Generation and Evaluation of Synthetic Low‐Magnitude Earthquake Data Using Auxiliary Classifier GAN
Notice bibliographique
Résumé
Abstract Low‐magnitude earthquakes occur far more frequently than major quakes and often go unnoticed by the public. These tremors rarely cause any damage, yet they play an important role in advancing our understanding of Earth's seismicity. Accurate detection of low‐magnitude earthquakes is crucial to develop complete earthquake catalogs and improve seismic hazard forecasting models. However, conventional detection algorithms such as the short‐time‐average/long‐time‐average (STA/LTA) method struggle to identify these events because of their inherently low signal‐to‐noise ratio (SNR). Additionally, lack of labeled waveforms for low‐magnitude earthquakes further complicates the training of effective deep‐learning models. In this study, we use an Auxiliary Classifier Generative Adversarial Network (AC‐GAN) to produce synthetic yet realistic three‐component waveforms of low‐magnitude earthquakes. The AC‐GAN is trained on fixed‐length (60‐s) waveform segments conditioned by predefined SNR classes. All selected events have magnitudes lower than 3 and are categorized into 10 distinct SNR classes. Our results indicate that the AC‐GAN model generates realistic three‐component waveforms that effectively capture essential characteristics of real seismic signals. To evaluate the quality of these synthetic waveforms, we employ both quantitative and qualitative assessments. Quantitative analysis using Pearson's correlation coefficient yield relatively low correlations (ranging from 0.01 to 0.04); however, correlation values noticeably improve as SNR increases. Qualitatively, a user‐based visual inspection experiment demonstrate remarkable similarities in general seismic features between the synthetic and authentic waveforms. We also test their effectiveness for data augmentation in binary deep‐learning classifier designed for detecting low‐magnitude earthquakes. Our result show improved classification performance with the addition of synthetic data.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».