CN109416408B - 震中距估计装置、震中距估计方法以及计算机可读记录介质 - Google Patents

Abstract

一种震中距估计装置(10)包括：地震信息获取单元(11)，该地震信息获取单元获取与已经发生的地震有关的波形数据；以及估计处理单元(12)，该估计处理单元通过向学习模型应用由此获取的波形数据来估计震中距，该学习模型通过学习与地震有关的多条波形数据与震中距之间的关系而获取。

Description

震中距估计装置、震中距估计方法以及计算机可读记录介质

技术领域

本发明涉及用于在地震发生时估计震中距的震中距估计装置和震中距估计方法，并且还涉及一种其上记录用于实现所述装置和方法的程序的计算机可读记录介质。

背景技术

在地震发生时，必须迅速地指定震中距，以便估计地震烈度以及在各种位置处的主运动(principal motion)的到达时间。通常，震中距基于使用在多个点处提供的地震烈度计所检测的地震烈度来指定。

然而，如果震源位于海洋的底部或位于在地震烈度计的安装密度低的区域中，则获取由多个地震烈度计测量的地震烈度花费太多时间，这引起指定震中距的延迟。因此，近年来已经开发用于仅使用由单个地震烈度计测量的地震烈度来指定震中距的技术。

作为这种技术，存在用于基于以下事实估计震中距的已知技术：“在地震到达时，震源越近，则地震波形数据的上升曲线越陡，并且震源越远，则上升曲线越平缓”(例如，参见专利文献1)。

具体地，根据在专利文献1中公开的技术，由地震烈度计获取的初始地震波形经受使用由下面数学式1表达的函数进行的拟合，其中，“y(t)”表示从地震烈度计获取的时间序列数据的绝对值，“t”表示时间，并且“t＝0”表示地震烈度计检测到地震的时间。在下面的数学式1中，“A”是与初始地震波形的最大振幅有关的参数，并且“B”是与地震波形的初始振幅的时间变化有关的参数。注意，在实际拟合中，基于人类经验和直觉执行操作以向参数A和B应用复杂独立位置属性，这些参数在什么可能影响它们和可能如何影响它们方面是不确定的。

数学式1

y(t)＝Bte^-At

根据在专利文献1中公开的技术，参数A和B使用最小二乘法来获得。在参数B与震中距之间存在相关性，但已知的是，该相关性不受地震的震级影响。因此，通过对参数B与震中距之间的相关性进行公式化，可以基于初始地震波形使用数学式1来指定震中距。根据在专利文献1中公开的技术，可以基于初始地震波形迅速地指定震中距。

现有技术文献的列表

专利文献

专利文献1：JP 2002-277557A

发明内容

本发明要解决的问题

然而，凭借在专利文献1中公开的技术，存在可能以下问题，其中取决于情况可能无法计算出系数A和B，并且可靠性不够高。而且，凭借在专利文献1中公开的技术，还存在难以减少计算震中距所需的时间的另一个问题。

本发明的目标的一个示例是解决上述问题，并且提供使得可以稳定地计算震中距并且减少计算震中距所需的时间的震中距估计装置、震中距估计方法以及计算机可读记录介质。

解决问题的手段

为了实现上述目的，根据本发明的一个方面的震中距估计装置包括：

地震信息获取单元，该地震信息获取单元获取与已经发生的地震有关的波形数据；以及

估计处理单元，该估计处理单元通过向学习模型应用由此获取的波形数据来估计震中距，该学习模型通过学习与地震有关的多条波形数据与震中距之间的关系来获取。

而且，为了实现上述目标，根据本发明的一个方面的震中距估计方法包括：

(a)获取与已经发生的地震有关的波形数据的步骤；以及

(b)通过向学习模型应用由此获取的波形数据来估计震中距的步骤，该学习模型通过学习与地震有关的多条波形数据与震中距之间的关系来获取。

此外，为了实现上述目的，根据本发明的一个方面的计算机可读记录介质为其上记录程序的记录介质，该程序包括指令，这些指令使得计算机执行：

(a)获取与已经发生的地震有关的波形数据的步骤；以及

(b)通过向学习模型应用由此获取的波形数据来估计震中距的步骤，该学习模型通过学习与地震有关的多条波形数据与震中距之间的关系来获取。

本发明的有益效果

如上所述，根据本发明，可以稳定地计算震中距，并且减少计算震中距所需的时间。

附图说明

图1是示出了根据本发明的第一实施例的震中距估计装置的示意配置的框图。

图2是具体示出了根据本发明的第一实施例的震中距估计装置的配置的框图。

图3是示出了第一实施例中用于执行学习的多条输入数据和多条地面实况数据的示例的图示。

图4是示出了根据本发明的第一实施例的震中距估计装置在执行学习处理时的操作的流程图。

图5是示出了根据本发明的第一实施例的震中距估计装置在执行估计处理时的操作的流程图。

图6是具体示出了根据本发明的第二实施例的震中距估计装置的配置的框图。

图7是示出了根据本发明的第二实施例的震中距估计装置在执行学习处理时的操作的流程图。

图8是示出了根据本发明的第二实施例的震中距估计装置在执行估计处理时的操作的流程图。

图9是示出了实现根据本发明的第一或第二实施例的震中距估计装置的计算机的示例的框图。

具体实施方式

第一实施例

以下参照图1至图5描述根据本发明的第一实施例的震中距估计装置、震中距估计方法以及程序。

装置配置

首先，将参照图1描述根据第一实施例的震中距估计装置的示意配置。图1是示出了根据本发明的第一实施例的震中距估计装置的示意配置的框图。

图1所示的根据第一实施例的震中距估计装置10是用于从在地震发生时测量的波形数据估计震中距的装置。如图1所示，震中距估计装置10包括地震信息获取单元11和估计处理单元12。

地震信息获取单元11获取与已经发生的地震有关的波形数据。估计处理单元12通过向学习模型应用由地震信息获取单元11获取的波形数据来估计震中距。学习模型通过学习与地震有关的多条波形数据与震中距之间的关系预先获取。

由此，和关于传统技术不同，利用第一实施例，在不执行波形数据到函数的拟合的情况下来估计震中距。因此，可以稳定地计算震中距。而且，第一实施例无需使用最小二乘法的计算处理，这引起计算时间的减少。

接着，将参照图2更具体地描述根据第一实施例的震中距估计装置的配置。图2是具体示出了根据本发明的第一实施例的震中距估计装置的配置的框图。

如图2所示，在第一实施例中，震中距估计装置10经由网络连接到地震检测装置20和地震现象观测系统30。地震检测装置20提供有地震烈度计。在地震烈度计检测到地震波时，地震检测装置20向震中距估计装置10发送与所检测的地震波有关的波形数据。在第一实施例中，地震检测装置20是地震信息获取单元11从其获取波形数据的装置。

而且，虽然图2中的示例仅示出了单个地震检测装置20，但并不具体限制震中距估计装置10所连接到的地震检测装置20的数目。地震信息获取单元11从其获取波形数据的地震检测装置20可以是它们中的一个。

地震现象观测系统30是日本气象厅所拥有的系统。在地震发生时，地震现象观测系统30计算气象厅震级，并且基于由此计算的气象厅震级预测海啸高度。此外，地震现象观测系统30向各种媒体广播由此计算的气象厅震级和由此预测的海啸高度，以作为地震预警。

在第一实施例中，震中距估计装置10向地震现象观测系统30输入所估计的震中距。因此，地震现象观测系统30使用由震中距估计装置10所估计的震中距来计算气象厅震级并预测海啸高度。

如图2所示，在第一实施例中，震中距估计装置10除了包括上述的地震信息获取单元11和估计处理单元12之外，还包括学习信息获取单元13、学习单元14以及存储单元15。注意，图2示出了震中距估计装置10的示例，并且学习信息获取单元13、学习单元14以及存储单元15可以提供在除了震中距估计装置10之外的装置中。

学习信息获取单元13获取作为在由以下描述的学习单元14所执行的学习中使用的输入数据的多条波形数据、以及作为地面实况数据而且也在学习中使用的震中距，并且将它们输入到学习单元14。注意，并不具体限制从其获取输入数据和地面实况数据的源。

将与地震有关的多条波形数据用作输入数据且将震中距用作地面实况数据，学习单元14学习以下各项之间的关系：多条波形数据；以及与震中距，并且创建示出学习结果的学习模型16。而且，学习单元14将由此生成的学习模型16存储在存储单元15中。

图3是示出了第一实施例中用于执行学习的多条输入数据和多条地面实况数据的示例的图。图3示出了具有不同震中距的多条波形数据。图3所示的波形数据是与在过去观测的地震有关的波形数据。与一条波形数据对应的震中距是用于一条波形数据的地面实况数据。学习单元14将图3所示的多条波形数据用作输入数据并使用震中距用作地面实况数据来进行学习。

而且，在第一实施例中，由气象厅发布的数据可以用作地面实况数据。由气象厅发布的数据包括震中距和各观测点的地震元素，并且它们是可以从由气象厅使用集中式系统所计算的测量值(http://www.data.jma.go.jp/svd/eqev/data/bulletin/deck.html)而获得。此外，在第一实施例中，在学习中使用的多条输入数据和多条地面实况数据优选地从地震烈度大于或等于预设值(例如，地震烈度4)的地震来计算。

而且，在第一实施例中，学习单元14可以通过机器学习构建神经网络，从而生成神经网络来作为学习模型16。具体地，关于包括输入层、中间层以及输出层的分层神经网络，学习单元14使用输入数据和地面实况数据来调节彼此相邻的层的节点之间的连接权重值，由此生成学习模型。

在第一实施例中，由学习单元14执行的“学习”是指所谓的“机器学习”。此外，由学习单元14执行的“学习”不限于上述使用神经网络的深度学习，而是可以是使用逻辑回归的学习、使用支持向量机的学习、使用决策树的学习、异构混合学习等。

在第一实施例中，地震信息获取单元11从单个地震检测装置20接收与已经发生的地震有关的波形数据。而且，地震信息获取单元11向估计处理单元12发送由此接收的波形数据。

在第一实施例中，估计处理单元12访问存储单元15，以获取学习模型16，并且通过向由此获取的学习模型16应用从学习信息获取单元13接收的波形数据来估计震中距。

在第一实施例中，学习单元14还可以将地震的震源的深度用作地面实况数据，并且学习以下各项之间的关系：多条波形数据；以及震中距和震源的深度，以生成学习模型16。如果情况是这样，则除了震中距之外，估计处理单元12还可以估计震源的深度。

此外，在第一实施例中，除了多条波形数据之外，学习单元14还可以使用与位置相关的多条位置数据用作输入数据，在所述位置处已经获取所述多条波形数据。如果情况是这样，则学习单元14学习以下各项之间的关系：多条波形数据和多条位置数据；以及震中距(或震中距和震源的深度)，以生成学习模型16。

这里，已经获取波形数据的位置是指已经观测到作为波形数据的基础的地震波的位置。位置数据的示例包括地表下土体放大率、示出板块状态的数据、指定在已经观测到地震波的位置附近的火山的数据、地壳厚度以及岩石圈厚度。这样，可以通过将两种数据(即，多条波形数据和多条位置数据)作为输入数据用于生成学习模型16来提高估计处理的准确度。

如果多条位置数据被用作用于学习的输入数据，则除了与已经发生的地震有关的波形数据之外，地震信息获取单元11还获取与已经获取波形数据的位置有关的位置数据，即与提供地震检测装置20的位置有关的位置数据。

多条位置数据还可以针对地震检测装置20分别存储在存储单元15中。在该模式下，每当地震信息获取单元11获取波形数据时，地震信息获取单元11从存储单元15获取与波形数据对应的位置数据。位置数据还可以连同波形数据一起从地震检测装置20发送。在该模式下，地震信息获取单元11将位置数据连同波形数据一起获取。

此外，如果多条位置数据被用作用于学习的输入数据，则估计处理单元12向由学习单元14生成的学习模型16应用已经获取的波形数据和位置数据，由此估计震中距(或震中距和震源的深度)。

注意，在第一实施例中，输入数据和地面实况数据不限于上述示例。除了多条波形数据或多条位置数据之外的数据也可以用作输入数据。而且，除了震中距或震源的深度之外的数据也可以用作地面实况数据。

装置操作

接着，将参照图4和图5描述根据第一实施例的震中距估计装置10的操作。在以下描述中，还酌情参考图1至图3。在第一实施例中，通过操作震中距估计装置10来执行震中距估计方法。因此，震中距估计装置10的操作的以下描述代替根据第一实施例的震中距估计方法的描述。

在第一实施例中，震中距估计装置10主要执行学习处理和估计处理。首先，将描述学习处理。图4是示出了根据本发明的第一实施例的震中距估计装置在执行学习处理时的操作的流程图。

如图4所示，首先，学习信息获取单元13获取输入数据和地面实况数据(步骤A1)。具体地，在步骤A1中，除了多条波形数据之外，学习信息获取单元13还获取多条位置数据作为输入数据，并且除了震中距之外，还获取震源的深度作为地面实况数据。

接着，学习单元14确定学习模型16是否已经存在(步骤A2)。具体地，学习单元14确定学习模型16是否存储在存储单元15中。

如果在步骤A2中确定学习模型16尚未存在，则学习单元14学习以下各项之间的关系：多条波形数据和多条位置数据；以及震中距和震源的深度，并且新生成指示学习结果的学习模型16(步骤A3)。

具体地，在步骤A3中，学习单元14通过学习构建神经网络，从而创建神经网络作为学习模型16。而且，学习单元14将由此创建的学习模型16存储在存储单元15中。

另一方面，如果在步骤A2中确定学习模型16已经存在，则学习单元14使用在步骤A1中获取的输入数据和地面实况数据更新现有学习模型16(步骤A4)。具体地，学习单元14使用在步骤A1中获取的输入数据和地面实况数据更新节点之间的连接权重值。

通过执行步骤A1至A4创建或更新学习模型。其后，使用由此创建或更新的学习模型来执行估计处理。图5是示出了根据本发明的第一实施例的震中距估计装置在执行估计处理时的操作的流程图。

如图5所示，首先，在从地震检测装置20发送与已经发生的地震有关的波形数据时，地震信息获取单元11接收由此发送的波形数据(步骤B1)。

接着，地震信息获取单元11从存储单元15获取与提供已经发送波形数据的地震检测装置20的位置有关的位置数据(步骤B2)。注意，如果位置数据连同波形数据一起来发送，则地震信息获取单元11接收由此发送的位置数据。

接着，估计处理单元12通过向通过图4所示的学习处理创建或更新的学习模型16应用在步骤B1中接收的波形数据和在步骤B2中获取的位置数据，来估计震中距和震源的深度(步骤B3)。

震中距和震源的深度通过执行步骤B1至B3而基于从单个地震检测装置20获取的波形数据来估计。

由第一实施例实现的效果

如上所述，根据第一实施例，可以在不执行波形数据到函数的拟合的情况下，基于单条波形数据来估计震中距和震源的深度。而且，估计处理由学习模型16来执行，因此可以在短时间内稳定地计算震中距和震源的深度。

换言之，与在专利文献1中公开的传统方法不同，第一实施例使得不必手动执行向参数应用独立复杂位置属性的操作，这些参数在什么可能影响它们和可能如何影响它们方面不确定。根据第一实施例，准确至足以使用的信息可以仅通过使用目标波形数据和机器学习来获取。根据第一实施例的震中距估计装置10可以安装在大量位置和大量区域中。

而且，如上所述，根据本实施例，可以使用单条波形数据估计震源的深度。然而，凭借在上述专利文献1中公开的技术，则无法估计震源的深度。在要使用在上述专利文献1中公开的技术时，必须获取使用多个地震烈度计得到的测量结果来测量震源的深度。

