Hazard and Risk-Based Tsunami Early Warning Algorithms for Ocean Bottom Sensor S-Net System in Tohoku, Japan, Using Sequential Multiple Linear Regression
Notice bibliographique
Résumé
This study presents robust algorithms for tsunami early warning using synthetic tsunami wave data at ocean bottom sensor (OBS) arrays with sequential multiple linear regression. The study focuses on the Tohoku region of Japan, where an S-net OBS system (150 pressure sensors) has been deployed. To calibrate the tsunami early warning system using realistic tsunami wave profiles at the S-net stations, 4000 stochastic tsunami simulations are employed. Forecasting models are built using multiple linear regression together with sequential feature selection based on Akaike Information Criterion and knee-point method to identify sensors that improve the accuracy most significantly. The study considers tsunami wave amplitude at a nearshore location and regional tsunami loss for buildings to develop hazard-based and risk-based tsunami warning algorithms. The models identify an optimal configuration of OBS stations and waiting time for issuing tsunami warnings. The model performance is compared against a base model, which only uses the earthquake magnitude and epicenter location. The result indicates that estimating the tsunami amplitude and loss via S-net improves accuracy. For the hazard-based forecasting, adding six sensors from the S-net improves the accuracy of the estimation most significantly with an optimal waiting time of 3 min. For the risk-based forecasting, a longer waiting time between 5 and 10 min is suitable.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».