JP6677300B2 - Epicenter distance estimation device, epicenter distance estimation method, and program - Google Patents
Epicenter distance estimation device, epicenter distance estimation method, and program Download PDFInfo
- Publication number
- JP6677300B2 JP6677300B2 JP2018526428A JP2018526428A JP6677300B2 JP 6677300 B2 JP6677300 B2 JP 6677300B2 JP 2018526428 A JP2018526428 A JP 2018526428A JP 2018526428 A JP2018526428 A JP 2018526428A JP 6677300 B2 JP6677300 B2 JP 6677300B2
- Authority
- JP
- Japan
- Prior art keywords
- learning
- waveform data
- data
- epicenter distance
- learning model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 73
- 238000012545 processing Methods 0.000 claims description 65
- 238000006243 chemical reaction Methods 0.000 claims description 30
- 238000007781 pre-processing Methods 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 description 42
- 238000001514 detection method Methods 0.000 description 18
- 238000012986 modification Methods 0.000 description 13
- 230000004048 modification Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 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
- 238000005516 engineering process Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 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
- 238000007477 logistic regression 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
- 230000009466 transformation 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
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)
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に関する。 The present invention, for estimating the epicenter distance when the earthquake occurred, relates epicentral distance estimation apparatus and epicentral distance estimation method further relates to a program for realizing these.
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。 When an earthquake occurs, it is necessary to quickly determine the epicenter distance in order to estimate the seismic intensity and the arrival time of the main motion in each place. Normally, the depth of the epicenter distance is specified based on seismic intensity detected by seismic intensity meters at multiple locations.
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。 However, if the location of the epicenter is on the sea floor or in an area where seismic intensity is low, it will take too long to acquire seismic intensity measured by multiple seismic intensity meters. Is delayed. For this reason, in recent years, a technique for specifying the epicenter distance using only the seismic intensity measured by a single seismic intensity meter has been developed.
このような技術としては、「地震の到達時における地震波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）。 As such a technology, "the rise of the strength of the seismic wave form data at the time of the earthquake of reach, becomes stronger as there is an earthquake close to the epicenter, epicenter becomes gentle as a distant earthquake," taking advantage of the fact A technique for estimating the epicenter distance is known (for example, see Patent Document 1).
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。 Specifically, in the technology disclosed in
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。 In the technique disclosed in
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性があり、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。
However, were the technique disclosed in
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、及びプログラムを提供することにある。 An example of the object of the present invention is to solve the above problem, to stably calculate the epicenter distance, and to shorten the calculation time, an epicenter distance estimation device, an epicenter distance estimation method, and a program Is to provide.
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。To achieve the above object, an epicenter distance estimation device according to one aspect of the present invention includes:
An earthquake information acquisition unit for acquiring waveform data of the generated earthquake;
An estimation processing unit that estimates the epicenter distance by 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,
It is characterized by having.
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。To achieve the above object, the epicenter distance estimation method according to one aspect of the present invention includes:
(A) acquiring waveform data of the earthquake that occurred;
(B) estimating the epicenter distance by 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;
Characterized by having
更に、上記目的を達成するため、本発明の一側面におけるプログラムは、
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、ことを特徴とする。
Furthermore, in order to achieve the above object, a program according to one aspect of the present invention includes:
On the computer,
(A) acquiring waveform data of the earthquake that occurred;
(B) estimating the epicenter distance by 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;
Ru is running, characterized in that.
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。 As described above, according to the present invention, the calculation of the epicenter distance can be performed stably, and the calculation time can be reduced.
（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。(Embodiment 1)
Hereinafter, an epicenter distance estimation device, an epicenter distance estimation method, and a program according to
［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。[Device configuration]
First, a schematic configuration of the epicenter distance estimation device according to the first embodiment will be described with reference to FIG. FIG. 1 is a block diagram illustrating a schematic configuration of the epicenter distance estimation device according to the first embodiment of the present invention.
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。 The epicenter
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。 The earthquake
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。 As described above, in the first embodiment, unlike the related art, since the epicenter distance is estimated without fitting the waveform data to the function, the epicenter distance can be stably calculated. Further, in the first embodiment, since the calculation processing by the least squares method is not necessary, the calculation time can be shortened.
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。 Next, the configuration of the epicenter distance estimation device according to the first embodiment will be described more specifically with reference to FIG. FIG. 2 is a block diagram specifically illustrating a configuration of the epicenter distance estimation device according to the first embodiment of the present invention.
