PEGSGraph: A Graph Neural Network for Fast Earthquake Characterization Based on Prompt ElastoGravity Signals
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract State‐of‐the‐art earthquake early warning systems use the early records of seismic waves to estimate the magnitude and location of the seismic source before the shaking and the tsunami strike. Because of the inherent properties of early seismic records, those systems systematically underestimate the magnitude of large events, which results in catastrophic underestimation of the subsequent tsunamis. Prompt elastogravity signals (PEGS) are low‐amplitude, light‐speed signals emitted by earthquakes, which are highly sensitive to both their magnitude and focal mechanism. Detected before traditional seismic waves, PEGS have the potential to produce unsaturated magnitude estimates faster than state‐of‐the‐art systems. Accurate instantaneous tracking of large earthquake magnitude using PEGS has been proven possible through the use of a Convolutional Neural Network (CNN). However, the CNN architecture is sub‐optimal as it does not allow to capture the geometry of the problem. To address this limitation, we design PEGSGraph, a novel deep learning model relying on a Graph Neural Network (GNN) architecture. PEGSGraph accurately estimates the magnitude of synthetic earthquakes down to 7.6–7.7 and determines their focal mechanisms (thrust, strike‐slip or normal faulting) within 70 s of the event's onset, offering crucial information for predicting potential tsunami wave amplitudes. Our comparative analysis on Alaska and Western Canada data shows that PEGSGraph outperforms PEGSNet, providing more reliable rapid magnitude estimates and enhancing tsunami warning reliability.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle