WaveCastNet: Rapid Wavefield Forecasting for Earthquake Early Warning via Deep Sequence to Sequence Learning
Dongwei Lyu, Rie Nakata, Pu Ren, Michael W. Mahoney, Arben Pitarka, Nori Nakata and N. Benjamin Erichson
我们提出了一种新的深度学习模型WaveCastNet来预测高维波场。 WaveCastNet将卷积式长表达存储器架构集成到序列到序列预测框架中,使其能够对空间和时间上的长期依赖和多尺度模式进行建模。 通过跨空间和时间维度共享权重,WaveCastNet比变压器等资源密集型模型需要更少的参数,从而加快推理时间。 至关重要的是,WaveCastNet也比变压器更好地扩展到罕见和关键的地震场景,如高震级地震。 在这里,我们使用来自旧金山湾区的模拟数据,展示了模型实时预测破坏性地面运动的强度和时间的能力。 此外,我们通过在真实地震数据上评估WaveCastNet来证明其零射力。 我们的方法不需要估计地震震级和震中,在常规方法中容易出错的步骤,也不依赖于经验的地面运动模型,这些模型通常无法捕获强烈的异质波传播效应。
We propose a new deep learning model, WaveCastNet, to forecast high-dimensional wavefields. WaveCastNet integrates a convolutional long expressive memory architecture into a sequence-to-sequence forecasting framework, enabling it to model long-term dependencies and multiscale patterns in both space and time. By sharing weights across spatial and temporal dimensions, WaveCastNet requires significantly fewer parameters than more resource-intensive models such as transformers, resulting in faster i...