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。 As shown in FIG. 2, in the first embodiment, the epicenter
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。 Further, in the example of FIG. 2, only a single
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。 The integrated
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。 In the first embodiment, the epicenter
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。 As shown in FIG. 2, in the first embodiment, the epicenter
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。 The learning
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。 The
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。 FIG. 3 is a diagram showing an example of input data and correct answer 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 an earthquake observed in the past. The epicenter distance corresponding to each waveform data is the correct answer data. The
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解データは、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。 Further, in the first embodiment, data published by the Japan Meteorological Agency can be used as the correct answer data. The data released by the Japan Meteorological Agency include the epicenter distance and the epicenter element of each observation point, and these are the measurement values (http: //www.data.jma.go .jp / svd / eqev / data / bulletin / deck.html). Further, in the first embodiment, the input data and correct answer data used for learning, and even better in which seismic intensity is calculated from the seismic is the set value (e.g., seismic intensity 4) or more.
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。 In the first embodiment, the
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。
In the first embodiment, “learning” by the
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。 In the first embodiment, the earthquake
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。 In the first embodiment, the
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。 Further, in the first embodiment, the
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。 Further, in the first embodiment, the
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。 Here, the point where the waveform data is obtained is a point where the seismic wave that is the basis of the waveform data is observed. Examples of the spot data include surface ground amplification factor, data indicating the state of the plate, data indicating a volcano existing near the spot where the seismic wave was observed, crustal thickness, lithospheric thickness, and the like. As described above, if the learning model 16 is generated by using the waveform data and the point data as the input data, the accuracy of the estimation process can be improved.
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。 When the point data is used as the learning input data, the earthquake
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。 In addition, the point data may be stored in advance in the
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。 Further, when the point data is used as input data for learning, the
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。 In the first embodiment, the input data and the correct answer data are not limited to the above example. As input data, data other than waveform data and point data may be used. Further, data other than the epicenter distance and the depth of the epicenter may be used as the correct answer data.
［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。[Device operation]
Next, the operation of the epicenter
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。 In the first embodiment, the epicenter
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。 As shown in FIG. 4, first, the learning
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。 Next, the
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）。 As a result of the determination in step A2, if the learning model 16 does not yet exist, the
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。 Specifically, in step A3, the
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。 On the other hand, as a result of the determination in step A2, when the learning model 16 already exists, the
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。 By executing steps A1 to A4, a learning model is created or updated. After that, an estimation process is performed using the created or updated learning model. FIG. 5 is a flowchart showing an operation of the epicenter distance estimating apparatus according to
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）。 As shown in FIG. 5, first, when the waveform data of the generated earthquake is transmitted from the
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。 Next, the earthquake
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）。 Next, the
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。 By performing steps B1 to B3, the epicenter distance and the depth of the epicenter are estimated based on the waveform data acquired from the single
［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。[Effects of First Embodiment]
As described above, according to the first embodiment, the epicenter distance and the epicenter depth are estimated from a single waveform data without fitting the waveform data to the function. In addition, since the estimation process is performed by the learning model 16, the epicenter distance and the epicenter depth are calculated stably and in a short time.
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。 In other words, in the first embodiment, unlike the conventional method disclosed in
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。 Further, as described above, in the present embodiment, the depth of the epicenter can be estimated by a single waveform data, but the technique disclosed in
［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。[Modification 1]
Next, a modification of the first embodiment will be described. First, in the first modification, the
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。 In the first modification, the
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。 In general, the estimation of the epicenter distance and the epicenter depth for an emergency earthquake bulletin is obtained even when the waveform amount of the waveform data is small. For this reason, the waveform data acquired by the earthquake
［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。[Modification 2]
In the second modification, the
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。 In the second modification, the
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。 According to the second modification, the estimation process can be performed in accordance with the characteristics of each observation point without performing learning using the characteristics of each observation point, that is, using the point data. In addition, at an observation point at which input data cannot be sufficiently secured, sufficient learning becomes difficult, so that it is difficult to generate a learning model for such an observation point.
［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。[Modification 3]
In the third modification, the
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。 In the third modification, the
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。 According to the third modification, even if there is an observation point for which input data is not sufficiently secured, an estimation process that matches the characteristics of the observation point can be performed without performing learning using the point data. .
［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。[program]
The program according to the first embodiment may be any program that causes a computer to execute steps A1 to A4 shown in FIG. 4 and steps B1 to B3 shown in FIG. By installing and executing this program on a computer, the epicenter
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。 Further, the program according to the first embodiment may be executed by a computer system configured by a plurality of computers. In this case, each computer may function as one of the earthquake
（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。(Embodiment 2)
Next, an epicenter distance estimation device, an epicenter distance estimation method, and a program according to Embodiment 2 of the present invention will be described with reference to FIGS.
