这是订阅内容的预览,通过你所在的机构访问
相关的文章
引用本文的开放获取文章。
利用机器学习对Groningen气田枯竭诱发地震活动进行模型基准测试和预测
计算地球科学开放获取2021年1月3日
利用更简单的深度神经网络模型增强蛋白质骨架角预测
科学报告开放获取2020年11月10日
访问选项
订阅《自然》+
立即在线访问《自然》和其他55种《自然》杂志
29.99美元
每月
订阅期刊
获得1年的完整期刊访问权限
199.00美元
每期仅需3.90美元
所有价格均为净价格。
增值税稍后将在结帐时添加。
税务计算将在结账时完成。
买条
在ReadCube上获得时间限制或全文访问。
32.00美元
所有价格均为净价格。
![](https://media.springernature.com/m312/springer-static/image/art%3A10.1038%2Fs41586-019-1582-8/MediaObjects/41586_2019_1582_Fig1_HTML.png)
![](https://media.springernature.com/m312/springer-static/image/art%3A10.1038%2Fs41586-019-1582-8/MediaObjects/41586_2019_1582_Fig2_HTML.png)
数据可用性
支持本研究结果的数据可从SRCMOD断层破裂目录(http://equake-rc.info/SRCMOD)、国际地震中心地震目录(http://www.isc.ac.uk/iscgem)和DeVries等人。1在https://github.com/phoebemrdevries/Learning-aftershock-location-patterns.
代码的可用性
DeVries等人的原始代码。1可于https://github.com/phoebemrdevries/Learning-aftershock-location-patterns.包含距离滑移特征定义和逻辑回归训练/测试的R代码可根据要求从相应作者处获得。
参考文献
DeVries, P. M. H, Viégas, F., Wattenberg, M. & Meade, B. J.大地震后余震模式的深度学习。自然560, 632-634(2018)。
米德,B. J., DeVries, P. M. R., Faller, J., Viegas, F. & Wattenberg, M.什么比库仑破坏应力更好?标量静态应力触发机制从105主对。地球物理学。卷.44, 11,409-11,416(2017)。
里森伯格,p.a.和琼斯,l.m.加州主震后的地震危险。科学243, 1173-1176(1989)。
里森伯格,p.a.和琼斯,l.m.地震余震:更新。科学265, 1251-1252(1994)。
Gerstenberger, m.c., Wiemer, S, Jones, L. M. & Reasenberg, p.a.加利福尼亚明天地震的实时预报。自然435, 328-331(2005)。
Felzer, K. R. & Brodsky, E. E.余震密度随距离的衰减表明由动态应力触发。自然441, 735-738(2006)。
Richards-Dinger, K., Stein, R. S. & Toda, S.余震密度随距离的衰减并不表明由动态应力触发。自然467, 583-586(2010)。
从主震永久静态应力场的几何运算解释了余震生产力定律。非线性过程。地球物理学.25, 241-250(2018)。
Steacy, S., Gerstenberger, M. Williams, C. Rhoades, D. & Christophersen, A.预测余震率的一种新的混合库仑/统计模型。地球物理学。j . Int.196, 918-923(2014)。
Cattania, C., Hainzl, S., Wang, L., Roth, F. & Enescu, B.基于物理的余震模型中库仑应力不确定性的传播。j .地球物理学。固体地球119, 7846-7864(2014)。
Cattania, C.等。2010-2012年新西兰坎特伯雷地震序列中基于物理的地震活动模型的预测技能。Seismol。卷.89, 1238-1250(2018)。
LeCun, Y., Bengio, Y. & Hinton, G.深度学习。自然521, 436-444(2015)。
Jordan, m.i. & Mitchell, t.m.机器学习:趋势、观点和前景。科学349, 255-260(2015)。
Kong Q.等人。地震学中的机器学习:将数据转化为洞察力。Seismol。卷.90, 3-14 (2019)
Beroza, g.c.余震预测转向人工智能。自然560, 556-557(2018)。
作者信息
作者及隶属关系
贡献
A.M.和M.B.对本研究的设计和分析贡献相同。
相应的作者
道德声明
相互竞争的利益
作者声明没有利益竞争。
额外的信息
出版商的注意施普林格自然对出版的地图和机构从属关系中的管辖权主张保持中立。
权利和权限
关于本文
引用本文
Mignan, A., Broccardo, M.余震预测中的一个神经元与深度学习。自然574, e1-e3(2019)。https://doi.org/10.1038/s41586-019-1582-8
收到了:
接受:
发表:
发行日期:
DOI:https://doi.org/10.1038/s41586-019-1582-8
这篇文章被引用
对余震空间分布预测、特征或模型来说,什么更重要?以中国为例
地震学杂志(2022)
无模板蛋白质结构预测的人工智能技术综述
人工智能评论(2022)
地震预测的结构递归神经网络模型
神经计算及应用(2022)
截断:神经网络约简的一种新方法
神经处理信件(2022)
利用深度学习技术预测即将发生的地震的震级
地球科学信息学(2022)