变形例1

接着，将描述第一实施例的变形例。首先，在第一变形例中，学习单元14针对每个预设波形量而生成学习模型16。具体地，波形量由从地震发生的时间开始逝去的时间段来表达。因此，每当预设时间段逝去时，学习单元14从由学习信息获取单元13获取的波形数据中切割与已逝去时间段对应的波形数据，并且将由此切割的波形数据用作输入数据来通过执行学习而生成学习模型16。由此，针对每个波形量生成学习模型16。

而且，在第一变形例中，估计处理单元12计算与已经发生的地震有关的波形数据的波形量，并且基于由此计算的波形量从已经生成的多个学习模型16当中选择要使用的学习模型。其后，估计处理单元12通过向由此选择的学习模型16应用已经发生的地震的波形数据来估计震中距(或震中距和震源的深度)。

通常，即使波形数据的波形量小，也可以估计用于地震预警的震中距和震源的深度。因此，由地震信息获取单元11获取的波形数据不是必须不变的，并且存在由于用于生成学习模型的波形数据的波形量与关于已经发生的地震的波形数据的波形量之间的失配而产生的估计准确度劣化的可能性。然而，根据第一实施例，学习模型16根据与已经发生的地震有关的波形数据的波形量来选择，因此可以避免前面提及的估计准确度劣化。

变形例2

在第二变形例中，学习单元14分别针对作为输入数据的多条波形数据的观测点生成学习模型16。具体地，学习单元14仅使用此处获取的波形数据来针对各地震检测装置(各地震烈度计)生成学习模型16。

而且，在第二变形例中，估计处理单元12指定与已经发生的地震有关的波形数据的观测点(即，从其发送波形数据的地震检测装置20)，并且基于由此指定的观测点从已经生成的多个学习模型16当中选择要使用的学习模型。其后，估计处理单元12通过向由此选择的学习模型16应用已经发生的地震的波形数据来估计震中距(或震中距和震源的深度)。

根据第二变形例，可以在不执行使用各观测点的特性(即，位置数据)的学习的情况下，执行适于观测点的特性的估计处理。注意，难以在可用输入数据不足情况下在观测点处执行充分的学习，因此难以对于这种观测点生成学习模型。

变形例3

在第三变形例中，学习单元14分别针对作为输入数据的多条波形数据的观测点的地面特性来生成学习模型16。具体地，设想根据诸如土体放大率的地面特性(位置数据的值)将观测点(地震检测装置20)分类成组。如果情况是这样，则学习单元14仅使用由各组获取的波形数据来生成用于每个组的学习模型16。

而且，在第三变形例中，估计处理单元12指定与已经发生的地震有关的波形数据的观测点的地面特性，并且基于由此指定的地面特性从已经生成的多个学习模型16当中选择要使用的学习模型。其后，估计处理单元12通过向由此选择的学习模型16应用已经发生的地震的波形数据来估计震中距(或震中距和震源的深度)。

根据第三变形例，即使存在输入数据未被充分获取的观测点，也可以在不执行使用位置数据进行学习的情况下执行适于该观测点的特性的估计处理。

程序

根据第一实施例的程序可以是使得计算机执行图4所示的步骤A1至A4以及图5所示的步骤B1至B3的程序。通过将这种程序安装到计算机并执行程序，可以实现根据第一实施例的震中距估计装置10和震中距估计方法。如果情况是这样，则计算机的CPU(中央处理单元)起到地震信息获取单元11、估计处理单元12、学习信息获取单元13以及学习单元14的作用，并且执行处理。

而且，根据第一实施例的程序可以由计算机系统来执行，该计算机系统由多个计算机构成。如果情况是这样，则各计算机可以起地震信息获取单元11、估计处理单元12、学习信息获取单元13以及学习单元14中的任意一个的作用。而且，存储单元15可以建立在除了要执行根据本实施例的程序的计算机之外的计算机中。

第二实施例

接着，以下参照图6至图8描述根据本发明的第二实施例的震中距估计装置、震中距估计方法以及程序。

装置配置

首先，将参照图6描述根据第二实施例的震中距估计装置的配置。图6是具体示出了根据本发明的第二实施例的震中距估计装置的配置的框图。

如图6所示，根据第二实施例的震中距估计装置40包括波形预处理单元41，并且在该点与根据图1和图2所示的第一实施例的震中距估计装置10不同。以下主要描述与第一实施例不同的点。

波形预处理单元41对由学习单元14用作输入数据的多条波形数据、以及由地震信息获取单元11获取的波形数据执行预处理。预处理的示例包括图像变换处理、包络变换处、带通变换处理、差分变换处理以及傅里叶变换处理。

具体地，图像变换处理被执行为将波形数据变换成表达波形数据的图的图像数据。图像变换处理允许学习单元14基于图像数据执行学习。因此，设想图像变换处理促进学习处理。

包络变换处理被执行为使由波形数据表达的波形平滑。包络变换处理使得更容易指定地震波的上升特性。因此，生成反映地震波的上升特性的学习模型16。

带通变换处理被执行为强调特定周期的波形。带通变换处理强调地震波的特性。因此，生成反映地震波的特性的学习模型16。

差分变换处理被执行为对波形数据进行差分，以将其变换成加速度数据。差分变换处理也使得更容易指定地震波的上升特性。因此，生成反映地震波的上升特性的学习模型16。

傅里叶变换处理被执行为获得波形数据的频率分布。傅里叶变换处理强调多条波形数据的周期之间的差。因此，生成反映地震波的周期的学习模型16。

波形预处理单元41可以执行图像变换处理、包络变换处理、带通变换处理、差分变换处理以及傅里叶变换处理中的任意一个或两个或更多个。

装置操作

接着，将参照图7和图8描述根据第二实施例的震中距估计装置40的操作。在以下描述中，还酌情参考图1至图6。在第二实施例中，通过操作震中距估计装置40来执行震中距估计方法。因此，震中距估计装置40的操作的以下描述代替根据第二实施例的震中距估计方法的描述。