［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。[Device configuration]
First, the configuration of the epicenter distance estimation device according to the second embodiment will be described with reference to FIG. FIG. 6 is a block diagram specifically showing a configuration of the epicenter distance estimation device according to Embodiment 2 of the present invention.
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。 As shown in FIG. 6, the epicenter
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。 The
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。 Specifically, the image conversion process is a process of converting waveform data into image data of an image for displaying the waveform data in a graph. According to the image conversion process, the
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。 The envelope conversion process is a process for making the waveform of the waveform data gentle. By executing the envelope processing, it becomes 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.
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。 The bandpass conversion process is a process that makes a waveform of a specific cycle stand out. According to the band-pass conversion processing, the features of the seismic waves are emphasized, so that the learning model 16 reflecting the features of the seismic waves is generated.
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。 The differential conversion process is a process of differentiating the waveform data and converting the data into acceleration data. Also in the case of the differential transformation processing, the rise characteristic of the seismic wave can be easily specified, so that the learning model 16 reflecting the rise characteristic of the seismic wave is generated.
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。 Further, the Fourier transform process is a process for obtaining a frequency distribution of waveform data. According to the Fourier transform, the difference in the cycle of each waveform data is emphasized, so that the learning model 16 reflecting the cycle of the seismic wave is generated.
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。 The
［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。[Device operation]
Next, the operation of the epicenter
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。 First, the learning process will be described. FIG. 7 is a flowchart showing an operation of the epicenter distance estimating apparatus according to Embodiment 2 of the present invention when performing a learning process.
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。 As shown in FIG. 7, first, the learning
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。 Next, the
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）。 Next, the
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）。 As a result of the determination in step A13, if the learning model 16 does not yet exist, the
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）。 On the other hand, if the result of the determination in step A13 is that the learning model 16 already exists, the
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。 By executing steps A11 to A15, the learning model 16 is created or updated. After that, an estimation process is performed using the created or updated learning model 16. FIG. 8 is a flowchart showing an operation of the epicenter distance estimating apparatus according to Embodiment 2 of the present invention when performing estimation processing.
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）。 As shown in FIG. 8, first, when the waveform data of the generated earthquake is transmitted from the
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。 Next, the earthquake
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。 Next, the
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）。 Next, the
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。 By executing steps B11 to B14, also in the second embodiment, the epicenter distance and the depth of the epicenter are estimated based on the waveform data acquired from the single
［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。[Effects of Second Embodiment]
As described above, in the second embodiment, the preprocessing performed by the
（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。(Physical configuration)
Here, a computer that realizes the epicenter distance estimating apparatus by executing the programs in the first and second embodiments will be described with reference to FIG. FIG. 9 is a block diagram illustrating an example of a computer that realizes the epicenter distance estimation device according to the first and second embodiments of the present invention.
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。 As shown in FIG. 9, the
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。 The
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。 Specific examples of the
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。 The data reader /
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。 Further, specific examples of the
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。 Further, the epicenter
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３０）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。 Some or all of the above-described embodiments can be expressed by the following (Appendix 1) to (Appendix 30 ), but are not limited to the following description.
（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。(Appendix 1)
An earthquake information acquisition unit for acquiring waveform data of the generated earthquake;
An estimation processing unit that estimates the epicenter distance by 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,
An epicenter distance estimation device, comprising:
（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。(Appendix 2)
Further comprising a learning unit for learning the relationship between the waveform data and the epicenter distance using the waveform data of the earthquake as input data and learning the relationship between the epicenter distance of the earthquake as the correct answer data and generating a learning model indicating the learning result;
The estimation processing unit, by applying the acquired waveform data to the learning model generated by the learning unit, to estimate the epicenter distance,
The epicentral distance estimation device according to
（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。(Appendix 3)
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 Produces
The earthquake information acquisition unit, in addition to the waveform data, also acquires the point data of the point where the waveform data of the generated earthquake was obtained,
The estimation processing unit, for the learning model, in addition to the waveform data, also applies the acquired point data, to estimate the epicenter distance,
The epicentral distance estimation device according to attachment 2.
（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。(Appendix 4)
The learning processing unit further learns a relationship between the waveform data, the epicenter distance, and the depth of the epicenter, further using the epicenter depth of the earthquake as the correct answer data, and generates the learning model,
The estimation processing unit estimates the depth of the epicenter in addition to the epicenter distance,
The epicentral distance estimation device according to Supplementary Note 2 or 3.
