震動評価モデル生成装置、地震動評価方法、及び、地震動評価装置 |
JP7499137B2 (ja) | 2020-10-01 | 2024-06-13 | 清水建設株式会社 | 地震時諸現象統合評価モデル生成方法、地震時諸現象統合評価モデル生成装置、地震時諸現象統合評価方法、及び、地震時諸現象統合評価装置 |
Also Published As
Publication number | Publication date |
---|---|
PH12018502661A1 (en) | 2019-10-21 |
JPWO2018008708A1 (ja) | 2019-04-11 |
CN109416408A (zh) | 2019-03-01 |
CN109416408B (zh) | 2021-04-06 |
TW201812339A (zh) | 2018-04-01 |
PE20190303A1 (es) | 2019-02-28 |
TWI687711B (zh) | 2020-03-11 |
JP6677300B2 (ja) | 2020-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018008708A1 (ja) | 震央距離推定装置、震央距離推定方法、及びコンピュータ読み取り可能な記録媒体 | |
JP7259969B2 (ja) | 地震観測装置、地震観測方法、プログラム、及び、コンフィギュレーションプログラム | |
US20190325328A1 (en) | Detection and use of anomalies in an industrial environment | |
Zhou et al. | Physical parameter identification of structural systems with hysteretic pinching | |
JP6237774B2 (ja) | 情報処理システム、情報処理方法及びプログラム | |
Jana et al. | Computer vision‐based real‐time cable tension estimation algorithm using complexity pursuit from video and its application in Fred‐Hartman cable‐stayed bridge | |
CN108875178B (zh) | 用于减小结构模态识别不确定性的传感器布置方法 | |
WO2016195092A1 (ja) | 異常検知装置 | |
Saito et al. | Bayesian model selection for ARX models and its application to structural health monitoring | |
WO2016208173A1 (ja) | 信号検知装置、信号検知方法および記録媒体 | |
Impraimakis et al. | Input–parameter–state estimation of limited information wind‐excited systems using a sequential Kalman filter | |
JP2024045515A (ja) | 構造物診断システム、構造物診断方法、および構造物診断プログラム | |
JP6645441B2 (ja) | 情報処理システム、情報処理方法、及び、プログラム | |
JPWO2017150286A1 (ja) | システム分析装置、システム分析方法、及び、プログラム | |
CN110490132B (zh) | 数据处理方法和装置 | |
Dederichs et al. | Comparison of automated operational modal analysis algorithms for long-span bridge applications | |
US20200278241A1 (en) | Vibration determination device, vibration determination method, and program | |
JP2019066339A (ja) | 音による診断装置、診断方法、および診断システム | |
US20220187486A1 (en) | Computer system and data processing method | |
Bodenmann et al. | Accounting for ground-motion uncertainty in empirical seismic fragility modeling | |
KR20230072920A (ko) | 오염된 IoT 데이터 환경에서 비지도 이상 감지 모델을 위한 반복적 학습 방법 및 장치 | |
JP7512096B2 (ja) | 健全性評価システム及び健全性評価方法 | |
JP5958470B2 (ja) | マグニチュード推定装置、マグニチュード推定方法、及びプログラム | |
US20230376837A1 (en) | Dependency checking for machine learning models | |
US20160154724A1 (en) | Non-functional evaluation assistance device, system, method, and program |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 17824311 Country of ref document: EP Kind code of ref document: A1 |
|
ENP | Entry into the national phase |
Ref document number: 2018526428 Country of ref document: JP Kind code of ref document: A |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 17824311 Country of ref document: EP Kind code of ref document: A1 |