DỰ BÁO ĐỘ LỚN ĐỘNG ĐẤT TỪ DẠNG SÓNG GIA TỐC MẠNH MỘT TRẠM BẰNG MẠNG HỌC SÂU ĐA NHÁNH
Từ khóa
DOI:
https://doi.org/10.34238/tnu-jst.14095Tóm tắt
Ước lượng nhanh độ lớn động đất từ dạng sóng gia tốc mạnh tại một trạm có ý nghĩa quan trọng đối với cảnh báo sớm và đánh giá nguy cơ động đất theo thời gian thực. Nghiên cứu này đánh giá khả năng dự báo độ lớn động đất trực tiếp từ dạng sóng một trạm khi đồng thời sử dụng thông tin dạng sóng, tham số sự kiện và thông tin trạm trong một mô hình học sâu thống nhất. Mô hình đề xuất MagWaveNet được xây dựng dưới dạng mạng học sâu đa nhánh, trong đó dữ liệu dạng sóng gia tốc ba thành phần, các tham số nguồn chấn và các tham số hình học giữa nguồn và trạm cùng chỉ số trạm quan trắc được kết hợp để ước lượng độ lớn. Kết quả thí nghiệm với nhiều chiến lược chia dữ liệu cho thấy MagWaveNet đạt sai số căn phương trung bình bình phương 0,359, sai số tuyệt đối trung bình 0,282 và hệ số xác định 0,923 trên cấu hình chia theo trạm và theo năm, đồng thời cho sai số nhỏ hơn rõ rệt so với các mô hình học máy truyền thống được so sánh.Lượt tải
Tài liệu tham khảo
A. Navarro-Rodríguez, O. A. Castro-Artola, E. E. García-Guerrero, O. A. Aguirre-Castro, U. J. Tamayo-Pérez, C. A. López-Mercado, and E. Inzunza-Gonzalez, “Recent advances in early earthquake magnitude estimation by using machine learning algorithms: A systematic review,” Applied Sciences, vol. 15, no. 7, 2025, Art. no. 3492.
Y.-M. Wu and L. Zhao, “Magnitude estimation using the first three seconds P-wave amplitude in earthquake early warning,” Geophysical Research Letters, vol. 33, 2006, Art. no. L16312.
Y. Wang, X. Li, Z. Wang, and J. Liu, “Deep learning for magnitude prediction in earthquake early warning,” Gondwana Research, vol. 123, pp. 164-173, 2023.
J. Zhu, S. Li, J. Song, and Y. Wang, “Magnitude estimation for earthquake early warning using a deep convolutional neural network,” Frontiers in Earth Science, vol. 9, 2021, Art. no. 653226.
J. Zhu, S. Li, and J. Song, “Magnitude estimation for earthquake early warning with multiple parameter inputs and a support vector machine,” Seismological Research Letters, vol 93, no. 1, pp. 126-136, 2022.
S. M. Mousavi and G. C. Beroza, “A machine-learning approach for earthquake magnitude estimation,” Geophysical Research Letters, vol. 47, no. 1, 2020, Art. no. e2019GL085976.
B. Hou, Y. Zhou, S. Li, Y. Wei, and J. Song, “Real-time earthquake magnitude estimation via a deep learning network based on waveform and text mixed modal,” Earth, Planets and Space, vol. 76, no. 1, 2024, Art. no. 58.
R. Sun, W. Qi, T. Zheng, and J. Qi, “Explainable machine-learning predictions for peak ground acceleration,” Applied Sciences, vol. 13, no. 7, 2023, Art. no. 4530.
Y. Liu, Q. Zhao, and Y. Wang, “Peak ground acceleration prediction for on-site earthquake early warning with a deep learning model,” Scientific Reports, vol. 14, 2024, Art. no. 5485.
B. Derras, P.-Y. Bard, F. Cotton, and A. Bekkouche, “Adapting the neural-network approach to PGA prediction: An example based on the KiK-net data,” Bulletin of the Seismological Society of America, vol. 102, no. 4, pp. 1446-1461, 2012.
Y. Okada et al., “Recent progress of seismic observation networks in Japan — Hi-net, F-net, K-NET and KiK-net,” Earth, Planets and Space, vol. 56, pp. xv–xxviii, 2004.