（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。(Appendix 5)
The learning processing unit constructs a neural network by learning, and uses the neural network as a learning model,
The epicentral distance estimation device according to any one of supplementary notes 2 to 4.
（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。(Appendix 6)
The learning unit generates the learning model for each waveform amount of waveform data serving as input data,
The estimation processing unit calculates the waveform amount of the acquired waveform data, and based on the calculated waveform amount, from among the generated learning models, selects the learning model to be used, and selects the selected learning model. Applying the acquired waveform data to a learning model to estimate the epicenter distance,
The epicenter distance estimating apparatus according to any one of supplementary notes 2 to 5.
（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。(Appendix 7)
The learning unit generates the learning model for each observation point of waveform data serving as input data,
The estimation processing unit specifies an observation point of the acquired waveform data, and based on the specified observation point, from among the generated learning models, selects the learning model to be used, and selects the selected learning model. Applying the acquired waveform data to a learning model to estimate the epicenter distance,
The epicenter distance estimating apparatus according to any one of supplementary notes 2 to 5.
（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。(Appendix 8)
The learning unit generates the learning model for each ground characteristic at an observation point of waveform data serving as input data,
The estimation processing unit specifies the ground characteristics of the observation point of the acquired waveform data, and based on the specified ground characteristics, from among the generated learning models, selects the learning model to be used, To the selected learning model, applying the obtained waveform data, to estimate the epicenter distance,
The epicenter distance estimating apparatus according to any one of supplementary notes 2 to 5.
（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。(Appendix 9)
The learning unit further includes a waveform preprocessing unit that performs preprocessing on the waveform data used as the input data and the waveform data acquired by the earthquake information acquisition unit.
The epicentral distance estimation device according to any one of
（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。(Appendix 10)
The waveform preprocessing unit performs at least one of image conversion processing, envelope conversion processing, bandpass conversion processing, differential conversion processing, and Fourier transform processing as the preprocessing.
The epicentral distance estimation device according to attachment 9.
（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。(Appendix 11)
(A) acquiring waveform data of the earthquake that occurred;
(B) estimating the epicenter distance by 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;
An epicenter distance estimation method, comprising:
（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。(Appendix 12)
(C) using the waveform data of the earthquake as input data, learning the relationship between the waveform data and the epicenter distance using the epicenter distance of the earthquake as correct data, and generating a learning model indicating the learning result,
In the step (b), the acquired waveform data is applied to the learning model generated in the step (c) to estimate an epicenter distance.
An epicenter distance estimation method according to
（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。(Appendix 13)
In the step (c), in addition to the waveform data, point data of a point where the waveform data is obtained is also used as input data to learn the relationship between the waveform data and the point data and the epicenter distance, Generating the learning model,
In the step (a), in addition to the waveform data, the location data of the location where the waveform data of the occurred earthquake is obtained,
(B) estimating the epicenter distance by applying the acquired point data to the learning model in addition to the waveform data;
An epicenter distance estimation method according to
（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。(Appendix 14)
In the step (c), the learning model is generated by further learning the relationship between the waveform data and the epicenter distance and the depth of the epicenter using the epicenter depth of the earthquake as the correct answer data. And
In the step (b), the depth of the epicenter is estimated in addition to the epicenter distance.
An epicenter distance estimation method according to
（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。(Appendix 15)
In the step (c), a neural network is constructed by learning, and the neural network is used as a learning model.
An epicenter distance estimation method according to any one of
（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。(Appendix 16)
In the step (c), the learning model is generated for each waveform amount of waveform data as input data,
In the step (b), a waveform amount of the acquired waveform data is calculated, and the learning model to be used is selected from each of the generated learning models based on the calculated waveform amount. Applying the acquired waveform data to the learning model, and estimating the epicenter distance,
An epicenter distance estimation method according to any one of
（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。(Appendix 17)
In the step (c), the learning model is generated for each observation point of the waveform data serving as input data,
In the step (b), an 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 observation point. Applying the acquired waveform data to the learning model, and estimating the epicenter distance,
An epicenter distance estimation method according to any one of
（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。(Appendix 18)
In the step (c), the learning model is generated for each ground characteristic at an observation point of waveform data serving as input data,
In the step (b), the ground characteristics of the observation point of the acquired waveform data are specified, and the learning model to be used is selected from the generated learning models based on the specified ground characteristics. And applying the acquired waveform data to the selected learning model to estimate the epicenter distance;
An epicenter distance estimation method according to any one of
（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。(Appendix 19)
(D) performing a pre-process on the waveform data used as the input data in the step (c) and the waveform data acquired in the step (a).
