JP6677300B2 - 震央距離推定装置、震央距離推定方法、及びプログラム - Google Patents

震央距離推定装置、震央距離推定方法、及びプログラム Download PDF

Info

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
Application number
JP2018526428A
Other languages
English (en)
Other versions
JPWO2018008708A1 (ja
Inventor
直樹 鍬守
直樹 鍬守
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NEC Corp
Original Assignee
NEC Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by NEC Corp filed Critical NEC Corp
Publication of JPWO2018008708A1 publication Critical patent/JPWO2018008708A1/ja
Application granted granted Critical
Publication of JP6677300B2 publication Critical patent/JP6677300B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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。
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）。
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。
Figure 0006677300
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。
特開２００２−２７７５５７号公報
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。
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。
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。
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。
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。
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。
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３は、本実施の形態１において学習に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。
（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。
［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。
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。
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。
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。
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。
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。
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。
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。
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。
［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。
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。
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。
（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。
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。
（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。
（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。
（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。
（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。
（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。
（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。
（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。
（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。
（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。
（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。
（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。
（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。
（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。
（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。
（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。
（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。
（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。
（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。
（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。
（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。
（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。
（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。
（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。
（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。
（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。
（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。
（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。
（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。
（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。
（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。
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

Claims (10)

  1. 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、学習部と、
    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。
  2. 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１に記載の震央距離推定装置。
  3. 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１または２に記載の震央距離推定装置。
  4. 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１〜３のいずれかに記載の震央距離推定装置。
  5. 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１〜４のいずれかに記載の震央距離推定装置。
  6. 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１〜４のいずれかに記載の震央距離推定装置。
  7. 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１〜６のいずれかに記載の震央距離推定装置。
  8. 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７に記載の震央距離推定装置。
  9. （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。
  10. コンピュータに、
    （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。

JP2018526428A 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 Active JP6677300B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2016136310 2016-07-08
JP2016136310 2016-07-08
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

Publications (2)

Publication Number Publication Date
JPWO2018008708A1 JPWO2018008708A1 (ja) 2019-04-11
JP6677300B2 true JP6677300B2 (ja) 2020-04-08

Family

ID=60912878

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018526428A Active 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

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)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
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
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
CN114222934A (zh) 2019-08-20 2022-03-22 日本电气株式会社 地震观测设备、地震观测方法以及记录介质
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
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
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
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
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
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
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

Family Cites Families (11)

* Cited by examiner, † Cited by third party
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
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
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
JP5591759B2 (ja) * 2011-05-12 2014-09-17 公益財団法人鉄道総合技術研究所 単独観測点処理における震央距離推定方法
JP5958470B2 (ja) * 2011-08-19 2016-08-02 日本電気株式会社 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
US9465121B2 (en) * 2011-08-19 2016-10-11 National Applied Research Laboratories System and method for on-site instant seismic analysis
JP5638571B2 (ja) * 2012-06-25 2014-12-10 株式会社中電シーティーアイ 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
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

Also Published As

Publication number Publication date
PE20190303A1 (es) 2019-02-28
TWI687711B (zh) 2020-03-11
WO2018008708A1 (ja) 2018-01-11
CN109416408B (zh) 2021-04-06
CN109416408A (zh) 2019-03-01
PH12018502661A1 (en) 2019-10-21
JPWO2018008708A1 (ja) 2019-04-11
TW201812339A (zh) 2018-04-01

Similar Documents

Publication Publication Date Title
JP6677300B2 (ja) 震央距離推定装置、震央距離推定方法、及びプログラム
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
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
Simoen et al. Uncertainty quantification in the assessment of progressive damage in a 7-story full-scale building slice
JP6237774B2 (ja) 情報処理システム、情報処理方法及びプログラム
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
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
Zhou et al. Physical parameter identification of structural systems with hysteretic pinching
CN108875178B (zh) 用于减小结构模态识别不确定性的传感器布置方法
JP6679166B2 (ja) 安全性診断装置、安全性診断方法及び安全性診断プログラム
JP6729577B2 (ja) 信号検知装置、信号検知方法およびプログラム
US20190178814A1 (en) State assessing device, state assessing method, and storage medium for storing program
Impraimakis et al. Input–parameter–state estimation of limited information wind‐excited systems using a sequential Kalman filter
KR101543146B1 (ko) 진동 장치의 상태 판단 방법
US20200278241A1 (en) Vibration determination device, vibration determination method, and program
US20220205955A1 (en) Identification apparatus, identification method, identification processing program, generation apparatus, generation method, and generation processing 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 (ja) ユーザ状態推定装置
Pedder et al. Applications of EOF analysis to the spatial estimation of circulation features in the ocean sampled by high-resolution CTD soundings
JP4676920B2 (ja) 信号分離装置、信号分離方法、信号分離プログラム及び記録媒体
JP7512096B2 (ja) 健全性評価システム及び健全性評価方法

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