Fast estimation of earthquake epicenter distance using a single seismological station with machine learning techniques

Abstract

A Support Vector Machine Regression (SVMR) algorithm was applied to calculate the epicenter distance using a ten seconds signal, after primary waves arrive at a seismological station near to Bogota -Colombia. This algorithm was tested with 863 records of earthquakes, where the input parameters were an exponential function of waveform envelope estimated by least squares and maximum value of recorded waveforms for each component of the seismic station. Cross validation was applied to normalized polynomial kernel functions, obtaining mean absolute error for different exponents and complexity parameters. The epicenter distance was estimated with 10.3 kilometers of absolute error, improving the results previously obtained for this hypocentral parameter. The proposed algorithm is easy to implement in hardware and can be employed directly in the field, generating fast decisions at seismological control centers increasing the possibilities of effective reactions.Keywords: earthquake early warning; support vector machine regression; earthquake; rapid response; epicenter distance; seismic event; seismology; Bogota -Colombia.Estimación rápida de la distancia epicentral de un terremoto utilizando registros de una sola estación sismológica, mediante técnicas de aprendizaje de máquinas Resumen Se aplicó un algoritmo de máquinas de vector de soporte para calcular la distancia epicentral utilizando una señal de diez segundos, después del arribo de ondas primarias a una estación sismológica cercana a Bogotá -Colombia. Este algoritmo fue probado con 863 registros de terremotos donde los parámetros de entrada fueron una función exponencial de la envolvente estimada para los mínimos cuadrados y el valor máximo de las formas de ondas registradas en cada componente de la estación sísmica. Validación cruzada fue aplicada a funciones kernel polinomiales normalizadas, obteniendo la media del error absoluto para diferentes exponentes y parámetros de complejidad. La distancia epicentral se estimó con 10.3 kilómetros de error absoluto, mejorando los resultados previamente obtenidos para este parámetro hipocentral. El algoritmo propuesto es fácil de implementar y puede ser empleado directamente en campo, generando decisiones rápidas en centros de control sismológico incrementado posibilidades de tener reacciones efectivas.Palabras clave: alerta temprana de terremotos; máquinas de soporte vectorial; terremoto; respuesta rápida; distancia epicentral; evento sísmico; sismología; Bogotá -Colombia.

A Cloud-IoT Architecture for Latency-Aware Localization in Earthquake Early Warning

“…Recently, Machine Learning (ML)-based approaches to localization have also seen a wider use. While some are based on waveforms detected at different stations or even single stations [31,32], others make use of the wave arrival times to estimate the source of the earthquake in a similar way to some of the previously described methods. Convolutional neural networks [33], attention-based networks [34], and other ML methods [35] have shown good accuracy in determining the epicentral/hypocentral position, with different degrees of spatial resolution; however, to the authors' knowledge, most have either been tested in a vacuum or do not provide figures on their time performance, with the exception of [35], which provides some estimated figures on its implementation in an EW scenario.…”

Inferencias del factor fotoeléctrico (PEF) en registros de pozo con machine learning

“…Grilla de búsqueda del error medio absoluto, con el cual, es posible medir directamente cuanto se desvía la predicción. El error encontrado con los parámetros seleccionados, quiere decir que los valores predichos se estimaron con 0,22 barns/ electrón de error absoluto en el set de entrenamiento (Ochoa et al, 2018). Lo cual puede ser una aproximación, ya que esta tabla no contiene una tendencia central, a diferencia de las otras dos grillas que si la presentan.…”

“…La función clasificadora utilizada es SMOreg con un Normalized Polykernel. Esta técnica también se utiliza para el resto de las predicciones, y se configuró así teniendo en cuenta la asesoría del autor que realizó la estimación de un epicentro utilizando el mismo programa (Ochoa et al, 2018). Los resultados obtenidos para el set de entrenamiento se muestran en la Figura 8.…”

Fast estimation of earthquake arrival azimuth using a single seismological station and machine learning techniques

“…There are several methods to detect seismic wave and its arrival azimuth in a single three-component station (Magotra et al, 1987;Anant & Dowla, 1997); these authors employed algorithms that measure the level of linear polarization in the P wave's arrival. The methodology proposed in this research consists of applying SVMs along with a kernel function in order to estimate the arrival azimuth with minimal processing of data acquired at the station, similar to methodology applied to a fast determination of earthquake magnitude and epicenter distance using a single seismological station (Ochoa et al, 2017;Ochoa et al, 2018).…”