An epicenter distance estimation method according to any one of
（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。(Appendix 20)
In the step (d), at least one of an image conversion process, an envelope conversion process, a bandpass conversion process, a differential conversion process, and a Fourier transform process is executed as the preprocessing.
An epicenter distance estimation method according to attachment 19.
（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、プログラム。
(Appendix 21)
On the computer,
(A) acquiring waveform data of the earthquake that occurred;
(B) estimating the epicenter distance by 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;
Ru is the execution, program.
（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に記載のプログラム。
(Appendix 22)
On the computer,
(C) using the waveform data of the earthquake as input data, learning the relationship between the waveform data and the epicenter distance using the epicenter distance of the earthquake as correct data, and generating a learning model indicating the learning result, further executing
In the step (b), the acquired waveform data is applied to the learning model generated in the step (c) to estimate an epicenter distance.
The program according to supplementary note 21.
（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に記載のプログラム。
(Appendix 23)
In the step (c), in addition to the waveform data, point data of a point where the waveform data is obtained is also used as input data to learn the relationship between the waveform data and the point data and the epicenter distance, Generating the learning model,
In the step (a), in addition to the waveform data, the location data of the location where the waveform data of the occurred earthquake is obtained,
(B) estimating the epicenter distance by applying the acquired point data to the learning model in addition to the waveform data;
The program according to supplementary note 22.
（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に記載のプログラム。
(Appendix 24)
In the step (c), the learning model is generated by further learning the relationship between the waveform data and the epicenter distance and the depth of the epicenter using the epicenter depth of the earthquake as the correct answer data. And
In the step (b), the depth of the epicenter is estimated in addition to the epicenter distance.
The program according to Supplementary Note 22 or 23.
（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プログラム。
(Appendix 25)
In the step (c), a neural network is constructed by learning, and the neural network is used as a learning model.
The program according to any one of supplementary notes 22 to 24.
（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プログラム。
(Supplementary Note 26)
In the step (c), the learning model is generated for each waveform amount of waveform data as input data,
In the step (b), a waveform amount of the acquired waveform data is calculated, and the learning model to be used is selected from each of the generated learning models based on the calculated waveform amount. Applying the acquired waveform data to the learning model, and estimating the epicenter distance,
The program according to any one of supplementary notes 22 to 25.
（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プログラム。
(Appendix 27)
In the step (c), the learning model is generated for each observation point of the waveform data serving as input data,
In the step (b), an 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 observation point. Applying the acquired waveform data to the learning model, and estimating the epicenter distance,
The program according to any one of supplementary notes 22 to 25.
（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プログラム。
(Appendix 28)
In the step (c), the learning model is generated for each ground characteristic at an observation point of waveform data serving as input data,
In the step (b), the ground characteristics of the observation point of the acquired waveform data are specified, and the learning model to be used is selected from the generated learning models based on the specified ground characteristics. And applying the acquired waveform data to the selected learning model to estimate the epicenter distance;
The program according to any one of supplementary notes 22 to 25.
（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プログラム。
(Appendix 29)
On the computer,
(D) executing pre-processing on the waveform data used as the input data in the step (c) and the waveform data acquired in the step (a).
The program according to any one of supplementary notes 21 to 28.
（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に記載のプログラム。
(Appendix 30)
In the step (d), at least one of an image conversion process, an envelope conversion process, a bandpass conversion process, a differential conversion process, and a Fourier transform process is executed as the preprocessing.
The program according to supplementary note 29.
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。 Although the present invention has been described with reference to the exemplary embodiments, the present invention is not limited to the above exemplary embodiments. Various changes that can be understood by those skilled in the art can be made to the configuration and details of the present invention within the scope of the present invention.
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。 This application claims priority based on Japanese Patent Application No. 2016-136310 filed on Jul. 8, 2016, the disclosure of which is incorporated herein in its entirety.
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。 As described above, according to the present invention, the calculation of the epicenter distance can be performed stably, and the calculation time can be reduced. INDUSTRIAL APPLICABILITY The present invention is useful for a system that needs to distribute information about an earthquake as soon as possible when an earthquake occurs.
