Por favor, use este identificador para citar o enlazar este ítem:
http://cicese.repositorioinstitucional.mx/jspui/handle/1007/4267| Seismic event location using a single station with a neural-guided mixture model Localización de eventos sísmicos con una estación mediante un modelo probabilístico compuesto guiado por redes neuronales | |
| Cecilia Meneses Ponce | |
| ROBERTO ORTEGA RUIZ | |
| Acceso Abierto | |
| Atribución | |
| Gaussian Mixture Models, ConvNetQuake, EQTransformer, Probabilistic Program ming, Single Station Location, Bayesian Inference, Neural Network Modelos Mixtos Gaussianos, ConvNetQuake, EQTransformer, Programación Probabilística, Localización con Estación Única, Inferencia Bayesiana, Red Neuronal | |
| Gaussian mixture models (GMMs) are a powerful strategy for combining different probabilities to obtain a wide range of solutions. In the context of earthquake location, this thesis proposes using a Gaussian mixture model as an alternative to leverage the results of neural networks as prior states in Bayesian inference. This work develops a mixed architecture integrating two successful neural networks: ConvNetQuake (CNQ) and EQTransformer (EQT). Both networks are capable of detecting seismic events but serve different objectives. ConvNetQuake identifies seismic events in probabilistic regions without pinpointing specific latitude and longitude, while EQTransformer provides precise arrival times. Combined with a three-dimensional (3D) travel time likelihood function these predictions are integrated within a Bayesian framework. In this model, the initial spatial location is represented as a Multivariate Gaussian Mixture Model, with the likelihood function refining the location by utilizing S-P times in a 3D space. The likelihood function employs the Fast Marching Eikonal method with a 3D velocity structure. Experimental validation was conducted using seismic data from the 2019 Ridgecrest earthquake sequence (Mw = 7.1), yielding promising outcomes for single-station earthquake locations. This approach underscores the efficacy of employing a Bayesian model augmented with informed initial priors derived from deep learning algorithms, particularly in scenarios requiring rapid decision-making. Notably, this methodology combines the strengths of deep learning for preliminary estimations with the probabilistic refinement of 3D seismic event location. Los modelos de mezclas gaussianas (MMG) son una estrategia poderosa para combinar diferentes probabilidades y obtener una amplia gama de soluciones. En el contexto de la localización de eventos sísmicos, esta tesis propone el uso de un modelo mixto gaussiano como una alternativa para aprovechar los resultados de redes neuronales como estados previos en una inferencia bayesiana. Este trabajo desarrolla una arquitectura mixta que integra dos redes neuronales exitosas: ConvNetQuake (CNQ) y EQTransformer (EQT). Ambas redes son capaces de detectar eventos sísmicos, pero tienen diferentes objetivos. ConvNetQuake identifica sismos en regiones probabilistas sin precisar latitud y longitud específicas, mientras que EQTransformer proporciona tiempos de arribo precisos. Estas predicciones, combinadas con una función de verosimilitud de tiempos de viaje en tres dimensiones (3D), se integran dentro de un marco bayesiano. En este modelo, la localización espacial inicial se representa como un Modelo de Mixto Gaussiano Multivariado, con la función de verosimilitud refinando la ubicación utilizando los tiempos S −P en un espacio 3D. La función de verosimilitud emplea el método del Eikonal de Fast Marching con una estructura de velocidad en 3D. La validación experimental se realizó utilizando datos sísmicos de la secuencia de terremotos de Ridgecrest en 2019 (Mw = 7.1), lo que arrojó resultados prometedores para la localización de sismos con una sola estación. Este enfoque subraya la eficacia de emplear un modelo bayesiano complementado con estados previos informados derivados de algoritmos de aprendizaje profundo, particularmente en escenarios que requieren una toma de decisiones rápida. Cabe destacar que esta metodología combina las fortalezas del aprendizaje profundo para estimaciones preliminares con el refinamiento probabilístico de la ubicación de eventos sísmicos en 3D. | |
| CICESE | |
| 2025 | |
| Tesis de maestría | |
| Inglés | |
| Meneses Ponce, C. 2025. Seismic event location using a single station with a neural-guided mixture model. Thesis Master in Science. Centro de Investigación Científica y de Educación Superior de Ensenada, Baja California. 94 pp. | |
| FÍSICA DE SUELOS | |
| Aparece en las colecciones: | Tesis - Ciencias de la Tierra |
Cargar archivos:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| tesis_Cecilia Meneses Ponce_2025.pdf | Descripción completa de la tesis | 18.39 MB | Adobe PDF | Visualizar/Abrir |