首先，将描述学习处理。图7是示出了根据本发明的第二实施例的震中距估计装置在执行学习处理时的操作的流程图。

如图7所示，首先，学习信息获取单元13获取输入数据和地面实况数据(步骤A11)。学习信息获取单元13还向波形预处理单元41输入由此获取的数据。

接着，波形预处理单元41对在步骤A11所获取的输入数据中包括的多条波形数据执行预处理(步骤A12)。其后，波形预处理单元41向学习单元14输入已经经受预处理的多条波形数据、其他多条输入数据(多条位置数据)以及多条地面实况数据。

接着，学习单元14确定学习模型16是否已经存在(步骤A13)。

如果在步骤A13中确定学习模型16尚未存在，则学习单元14学习以下各项之间的关系：多条波形数据和多条位置数据；以及震中距和震源的深度，并且新生成指示学习结果的学习模型16(步骤A14)。

另一方面，如果在步骤A13中确定学习模型16已经存在，则学习单元14使用输入数据和地面实况数据更新现有学习模型16(步骤A15)。

通过执行步骤A11至A15来创建或更新学习模型16。其后，使用由此创建或更新的学习模型16执行估计处理。图8是示出了根据本发明的第二实施例的震中距估计装置在执行估计处理时的操作的流程图。

如图8所示，首先，在从地震检测装置20发送与已经发生的地震有关的波形数据时，地震信息获取单元11接收由此发送的波形数据(步骤B11)。

接着，地震信息获取单元11从存储单元15获取与提供已经发送波形数据的地震检测装置20的位置有关的位置数据(步骤B12)。注意，如果位置数据连同波形数据一起被发送，则地震信息获取单元11接收由此发送的位置数据。

接着，波形预处理单元41对在步骤B11中接收的波形数据执行预处理(步骤B13)。其后，波形预处理单元41向估计处理单元12输入已经经受预处理的波形数据以及位置数据。

接着，估计处理单元12通过向通过图7所示的学习处理而创建或更新的学习模型16应用在步骤B13中经受预处理的波形数据和在步骤B12中获取的位置数据，来估计震中距和震源的深度(步骤B14)。

在第二实施例中，与第一实施例中相同，震中距和震源的深度是通过执行步骤B11至B14而基于从单个地震检测装置20获取的波形数据来估计的。

由第二实施例实现的效果

如上所述，在第二实施例中，由波形预处理单元41执行的预处理减少要用于学习的波形数据中的噪音，并且强调波形数据的特性。因此，根据第二实施例，可以提高学习模型的准确度，因此提高估计准确度。

物理配置

下文中，将参照图9描述通过执行根据第一或第二实施例的程序来实现震中距估计装置的计算机。图9是示出了实现根据本发明的第一或第二实施例的震中距估计装置的计算机的示例的框图。

如图9所示，计算机110包括CPU 111、主存储器112、存储设备113、输入接口114、显示控制器115、数据读/写器116、以及通信接口117。这些单元经由总线121连接，以便能够与彼此执行数据通信。

CPU 111将在存储装置113中存储的、根据本发明的实施例的程序(代码)加载到主存储器112，并且通过按预定顺序执行代码来进行各种算术运算。主存储器112通常是易失性存储设备，诸如DRAM(动态随机存取存储器)。根据本实施例的程序以被存储在计算机可读记录介质120中的状态来提供。注意，根据本实施例的程序可以分布在经由通信接口117连接的因特网上。

存储设备113的具体示例包括硬盘驱动器、以及诸如闪存的半导体存储设备。输入接口114作为数据在CPU 111与诸如键盘或鼠标的输入设备118之间的传递的媒介。显示控制器115连接到显示设备119，并且控制显示设备119上的显示。

数据读/写器116作为数据在CPU 111与记录介质120之间的传递的媒介，从记录介质120读出程序，并且将由计算机110获得的处理结果写到记录介质120。通信接口117作为数据在CPU 111与另一个计算机之间的传递的媒介。

记录介质120的具体示例包括通用半导体记录装置(诸如CF(紧凑式闪存(注册商标))或SD(安全数字))、磁记录介质(诸如可折叠磁盘)、以及光记录介质(诸如CD-ROM(光盘只读存储器))。

根据第一和第二实施例的震中距估计装置10和40可以通过使用与独立单元对应的多个硬件来实现，而不是通过使用安装程序的计算机来实现。此外，震中距估计装置10和40的部分可以使用程序来实现，并且剩余部分可以使用硬件来实现。

上述实施例中的一部分或全部可以由下面描述的补充注释1至30来实现，但本发明不限于以下描述。

补充注释1

一种震中距估计装置，包括：

地震信息获取单元，该地震信息获取单元获取与已经发生的地震有关的波形数据；以及

估计处理单元，该估计处理单元通过向学习模型应用由此获取的波形数据来估计震中距，该学习模型通过学习与地震有关的多条波形数据与震中距之间的关系来获取。

补充注释2

根据补充注释1所述的震中距估计装置，还包括：

学习单元，该学习单元将与地震有关的多条波形数据用作输入数据，并且将地震的震中距用作地面实况数据，以学习多条波形数据与震中距之间的关系，从而生成示出学习结果的学习模型，

其中估计处理单元通过向由学习单元生成的学习模型应用所获取的波形数据来估计震中距。

补充注释3

根据补充注释2所述的震中距估计装置，

其中除了多条波形数据之外，学习单元还将与已经获取波形数据的位置有关的多条位置数据用作输入数据，来学习以下各项之间的关系：多条波形数据和多条位置数据；以及震中距，从而生成学习模型，

除了波形数据之外，地震信息获取单元还获取与位置有关的位置数据，在该位置处已经获取与已经发生的地震有关的波形数据，并且

估计处理单元通过除了波形数据之外还向学习模型应用由此获取的位置数据来估计震中距。

补充注释4

根据补充注释2或3所述的震中距估计装置，

其中学习处理单元另外将地震的震源的深度用作地面实况数据，来学习以下各项之间的关系：多条波形数据；以及震中距和震源的深度，从而生成学习模型，并且

除了震中距之外，估计处理单元还估计震源的深度。

补充注释5

根据补充注释2至4中的任一项所述的震中距估计装置，

其中学习处理单元通过学习构建神经网络，从而生成神经网络来作为学习模型。

补充注释6

根据补充注释2至5中的任一项所述的震中距估计装置，

其中学习单元分别针对作为输入数据的多条波形数据的波形量生成学习模型，并且

估计处理单元计算所获取的波形数据的波形量，基于由此计算的波形量从由此生成的学习模型当中选择要使用的学习模型，并且通过向由此选择的学习模型应用所获取的波形数据来估计震中距。

补充注释7

根据补充注释2至5中的任一项所述的震中距估计装置，

其中学习单元分别针对作为输入数据的多条波形数据的观测点生成学习模型，并且

估计处理单元指定所获取的波形数据的观测点，基于由此指定的观测点从由此生成的学习模型当中选择要使用的学习模型，并且通过向由此选择的学习模型应用所获取的波形数据来估计震中距。

补充注释8

根据补充注释2至5中的任一项所述的震中距估计装置，

其中学习单元分别针对作为输入数据的多条波形数据的观测点的地面特性生成学习模型，并且

估计处理单元指定所获取的波形数据的观测点的地面特性，基于由此指定的地面特性从由此生成的学习模型当中选择要使用的学习模型，并且通过向由此选择的学习模型应用所获取的波形数据来估计震中距。

补充注释9

根据补充注释1至8中的任一项所述的震中距估计装置，还包括：

波形预处理单元，该波形预处理单元对由学习单元用作输入数据的多条波形数据、以及由地震信息获取单元获取的波形数据执行预处理。

补充注释10

根据补充注释9所述的震中距估计装置，

其中波形预处理单元执行图像变换处理、包络变换处理、带通变换处理、差分变换处理以及傅里叶变换处理中的至少一个来作为预处理。

补充注释11

一种震中距估计方法，包括：

(a)获取与已经发生的地震有关的波形数据的步骤；以及

(b)通过向学习模型应用由此获取的波形数据来估计震中距的步骤，该学习模型通过学习与地震有关的多条波形数据与震中距之间的关系来获取。

补充注释12

根据补充注释11所述的震中距估计方法，还包括：

(c)将与地震有关的多条波形数据用作输入数据并且将地震的震中距用作地面实况数据以学习多条波形数据与震中距之间的关系的步骤，从而生成示出学习结果的学习模型，

其中在步骤(b)中，震中距通过向在步骤(c)中生成的学习模型应用所获取的波形数据来估计。

补充注释13

根据补充注释12所述的震中距估计方法，

其中在步骤(c)中，除了多条波形数据之外，还将与已经获取多条波形数据的位置有关的位置数据用作输入数据，来学习以下各项之间的关系：波形数据和位置数据；以及震中距，从而生成学习模型，

在步骤(a)中，除了波形数据之外，还获取与位置有关的位置数据，在该位置处已经获取与已经发生的地震有关的波形数据，并且

在步骤(b)中，通过除了波形数据之外还向学习模型应用由此获取的位置数据来估计震中距。

补充注释14

根据补充注释12或13所述的震中距估计方法，

其中在步骤(c)中，另外将地震的震源的深度用作地面实况数据，来学习以下各项之间的关系：多条波形数据；以及震中距和震源的深度，从而生成学习模型，并且

在步骤(b)中，除了震中距之外，还估计震源的深度。

补充注释15

根据补充注释12至14中的任一项所述的震中距估计方法，

其中在步骤(c)中，通过学习构建神经网络，并由此生成神经网络来作为学习模型。

补充注释16

根据补充注释12至15中的任一项所述的震中距估计方法，

其中，在步骤(c)中，分别针对作为输入数据的多条波形数据的波形量生成学习模型，并且

在步骤(b)中，计算所获取的波形数据的波形量，基于由此计算的波形量从由此生成的学习模型当中选择要使用的学习模型，并且通过向由此选择的学习模型应用所获取的波形数据来估计震中距。

补充注释17

根据补充注释12至15中的任一项所述的震中距估计方法，

其中在步骤(c)中，分别针对作为输入数据的多条波形数据的观测点生成学习模型，并且

在步骤(b)中指定所获取的波形数据的观测点，基于由此指定的观测点从由此生成的学习模型当中选择要使用的学习模型，并且通过向由此选择的学习模型应用所获取的波形数据来估计震中距。

补充注释18

根据补充注释12至15中的任一项所述的震中距估计方法，

其中在步骤(c)中，分别针对作为输入数据的多条波形数据的观测点的地面特性生成学习模型，并且

在步骤(b)中指定所获取的波形数据的观测点的地面特性，基于由此指定的地面特性从由此生成的学习模型当中选择要使用的学习模型，并且通过向由此选择的学习模型应用所获取的波形数据来估计震中距。

补充注释19

根据补充注释11至18中的任一项的震中距估计方法，还包括：

(d)对在步骤(c)中用作输入数据的波形数据、以及在步骤(a)中获取的波形数据执行预处理的步骤。

补充注释20

根据补充注释19所述的震中距估计方法，

其中在步骤(d)中，执行图像变换处理、包络变换处理、带通变换处理、差分变换处理以及傅里叶变换处理中的至少一个来作为预处理。

补充注释21

一种其上记录程序的计算机可读记录介质，所述程序包括指令，这些指令使得计算机执行：

(a)获取与已经发生的地震有关的波形数据的步骤；以及

(b)通过向学习模型应用由此获取的波形数据来估计震中距的步骤，该学习模型通过学习与地震有关的多条波形数据与震中距之间的关系来获取。

补充注释22

根据补充注释21所述的计算机可读记录介质，还使得计算机执行：

(c)将与地震有关的多条波形数据用作输入数据并且将地震的震中距用作地面实况数据以多条学习波形数据与震中距之间的关系的步骤，从而生成示出学习结果的学习模型，

其中在步骤(b)中，震中距通过向在步骤(c)中生成的学习模型应用所获取的波形数据来估计。

补充注释23

根据补充注释22所述的计算机可读记录介质，

其中在步骤(c)中，除了多条波形数据之外，还将与已经获取波形数据的位置有关的位置数据用作输入数据，来学习以下各项之间的关系：多条波形数据和多条位置数据；以及震中距，从而生成学习模型，

在步骤(a)中，除了波形数据之外，还获取与位置有关的位置数据，在该位置处已经获取与已经发生的地震有关的波形数据，并且

在步骤(b)中，通过除了波形数据之外还向学习模型应用由此获取的位置数据来估计震中距。

补充注释24

根据补充注释22或23所述的计算机可读记录介质，

其中在步骤(c)中，另外将地震的震源的深度用作地面实况数据，来学习以下各项之间的关系：多条波形数据；以及震中距和震源的深度，从而生成学习模型，并且

在步骤(b)中，除了震中距之外还估计震源的深度。

补充注释25

根据补充注释22至24中的任一项所述的计算机可读记录介质，

其中在步骤(c)中，通过学习构建神经网络，由此生成神经网络来作为学习模型。

补充注释26

根据补充注释22至25中的任一项所述的计算机可读记录介质，

其中在步骤(c)中，分别针对作为输入数据的多条波形数据的波形量生成学习模型，并且

在步骤(b)中，计算所获取的波形数据的波形量，基于由此计算的波形量从由此生成的学习模型当中选择要使用的学习模型，并且通过向由此选择的学习模型应用所获取的波形数据来估计震中距。

补充注释27

根据补充注释22至25中的任一项所述的计算机可读记录介质，

其中在步骤(c)中，分别针对作为输入数据的多条波形数据的观测点生成学习模型，并且

在步骤(b)中，指定所获取的波形数据的观测点，基于由此指定的观测点从由此生成的学习模型当中选择要使用的学习模型，并且通过向由此选择的学习模型应用所获取的波形数据来估计震中距。补充注释28

根据补充注释22至25中的任一项所述的计算机可读记录介质，

其中在步骤(c)中，分别针对作为输入数据的多条波形数据的观测点的地面特性生成学习模型，并且

在步骤(b)中，指定所获取的波形数据的观测点的地面特性，基于由此指定的地面特性从由此生成的学习模型当中选择要使用的学习模型，并且通过向由此选择的学习模型应用所获取的波形数据来估计震中距。

补充注释29

根据补充注释21至28中的任一项所述的计算机可读记录介质，还使得计算机执行以下步骤：

(d)对在步骤(c)中用作输入数据的多条波形数据、以及在步骤(a)中获取的波形数据执行预处理。

补充注释30

根据补充注释29所述的计算机可读记录介质，

其中在步骤(d)中，执行图像变换处理、包络变换处理、带通变换处理、差分变换处理以及傅里叶变换处理中的至少一个来作为预处理。

虽然已经参照上述实施例描述了本发明，但本发明不限于上述实施例。可以在本发明的范围内对本发明的配置和细节进行本领域技术人员可理解的各种修改。

该申请要求2016年7月8日提交的日本专利申请No.2016-136310的优先权，并且此处并入本申请的整个内容。

工业应用性

如上所述，根据本发明，可以稳定地计算震中距，并且减少计算震中距所需的时间。本发明可用于需要在地震发生时尽快广播与地震有关的信息的系统中。

附图标记列表

10 震中距估计装置(第一实施例)

11 地震信息获取单元

12 估计处理单元

13 学习信息获取单元

14 学习单元

15 存储单元

16 学习模型

20 地震检测装置

30 地震现象观测系统

40 震中距估计装置(第二实施例)

41 波形预处理单元

110 计算机

111 CPU

112 主存储器

113 存储设备

114 输入接口

115 显示控制器

116 数据读/写器

117 通信接口

118 输入设备

119 显示设备

120 记录介质

121 总线

Claims (8)

1.一种震中距估计装置，包括：

学习单元，所述学习单元将与地震有关的多条波形数据用作输入数据并且将所述地震的震中距用作地面实况数据，来学习所述多条波形数据与所述震中距之间的关系，从而生成示出学习结果的学习模型；

地震信息获取单元，所述地震信息获取单元获取与已经发生的地震有关的波形数据；以及

估计处理单元，所述估计处理单元通过向学习模型应用所获取的所述波形数据来估计震中距，所述学习模型由所述学习单元通过学习与地震有关的多条波形数据与震中距之间的关系来获取，

每当预设时间段逝去时，所述学习单元从作为输入数据的所述多条波形数据中切割与已逝去的所述时间段对应的波形数据，并且将所切割的所述波形数据用作输入数据，针对在从地震发生的时间开始已逝去时间段来表示的每个波形量而生成所述学习模型，

所述估计处理单元计算所获取的所述波形数据的波形量，基于所计算的波形量从已经生成的所述学习模型当中选择要使用的所述学习模型，并通过向所选择的所述学习模型应用所获取的所述波形数据来估计所述震中距。

2.根据权利要求1所述的震中距估计装置，

其中除了所述多条波形数据之外，所述学习单元还将与已经获取所述多条波形数据的位置有关的多条位置数据用作输入数据，来学习以下各项之间的关系：所述多条波形数据和所述多条位置数据；以及所述震中距，从而生成所述学习模型，

除了所获取的所述波形数据之外，所述地震信息获取单元还获取与位置有关的位置数据，在所述位置处已经获取与已经发生的所述地震有关的所述波形数据，并且

所述估计处理单元通过除了所获取的所述波形数据之外，还向所述学习模型应用所获取的所述位置数据来估计所述震中距。

3.根据权利要求1所述的震中距估计装置，

其中所述学习单元另外将所述地震的震源的深度用作所述地面实况数据，来学习以下各项之间的关系：所述多条波形数据；以及所述震中距和所述震源的所述深度，从而生成所述学习模型，并且

除了所述震中距之外，所述估计处理单元还估计震源的深度。

4.根据权利要求1所述的震中距估计装置，

其中，所述学习单元通过学习构建神经网络，从而生成所述神经网络来作为所述学习模型。

5.根据权利要求1所述的震中距估计装置，

其中所述学习单元分别针对作为输入数据的多条波形数据的观测点生成学习模型，并且

所述估计处理单元指定所获取的所述波形数据的观测点，基于所指定的所述观测点从所生成的所述学习模型当中选择要使用的学习模型，并且通过向所选择的所述学习模型应用所获取的所述波形数据来估计所述震中距。

6.根据权利要求1所述的震中距估计装置，

其中所述学习单元分别针对作为输入数据的多条波形数据的观测点的地面特性生成学习模型，并且

所述估计处理单元指定所获取的所述波形数据的观测点的地面特性，基于所指定的所述地面特性从所生成的所述学习模型当中选择要使用的学习模型，并且通过向所选择的所述学习模型应用所获取的所述波形数据来估计所述震中距。

7.一种震中距估计方法，包括：

（a）将与地震有关的多条波形数据用作输入数据并且将所述地震的震中距用作地面实况数据，来学习所述多条波形数据与所述震中距之间的关系，从而生成示出学习结果的学习模型的步骤；

（b）获取与已经发生的地震有关的波形数据的步骤；以及

（c）通过向学习模型应用所获取的所述波形数据来估计震中距的步骤，所述学习模型通过在所述步骤（a）中学习与地震有关的多条波形数据与震中距之间的关系来获取，

在所述步骤（a）中，每当预设时间段逝去时，从作为输入数据的所述多条波形数据中切割与已逝去的所述时间段对应的波形数据，并且将所切割的所述波形数据用作输入数据，针对在从地震发生的时间开始已逝去时间段来表示的每个波形量而生成所述学习模型，

在所述步骤（c）中，计算所获取的所述波形数据的波形量，基于所计算的波形量从已经生成的所述学习模型当中选择要使用的所述学习模型，并通过向所选择的所述学习模型应用所获取的所述波形数据来估计所述震中距。

8.一种其上记录程序的计算机可读记录介质，所述程序包括指令，所述指令使得计算机执行：

（a）将与地震有关的多条波形数据用作输入数据并且将所述地震的震中距用作地面实况数据，来学习所述多条波形数据与所述震中距之间的关系，从而生成示出学习结果的学习模型的步骤；

（b）获取与已经发生的地震有关的波形数据的步骤；以及

（c）通过向学习模型应用所获取的所述波形数据来估计震中距的步骤，所述学习模型通过在所述步骤（a）中学习与地震有关的多条波形数据与震中距之间的关系来获取，

在所述步骤（a）中，每当预设时间段逝去时，从作为输入数据的所述多条波形数据中切割与已逝去的所述时间段对应的波形数据，并且将所切割的所述波形数据用作输入数据，针对在从地震发生的时间开始已逝去时间段来表示的每个波形量而生成所述学习模型，

在所述步骤（c）中，计算所获取的所述波形数据的波形量，基于所计算的波形量从已经生成的所述学习模型当中选择要使用的所述学习模型，并通过向所选择的所述学习模型应用所获取的所述波形数据来估计所述震中距。

Images