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10 Epicenter distance estimation device (first embodiment)
DESCRIPTION OF
41
112
Claims (10)
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、
前記学習部によって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、
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、
ことを特徴とする震央距離推定装置。 A learning unit for inputting the waveform data of the earthquake as input data, learning the relationship between the waveform data and the epicenter distance as the correct answer data of the epicenter distance of the earthquake, and generating a learning model indicating a learning result;
An earthquake information acquisition unit for acquiring waveform data of the generated earthquake;
An estimation processing unit that estimates the epicenter distance by 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 by the learning unit,
Equipped with a,
The learning unit generates the learning model for each waveform amount of waveform data serving as input data,
The estimation processing unit calculates the waveform amount of the acquired waveform data, and based on the calculated waveform amount, from among the generated learning models, selects the learning model to be used, and selects the selected learning model. Applying the acquired waveform data to a learning model to estimate the epicenter distance,
An epicenter distance estimation device characterized by the following:
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１に記載の震央距離推定装置。 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 Produces
The earthquake information acquisition unit, in addition to the waveform data, also acquires the point data of the point where the waveform data of the generated earthquake was obtained,
The estimation processing unit, for the learning model, in addition to the waveform data, also applies the acquired point data, to estimate the epicenter distance,
The epicenter distance estimation device according to claim 1 .
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１または２に記載の震央距離推定装置。 The learning processing unit further learns a relationship between the waveform data, the epicenter distance, and the depth of the epicenter, further using the epicenter depth of the earthquake as the correct answer data, and generates the learning model,
The estimation processing unit estimates the depth of the epicenter in addition to the epicenter distance,
The epicenter distance estimation device according to claim 1 .
請求項１〜３のいずれかに記載の震央距離推定装置。 The learning processing unit constructs a neural network by learning, and uses the neural network as a learning model,
The epicenter distance estimation device according to claim 1.
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１〜４のいずれかに記載の震央距離推定装置。 The learning unit generates the learning model for each observation point of waveform data serving as input data,
The estimation processing unit specifies an observation point of the acquired waveform data, and based on the specified observation point, from among the generated learning models, selects the learning model to be used, and selects the selected learning model. Applying the acquired waveform data to a learning model to estimate the epicenter distance,
Epicentral distance estimation apparatus according to claim 1.
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１〜４のいずれかに記載の震央距離推定装置。 The learning unit generates the learning model for each ground characteristic at an observation point of waveform data serving as input data,
The estimation processing unit specifies the ground characteristics of the observation point of the acquired waveform data, and based on the specified ground characteristics, from among the generated learning models, selects the learning model to be used, To the selected learning model, applying the obtained waveform data, to estimate the epicenter distance,
Epicentral distance estimation apparatus according to claim 1.
請求項１〜６のいずれかに記載の震央距離推定装置。 The learning unit further includes a waveform preprocessing unit that performs preprocessing on the waveform data used as the input data and the waveform data acquired by the earthquake information acquisition unit.
An epicenter distance estimation device according to any one of claims 1 to 6 .
請求項７に記載の震央距離推定装置。 The waveform preprocessing unit performs at least one of image conversion processing, envelope conversion processing, bandpass conversion processing, differential conversion processing, and Fourier transform processing as the preprocessing.
An epicenter distance estimation device according to claim 7 .
（ｂ）発生した地震の波形データを取得する、ステップと、
（ｃ）前記（ａ）のステップで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、
を有し、
前記（ａ）のステップで、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（ｃ）のステップで、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、
ことを特徴とする震央距離推定方法。 (A) using the waveform data of the earthquake as input data, learning the relationship between the waveform data and the epicenter distance using the epicenter distance of the earthquake as correct data, and generating a learning model indicating the learning result;
( B ) acquiring waveform data of the generated earthquake;
( C ) estimating the epicenter distance by 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 in the step (a). ,
Have a,
In the step (a), the learning model is generated for each waveform amount of waveform data serving as input data;
