Topics

Topics

うなぎセミナー 7/19

うなぎセミナー 7/19

セミナー等

SEMINARS

更新日:2018.07.17

Updated: 2018.07.17

  • 開催場所:京都大学 防災研究所 本館E-232D
  • Place: 京都大学 防災研究所 本館E-232D
  • 開催日時:2018年7月19日(木) 14時00分~
  • Date and Time: 2018年7月19日(木) 14時00分~

今週のセミナーについて連絡いたします。

 

**************♦ うなぎセミナーのご案内 (Unagi-seminar) ♦**************

日時: 7月19日(木)14:00~16:00
場所: 宇治キャンパス本館E棟2階E-232D
   (地震予知研究センター本館セミナー室)

Date and time: 19th July, 14:00 ~ 16:00
Room: E-232D @ Main building
Map: http://www.uji.kyoto-u.ac.jp/campus/map.html

====

[発表者 (Presenter)]
原 将太 (Shota Hara)

[題目 (Title)]
深層学習を用いた地球科学データの解析
Analysis of Earth Science Data using Deep Neural Network

[要旨 (Abstract)]
 人工知能(AI)は,2016年に,Google DeepMind社によって開発されたAlphaGoが世界最強のプロ囲碁棋士に快勝したことで人々に知られるようになった.深層学習(Deep Neural Network)は,上記のAlphaGoにも用いられており,諸分野でも応用研究が進められている.本研究では,観測データ・数理モデルに対する二方向からのアプローチによって深層学習技術の応用を目指す.
 一つ目は,地震波の初動・極性の検出である.自動検出技術はこれまで様々な手法が提案されながらも,S/N比の低いデータに対する初動・極性検出は未だに手動で行われている.本研究では人間による手動の初動・極性検出データを深層学習させ,地震波データの初動・極性の検出を高精度に行うことが可能な予測モデルを開発する.
 二つ目は,地形生成モデルの解析である.地形生成モデルの一つである,A. D. Howard and G. Kerby (1983) の流水侵食モデルでは,侵食速度は流域面積の冪乗と河川の勾配の冪乗に比例する式で定義されているが,実際の地形における冪指数の具体的な数値は分かっていない.そこで,本研究では深層学習を用いた冪指数値の予測モデルを開発し,実際の地形への適用を目指す.
 本発表では,深層学習の原理や先行研究の紹介を行い,今後の研究の道筋を説明する.

====

[発表者 (Presenter)]
藤田萌実 (Megumi FUJITA)

[題目 (Title)]
西南日本におけるETSにより生じる地殻変動の検出
An attempt to detect small crustal deformation caused by ETS in southwest Japan, using GNSS data

[要旨 (Abstract)]
プレート境界域では深部低周波地震(LFE)・深部低周波微動(tremor)とスロースリップイベント(SSE)が同期して繰り返し発生する事例(ETS; Episodic tremor and slip)が数多く報告されている。Frank(2016)は微動発生期間において地表変位の累積を計算してSN比を大きくすることにより、GNSSの生時系列データからは見えない小規模なSSEに伴うシグナルを検出できることを示した。本研究では、Frank(2016)の手法を西南日本に適用し、従来応力蓄積期だと考えられていた期間において、深部低周波地震・微動と同期して生じる小規模な地殻変動の検出を試みた。
今回の発表では、得られた結果を示すほか、先行研究(Sekine et al., (2010)やNishimura et al., (2013))との比較、及び解析した領域ごとの性質に着目した議論も行う。


**************♦ 皆さまのご来聴をお待ちしています ♦**************

今週のセミナーについて連絡いたします。

 

**************♦ うなぎセミナーのご案内 (Unagi-seminar) ♦**************

日時: 7月19日(木)14:00~16:00
場所: 宇治キャンパス本館E棟2階E-232D
   (地震予知研究センター本館セミナー室)

Date and time: 19th July, 14:00 ~ 16:00
Room: E-232D @ Main building
Map: http://www.uji.kyoto-u.ac.jp/campus/map.html

====

[発表者 (Presenter)]
原 将太 (Shota Hara)

[題目 (Title)]
深層学習を用いた地球科学データの解析
Analysis of Earth Science Data using Deep Neural Network

[要旨 (Abstract)]
 人工知能(AI)は,2016年に,Google DeepMind社によって開発されたAlphaGoが世界最強のプロ囲碁棋士に快勝したことで人々に知られるようになった.深層学習(Deep Neural Network)は,上記のAlphaGoにも用いられており,諸分野でも応用研究が進められている.本研究では,観測データ・数理モデルに対する二方向からのアプローチによって深層学習技術の応用を目指す.
 一つ目は,地震波の初動・極性の検出である.自動検出技術はこれまで様々な手法が提案されながらも,S/N比の低いデータに対する初動・極性検出は未だに手動で行われている.本研究では人間による手動の初動・極性検出データを深層学習させ,地震波データの初動・極性の検出を高精度に行うことが可能な予測モデルを開発する.
 二つ目は,地形生成モデルの解析である.地形生成モデルの一つである,A. D. Howard and G. Kerby (1983) の流水侵食モデルでは,侵食速度は流域面積の冪乗と河川の勾配の冪乗に比例する式で定義されているが,実際の地形における冪指数の具体的な数値は分かっていない.そこで,本研究では深層学習を用いた冪指数値の予測モデルを開発し,実際の地形への適用を目指す.
 本発表では,深層学習の原理や先行研究の紹介を行い,今後の研究の道筋を説明する.

====

[発表者 (Presenter)]
藤田萌実 (Megumi FUJITA)

[題目 (Title)]
西南日本におけるETSにより生じる地殻変動の検出
An attempt to detect small crustal deformation caused by ETS in southwest Japan, using GNSS data

[要旨 (Abstract)]
プレート境界域では深部低周波地震(LFE)・深部低周波微動(tremor)とスロースリップイベント(SSE)が同期して繰り返し発生する事例(ETS; Episodic tremor and slip)が数多く報告されている。Frank(2016)は微動発生期間において地表変位の累積を計算してSN比を大きくすることにより、GNSSの生時系列データからは見えない小規模なSSEに伴うシグナルを検出できることを示した。本研究では、Frank(2016)の手法を西南日本に適用し、従来応力蓄積期だと考えられていた期間において、深部低周波地震・微動と同期して生じる小規模な地殻変動の検出を試みた。
今回の発表では、得られた結果を示すほか、先行研究(Sekine et al., (2010)やNishimura et al., (2013))との比較、及び解析した領域ごとの性質に着目した議論も行う。


**************♦ 皆さまのご来聴をお待ちしています ♦**************

トピック一覧に戻る

Back to Topic List