In the step (c), a waveform amount of the acquired waveform data is calculated, and the learning model to be used is selected from each of the generated learning models based on the calculated waveform amount. Applying the acquired waveform data to the learning model, and estimating the epicenter distance,
An epicenter distance estimation method characterized by the following:
（ａ）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、ステップと、
（ｂ）発生した地震の波形データを取得する、ステップと、
（ｃ）前記（ａ）のステップで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、
前記（ａ）のステップで、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（ｃ）のステップで、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、
プログラム。
On the computer,
(A) using the waveform data of the earthquake as input data, learning the relationship between the waveform data and the epicenter distance using the epicenter distance of the earthquake as correct data, and generating a learning model indicating the learning result;
( B ) acquiring waveform data of the generated earthquake;
( C ) estimating the epicenter distance by 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 in the step (a). ,
Was executed,
In the step (a), the learning model is generated for each waveform amount of waveform data serving as input data;
In the step (c), a waveform amount of the acquired waveform data is calculated, and the learning model to be used is selected from each of the generated learning models based on the calculated waveform amount. Applying the acquired waveform data to the learning model, and estimating the epicenter distance,
program.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2016136310 | 2016-07-08 | ||
| JP2016136310 | 2016-07-08 | ||
| PCT/JP2017/024735 WO2018008708A1 (en) | 2016-07-08 | 2017-07-05 | Epicentral distance estimating device, epicentral distance estimating method, and computer-readable recording medium |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPWO2018008708A1 JPWO2018008708A1 (en) | 2019-04-11 |
| JP6677300B2 true JP6677300B2 (en) | 2020-04-08 |
Family
ID=60912878
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2018526428A Active JP6677300B2 (en) | 2016-07-08 | 2017-07-05 | Epicenter distance estimation device, epicenter distance estimation method, and program |
Country Status (6)
| Country | Link |
|---|---|
| JP (1) | JP6677300B2 (en) |
| CN (1) | CN109416408B (en) |
| PE (1) | PE20190303A1 (en) |
| PH (1) | PH12018502661A1 (en) |
| TW (1) | TWI687711B (en) |
| WO (1) | WO2018008708A1 (en) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7156613B2 (en) * | 2018-10-01 | 2022-10-19 | 東電設計株式会社 | Tsunami prediction device, method and program |
| JP7406828B2 (en) * | 2019-03-26 | 2023-12-28 | 国立研究開発法人海洋研究開発機構 | Earthquake estimation method, earthquake estimation program, and earthquake estimation device |
| CN114222934A (en) | 2019-08-20 | 2022-03-22 | 日本电气株式会社 | Earthquake observation apparatus, earthquake observation method, and recording medium |
| CN111538076B (en) * | 2020-05-13 | 2021-08-03 | 浙江大学 | Earthquake magnitude rapid estimation method based on deep learning feature fusion |
| JP7471924B2 (en) | 2020-06-04 | 2024-04-22 | 清水建設株式会社 | Earthquake motion evaluation model generation method, earthquake motion evaluation model generation device, earthquake motion evaluation method, and earthquake motion evaluation device |
| JP7423427B2 (en) | 2020-06-04 | 2024-01-29 | 清水建設株式会社 | Seismic motion evaluation model generation method, seismic motion evaluation model generation device, seismic motion evaluation method, and seismic motion evaluation device |
| JP7512090B2 (en) | 2020-06-04 | 2024-07-08 | 清水建設株式会社 | Earthquake motion evaluation model generation method, earthquake motion evaluation model generation device, earthquake motion evaluation method, and earthquake motion evaluation device |
| JP7469703B2 (en) | 2020-07-20 | 2024-04-17 | 日本電信電話株式会社 | Prediction method, learning method, prediction device, learning device, prediction program, and learning program |
| JP7512139B2 (en) | 2020-09-14 | 2024-07-08 | 清水建設株式会社 | Earthquake motion evaluation model providing method and earthquake motion evaluation model providing device |
| JP7512151B2 (en) | 2020-09-24 | 2024-07-08 | 清水建設株式会社 | Earthquake motion evaluation model generation method, earthquake motion evaluation model generation device, earthquake motion evaluation method, and earthquake motion evaluation device |
| JP7499137B2 (en) | 2020-10-01 | 2024-06-13 | 清水建設株式会社 | Earthquake phenomena integrated evaluation model generation method, earthquake phenomena integrated evaluation model generation device, earthquake phenomena integrated evaluation method, and earthquake phenomena integrated evaluation device |
| CN114371504B (en) * | 2022-01-11 | 2022-09-02 | 西南交通大学 | Earthquake epicenter position determination method, device, equipment and readable storage medium |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1164533A (en) * | 1997-08-21 | 1999-03-05 | Kajima Corp | Earthquake early detecting system having self-learning function by neural network |
| JP2000242497A (en) * | 1999-02-19 | 2000-09-08 | Fuji Electric Co Ltd | Method for assisting structuring of fuzzy inference model and fuzzy inference method |
| US20060059112A1 (en) * | 2004-08-25 | 2006-03-16 | Jie Cheng | Machine learning with robust estimation, bayesian classification and model stacking |
| JP2006170739A (en) * | 2004-12-15 | 2006-06-29 | Kajima Corp | Earthquake disaster prevention system using urgent earthquake prompt report |
| JP2007071707A (en) * | 2005-09-07 | 2007-03-22 | Taisei Corp | Earthquake motion intensity prediction method and disaster prevention system, using real-time earthquake information |
| JP5591759B2 (en) * | 2011-05-12 | 2014-09-17 | 公益財団法人鉄道総合技術研究所 | Epicenter distance estimation method for single station processing |
| US9465121B2 (en) * | 2011-08-19 | 2016-10-11 | National Applied Research Laboratories | System and method for on-site instant seismic analysis |
| JP5958470B2 (en) * | 2011-08-19 | 2016-08-02 | 日本電気株式会社 | Magnitude estimation device, magnitude estimation method, and program |
| JP5638571B2 (en) * | 2012-06-25 | 2014-12-10 | 株式会社中電シーティーアイ | Method for creating simulated seismic wave, simulated seismic wave creating program, and computer-readable recording medium recording simulated seismic wave creating program |
| TWI444648B (en) * | 2012-09-12 | 2014-07-11 | Nat Applied Res Laboratories | System and method for on-site instant earthquake analysis through artificial neural network |
| CN105223614B (en) * | 2015-09-23 | 2017-06-23 | 中南大学 | A kind of signals and associated noises P ripple first arrival kurtosis pick-up methods based on DWT_STA/LTA |
-
2017
- 2017-07-05 PE PE2019000014A patent/PE20190303A1/en unknown
- 2017-07-05 CN CN201780042233.XA patent/CN109416408B/en active Active
- 2017-07-05 WO PCT/JP2017/024735 patent/WO2018008708A1/en active Application Filing
- 2017-07-05 JP JP2018526428A patent/JP6677300B2/en active Active
- 2017-07-06 TW TW106122623A patent/TWI687711B/en active
-
2018
- 2018-12-17 PH PH12018502661A patent/PH12018502661A1/en unknown
Also Published As
| Publication number | Publication date |
|---|---|
| JPWO2018008708A1 (en) | 2019-04-11 |
| CN109416408B (en) | 2021-04-06 |
| CN109416408A (en) | 2019-03-01 |
| WO2018008708A1 (en) | 2018-01-11 |
| TWI687711B (en) | 2020-03-11 |
| PH12018502661A1 (en) | 2019-10-21 |
| PE20190303A1 (en) | 2019-02-28 |
| TW201812339A (en) | 2018-04-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6677300B2 (en) | Epicenter distance estimation device, epicenter distance estimation method, and program | |
| JP7259969B2 (en) | Seismic observation device, seismic observation method, program, and configuration program | |
| US9473849B2 (en) | Sound source direction estimation apparatus, sound source direction estimation method and computer program product | |
| Brehm et al. | An automatic mode pairing strategy using an enhanced modal assurance criterion based on modal strain energies | |
| JP6237774B2 (en) | Information processing system, information processing method, and program | |
| Li et al. | Damage detection of a continuous bridge from response of a moving vehicle | |
| Aloisio et al. | Assessment of structural interventions using Bayesian updating and subspace-based fault detection methods: The case study of S. Maria di Collemaggio basilica, L’Aquila, Italy | |
| Zhou et al. | Physical parameter identification of structural systems with hysteretic pinching | |
| 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 (en) | Sensor arrangement method for reducing structural modal identification uncertainty | |
| JP2020091543A (en) | Learning device, processing device, neural network, learning method, and program | |
| US20200363287A1 (en) | Damage diagnosing device, damage diagnosing method, and recording medium having damage diagnosing program stored thereon | |
| JP6729577B2 (en) | Signal detecting device, signal detecting method and program | |
| Impraimakis et al. | Input–parameter–state estimation of limited information wind‐excited systems using a sequential Kalman filter | |
| KR101543146B1 (en) | Method for estimating state of vibration machine | |
| US20220187486A1 (en) | Computer system and data processing method | |
| US20200278241A1 (en) | Vibration determination device, vibration determination method, and program | |
| JP7173297B2 (en) | MONITORING SYSTEM, MONITORING DEVICE, MONITORING METHOD, AND PROGRAM | |
| US10572609B2 (en) | Method and apparatus to model objects including particles | |
| Mendrok et al. | Operational modal filter and its applications | |
| Aliev et al. | Algorithms for determining the coefficient of correlation and cross-correlation function between a useful signal and noise of noisy technological parameters | |
| JP7297240B2 (en) | User state estimation device | |
| Pedder et al. | Applications of EOF analysis to the spatial estimation of circulation features in the ocean sampled by high-resolution CTD soundings | |
| JP2021135603A (en) | Determination device, model generation device, determination method and determination program | |
| JP4676920B2 (en) | Signal separation device, signal separation method, signal separation program, and recording medium |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20181210 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20181210 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20191203 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200128 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20200212 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200225 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6677300 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |