TWI809293B - 地震觀測裝置、地震觀測方法以及記錄地震觀測程式的記錄媒體 - Google Patents

地震觀測裝置、地震觀測方法以及記錄地震觀測程式的記錄媒體 Download PDF

Info

Publication number
TWI809293B
TWI809293B TW109126467A TW109126467A TWI809293B TW I809293 B TWI809293 B TW I809293B TW 109126467 A TW109126467 A TW 109126467A TW 109126467 A TW109126467 A TW 109126467A TW I809293 B TWI809293 B TW I809293B
Authority
TW
Taiwan
Prior art keywords
trigger
earthquake
time
unit
series data
Prior art date
Application number
TW109126467A
Other languages
English (en)
Other versions
TW202111352A (zh
Inventor
樹
高橋成実
中野優
末木健太朗
矢田修一郎
鍬守陽子
Original Assignee
日商日本電氣股份有限公司
國立研究開發法人海洋研究開發機構
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 日商日本電氣股份有限公司, 國立研究開發法人海洋研究開發機構 filed Critical 日商日本電氣股份有限公司
Publication of TW202111352A publication Critical patent/TW202111352A/zh
Application granted granted Critical
Publication of TWI809293B publication Critical patent/TWI809293B/zh

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/01—Measuring or predicting earthquakes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/003—Seismic data acquisition in general, e.g. survey design
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/02—Generating seismic energy
    • G01V1/133—Generating seismic energy using fluidic driving means, e.g. highly pressurised fluids; using implosion
    • G01V1/137—Generating seismic energy using fluidic driving means, e.g. highly pressurised fluids; using implosion which fluid escapes from the generator in a pulsating manner, e.g. for generating bursts, airguns
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/10—Aspects of acoustic signal generation or detection
    • G01V2210/12—Signal generation
    • G01V2210/123—Passive source, e.g. microseismics
    • G01V2210/1232—Earthquakes
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/90—Services for handling of emergency or hazardous situations, e.g. earthquake and tsunami warning systems [ETWS]

Landscapes

  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • Acoustics & Sound (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Geophysics (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)

Abstract

地震觀測裝置，包括：輸入部，受理振動的測量值的時間序列資料的輸入；處理對象決定部，決定做為處理對象的該時間序列資料的時間帶；以及種類判定部，將該時間帶中該時間序列資料所示的該振動的發生原因被分類的似然性，依照該發生原因的每個種類來取得。

Description

地震觀測裝置、地震觀測方法以及記錄地震觀測程式的記錄媒體
本發明係有關於地震觀測裝置、地震觀測方法及記錄地震觀測程式的記錄媒體。
關於地震的檢出，專利文獻1記載了一種振動警報裝置，會進行機械學習來區別發生的振動是地震還是生活振動。這種振動警報裝置從加速度感測器測出的振動的加速度資料算出量測的振動等的特徵量，根據這個特徵量判定發生的振動是地震還是生活振動。為了進行這個判定，這個振動警報裝置會機械學習量測的振動的特徵量以及振動判定結果的關係。
專利文獻1：日本特開2016-156712號公報
在振動的觀測中，不只限於區別發生的振動是地震還是生活振動，也已考量到想要進行其他種類的區別的情況。例如，幾乎同時間觀測到遠地地震及近地地震的情況下，為了求出各自的地震的震源地，必須區別遠地地震的地震波和近地地震的地震波。
本發明的目的是提供一種能夠解決上述問題的地震觀測裝置、地震觀測方法及記錄地震觀測程式的記錄媒體。
根據本發明的第1態樣，地震觀測裝置，包括：輸入部，受理振動的測量值的時間序列資料的輸入；處理對象決定部，決定做為處理對象的該時間序列資料的時間帶；以及種類判定部，將該時間帶中該時間序列資料所示的該振動的發生原因被分類的似然性，依照該發生原因的每個種類來取得。
根據本發明的第2態樣，地震觀測方法，包括：受理振動的測量值的時間序列資料的輸入；決定做為處理對象的該時間序列資料的時間帶；以及將該時間帶中該時間序列資料所示的該振動的發生原因被分類的似然性，依照該發生原因的每個種類來取得。
根據本發明的第3態樣，記錄媒體，記錄地震觀測程式，使電腦執行以下處理：受理振動的測量值的時間序列資料的輸入；決定做為處理對象的該時間序列資料的時間帶；以及將該時間帶中該時間序列資料所示的該振動的發生原因被分類的似然性，依照該發生原因的每個種類來取得。
根據本發明，不只限於區別發生的振動是地震還是生活振動，能夠進行更有彈性的區別。
以下，說明本發明的實施型態。以下的實施型態並不限定於申請專利範圍中的發明。又，實施型態中說明的特徵的組合並非全部都是發明的解決手段所必須。圖1係顯示實施型態的地震觀測裝置的功能架構的例子的方塊圖。如圖1所示，地震觀測裝置100具備通訊部110、記憶部180、控制部190。記憶部180具備模型記憶部181。控制部190具備處理對象決定部191、種類判定部195、判定統合處理部196。處理對象決定部191具備觸發檢出部192、除外觸發判定部193、觸發統合部194。
地震觀測裝置100取得來自於設置在觀測點的地震計等的感測器的感測器測量值，從感測器測量值所示的振動，檢測出與平時的振動不同的振動。地震觀測裝置100將檢測出的振動(顯示該振動的感測器資料)決定為地震觀測中的處理對象，推估該振動的發生原因。地震觀測裝置100例如使用工作站(Workstation)或大型電腦(Mainfame)等的電腦構成。
上述觀測點是用以觀測地震等的搖動的感測器被設置的地點。觀測點也被稱為地震觀測點或震度觀測點。與伴隨日常生活發生的平時的振動不同的振動也稱為觸發(Trigger)。如上述，地震觀測裝置100檢測出與平時的振動不同的振動時，會對該振動進行地震觀測用的處理。因此，與平時的振動不同的振動成為了地震觀測裝置100進行地震觀測用的處理之觸發。判定有無發生與平時的振動不同的振動，也稱為判定觸發。
地震觀測裝置100在檢測出觸發時，會推估該觸發的發生原因(也就是與平時的振動不同的振動的發生原因)的種類。具體來說，地震觀測裝置100針對每個預先設定的振動發生原因的種類，算出該觸發的發生原因被分類到該種類的似然性。例如，可期待在遠地地震及近地地震等，振動發生原因不同的複數的地震幾乎同時間發生的情況下，能夠藉由參照振動發生原因的推估結果，來區別複數的地震，推估每個地震的地震源。振動發生原因(成為振動發生原因的現象)稱為事件(Event)。
1個觀測點也可以設置複數種類的感測器。將感度佳的頻帶不同的複數感測器設置到1個觀測點，地震觀測裝置100能夠在寬頻帶內判定觸發。例如，地震觀測裝置100能夠以相對高的精度在寬頻帶內判定觸發，例如以相對高的精度來判定一般地震的觸發及低頻地震的觸發，在此，一般地震是指比低頻地震頻率高的地震。一般地震這個詞也用於與低頻地震區別。
觀測點也可以設置在海、湖或河川等的水中。這個情況下，觀測點也可以設置水壓計。例如，海底的觀測點也可以設置加速度感測器及水壓計。藉由在水中設置觀測點，地震觀測裝置100對水中也能夠判定觸發。使用水壓計作為感測器，能夠比較容易且高精度地進行P波(Primary Wave)及S波(Secondary Wave)的區別。縱波(疏密波)的P波會在水中傳播，但橫波的S波不會在水中傳播。利用這個性質，能夠將振動計(例如加速度感測器)及水壓計兩方都檢測出的振動判定為P波，將振動計檢測出來但水壓計沒有檢測出來的振動判別為S波。藉此，能夠區別P波及S波。
又，觀測點不只可以設置振動感測器，也可以設置風力感測器等測量氣象資訊的感測器。地震感測器100參照氣象資訊，能夠更高精度判定觸發。例如，海面的風強造成海浪高的情況下，設置於海底的水壓計檢測出波浪的影響造成的水壓變化。在這個情況下，地震觀測裝置100可以參照風力的感測器測量值，使風強的情況下將該場所的海底的水壓計從地震的檢測排出。藉此，能夠減低將風的影響造成的水壓變化錯誤檢測為地震的振動的可能性。
地震檢測裝置100能夠使用來推估地震的震源。圖2係顯示實施型態的地震處理系統1的功能架構的例子的方塊圖。圖2所示的架構中，地震處理系統1具備感測器210、感測器資料收集裝置220、地震處理裝置230、資料伺服器240、海嘯處理裝置250、即時顯示終端裝置261、維護終端裝置262、對話型處理終端裝置263。地震處理裝置230具備接收部231、單獨觀測點觸發處理部232、地震判定部233、相檢測部234、震源推估部235、通知處理部236。地震處理裝置230、海嘯處理裝置250及資料伺服器240例如使用工作站或大型電腦等的電腦構成。
地震處理系統1在地震發生時通知地震快訊。地震處理系統1中，感測器資料收集裝置220會收集設置於觀測點的感測器210所做的測量資料，並發送到地震處理裝置230，然後登錄到資料伺服器裝置240。地震處理裝置230根據感測器210所做的測量資料來判定地震發生的有無。判定地震發生的情況下，地震處理裝置230推估震源(震源地)，將推估結果與來自海嘯處理裝置250的海嘯資訊一起通知到通知目的地。在此的通知目的地可以例如是地震解析的負責人的終端裝置，也可以是電視台等的報導地震資訊的機關。
接收部231從感測器資料收集裝置220接收感測器210所做的測量資料，輸出到後段的各部。單獨觀測點觸發處理部232根據感測器210所做的測量資料，判定每個觀測點的觸發。各個觀測點也稱為單獨觀測點。地震判定部233根據複數的觀測點的觸發的判定結果，判定地震發生的有無。例如，地震判定部233在既定的範圍中包含的觀測點中，判定為起因於地震的觸發的觀測點的比例在既定的比例以上的情況下，判定地震發生。
相檢測部234在地震判定部233判定地震發生的情況下，檢測各相的地震波(例如P波、S波及T波)。檢測方法也可以使用既存的方法。震源推估部235在地震判定部233判定地震發生的情況下，根據相檢測部234的檢測結果來推估震源地。震源地的推估方法也可以使用既存的方法。通知處理部236在地震判定部233判定地震發生的情況下，將震源推估部235推估的震源地、海嘯處理裝置250產生的海嘯資訊，通知給預先決定的通知目的地。
資料伺服器裝置240儲存感測器210所做的測量資料等，有關於地震的觀測的各種資料。又，資料伺服器裝置240儲存地震處理裝置230進行各種處理用的參數值。例如，地震處理裝置230使用機械學習中的已學習模型來進行各部的處理的情況下，資料伺服器裝置240可以儲存機械學習結果的模型參數值。
海嘯處理裝置250在地震判定部233判定地震發生的情況下，推估海嘯有無發生。海嘯處理裝置250推估海嘯有無發生的方法，能夠使用公知的方法。海嘯處理裝置250將顯示海嘯有無發生的推估結果的海嘯資訊發送到通知處理部236。如上述，通知處理部236會統整震源地的資訊及海嘯資訊並通知給通知目的地。
即時顯示終端裝置261即時顯示感測器210所做的測量資料。維護終端裝置262是地震處理系統1的維護用的終端裝置。例如，地震處理系統1的保養作業員使用維護終端裝置262，更新資料伺服器裝置240所儲存的模型參數值。又，地震處理系統1的保養作業員使用維護終端裝置262來確認感測器210各自是否正常動作，因應必要來實施感測器210的維護。
對話型處理終端裝置263針對地震處理系統1的處理中必須用人力處理的部分，以對話形式提示使用者並受理使用者所做的處理。例如，在相檢測部234的檢測上受理使用者的處理的情況下，也可以使對話型處理終端裝置263顯示地震波形等的檢測用的資訊，受理使用者所做的處理。
這個地震處理系統1的架構中，單獨觀測點觸發處理部232對應連結到地震觀測裝置100。可以使地震觀測裝置100來進行單獨觀測點觸發處理部232的處理。在這個情況下，地震處理裝置230作為1個裝置構成，地震觀測裝置100及地震處理裝置230的一部分可以對應連結。或者是，地震處理裝置230可以做為包括地震觀測裝置100的複數的裝置來構成。
地震觀測裝置100(圖1)的通訊部110與其他的裝置進行通訊。例如，通訊部110取得設置於觀測點的地震計等的感測器的測量資料(振動測量值)。特別是，通訊部110以例如每100分之1秒等的既定週期反覆取得振動測量值。藉此，可說是通訊部110受理了振動測量值的時間序列資料的輸入。通訊部110相當於輸入部的例子。通訊部110也可以直接從感測器接收測量資料。或者是，感測器資料收集裝置收集感測器的測量資料並發送到地震觀測裝置100等，通訊部110也可以透過感測器以外的裝置來接收感測器測量資料。
記憶部180儲存各種資料。記憶部180使用地震觀測裝置100所具備的儲存裝置構成。模型記憶部181儲存已學習模型。在此所說的已學習模型是指以機械學習獲得的模型。可以使模型記憶部181儲存針對觸發檢出部192、除外觸發判定部193、觸發統合部194、種類判定部195及判定統合處理部196當中的一部分或全部處理的已學習模型。模型記憶部181儲存獲得機械學習的結果的已學習模型。
例如，模型記憶部181可以將包含參數的模型以及以機械學習獲得的參數值作為已學習模型來儲存。包含參數的模型可以是例如卷積神經網路(Convolutional Neural Network；CNN)等的神經網路，但並不限定於此。
模型記憶部181也可以針對1個功能部儲存複數的已學習模型。例如，觸發檢出部192的處理成為機械學習的對象的情況下，可以使模型記憶部181將觸發檢出部192用來判定觸發的已學習模型，就每個後述的觸發種類來儲存。
控制部190控制地震觀測裝置100的各部並執行各種處理。控制部190的功能會藉由地震觀測裝置100所具備的CPU(Central Processing Unit，中央處理器)從記憶部180讀出程式來執行。處理對象決定部191從振動測量值的時間序列資料(累積來自感測器的振動測量資料的履歷資料)當中決定作為處理對象的時間序列資料的時間帶。具體來說，處理對象決定部191從振動測量值的時間序列資料當中，切出滿足既定的觸發條件的時間帶的部分以作為觸發。然後，處理對象決定部191將同一事件中產生的觸發整合為1個觸發。
觸發檢出部192從單獨觀測點的感測器所做的振動測量資料中判定觸發。可以使觸發檢出部192使用複數的判定方法(因此，使用複數的判定基準)，判定觸發。在這個情況下，將判定基準稱為觸發的種類。也就是，觸發能夠依照使用於該觸發的檢出的每個判定基準來分類。將分類的群組稱為觸發的種類。
以下，將觸發的判定基準被模型化，觸發檢出部192將振動測量資料適用(輸入)到模型來進行觸發的判定的情況作為例子來說明。這個模型稱為觸發模型。然而，觸發模型的形式並不限定於特定的形式。例如，觸發模型也可以用神經網路構成。或者是觸發模型也可以用算式記載。觸發模型可以是機械學習的已學習模型，也可以是以人力產生的模型等的以機械學習以外的方法產生的模型。
觸發檢出部192例如進行以下的一般觸發、異週期觸發、遠地觸發的各個判定。一般觸發是表示一般地震造成的搖晃的觸發。觸發檢出部192將來自作為一般的地震計的感測器的測量資料，輸入到一般觸發用的觸發模型並判定一般觸發。在此，一般的地震計這樣的用語會使用於與廣帶域地震計區別。一般的地震計對於比較高頻的振動的感度高，廣帶域地震計對於比較低的頻率的振動的感度高。一般觸發具有近地構造地震中經常會有的週期及波形的衰減。一般觸發用的觸發模型能夠藉由檢測出這個週期及波形的衰減的特徵，來檢測出一般觸發。
異週期觸發(低頻觸發)是顯示低頻地震造成的搖動的觸發。觸發檢出部192將來自作為廣帶域地震計的感測器的測量資料，輸入到異週期觸發用的觸發模型並判定異週期觸發。遠地觸發是顯示遠地地震造成的搖動的觸發。頻率雖然與異週期觸發相同，但波形與異週期觸發不同。因此，觸發檢出部192將來自作為廣帶域地震計的感測器的測量資料，輸入到遠地觸發用的觸發模型並判定遠地觸發。
觸發檢出部192也可以將來自感測器的測量資料輸入到每個觸發種類的觸發模型，將每個觸發種類的觸發判定結果作為觸發模型的輸出來取得。即時進行觸發的判定的情況下，觸發模型也可以在檢出觸發的發生時輸出「1」，在沒有檢出觸發的發生時輸出「0」等，輸出表示有無觸發發生的訊號。
或者是，來自感測器的測量資料的取得及觸發的判定之間有時間差的情況下，觸發模型也可以將檢測出觸發發生的時間帶輸出。不管在哪一種情況下，藉由觸發模型的輸出會顯示出發生了觸發的時間帶。關於這點，觸發檢出部192的處理相當於將振動的時間序列資料當中發生了觸發的時間帶的資料暫時決定為處理對象的資料。會說是暫時決定，是因為如後所述地觸發統合部194會進行觸發的統合。
觸發檢出部192也可以使用來自感測器的測量資料的原始資料(特別是時間領域的資料)來判定觸發。或者是，觸發檢出部192也可以使用來自感測器的測量資料的跑動頻譜(Running Spectrum)資料來判定觸發。在此所說的跑動頻譜是對來自感測器的測量資料，設置最接近的過去既定時間的窗口(window)，例如一定時間間隔反覆進行窗口內的資料的傅立葉轉換而得到的頻率領域的資料的時間序列資料。廣帶域地震計的資料的跑動頻譜分析中，可以將窗口尺寸取的比起一般的地震計的資料的跑動頻譜的分析的情況還要大等，因應於分析對象的訊號的頻率來決定窗口尺寸。
除外觸發判定部193判定例如海上人工地震及地中上人工地震等的自然地震(自然發生的地震)以外的事件造成的觸發。將這些自然地震以外的事件造成觸發稱之為除外觸發。在此的除外是表示將自然地震的震源地的推估等從自然地震的觀測對象中排除。
海上人工地震是例如對海底進行地中探測而發射空氣槍所產生。在這個情況下，在海底放出空氣，地面(海底面)產生只有下方向的加速度(推)而開始。關於這點，海上人工地震與下方向加速度(推)及上方向的加速度(拉)同時產生而開始的斷層地震不同。又，海上人工地震在海水中發射空氣槍而不傳遞S波。除外觸發判定部193根據海上人工地震的這些特徵而判定海上人工地震造成的觸發。
地中上人工地震例如工程或對地中鑽探等而產生。除外觸發判定部193對於地中上人工地震也根據其波形來判定觸發。除外觸發判定部193判定的觸發在與自然地震造成的觸發的關係上相當於雜訊。如後所述，種類判定部195判定事件的種類時，能夠藉由事件的種類中包含了自然地震以外的事件的種類，來除去雜訊。具體來說，自然地震的觀測的情況下，能夠將振動發生原因被分類到自然地震以外的事件的種類的觸發從處理對象中除去，而將這個觸發作為雜訊除去。除外觸發判定部193判定的觸發，在例如作為公害調查的一環來調查人為的振動的情況下等，能夠使用於自然地震的檢測以外的目的。
除外觸發判定部193所做的觸發的判定、觸發檢出部192所做的觸發的判定除了判定條件不同以外其餘相同。因此，與觸發檢出部192所做的觸發判定的情況相同，可使除外觸發判定部193將來自感測器的振動測量資料適用於觸發模型，進行觸發的判定。這個情況下的觸發模型並不限定於特定的形式的模型這點也與觸發檢出部192的情況相同。又，這個情況下的觸發模型可以是已學習模型，也可以以機械學習以外的方法產生的模型這點，與觸發檢出部192的情況相同。
除外觸發判定部193也可以進一步根據氣象感測器的測量資料等的氣象資訊，除去成為雜訊的觸發。例如，關於地震觀測裝置100也如上所述，除外觸發判定部193也可以參照風力的感測器測量值，在風力強的情況下將該場所的海底的水壓計從地震的檢測中除去。藉此，能夠減低將風的影響所造成的水壓的變化錯誤檢測為地震造成的振動的可能性。除外觸發判定部193相當於除外處理部的例子。
觸發統合部194統合同一觀測點檢出的複數的觸發中起因於相同事件的複數相的觸發。例如，遠地地震的情況下，P波或S波在地中傳播搖晃地表時，也會有更進一步衍生出P波及S波的情況。
圖3係顯示地震波中的後續波的例子。圖3的圖表的橫軸表示時間，縱軸表示振幅。又，圖3中時間的長度參考標準是10分鐘的級距。圖3的地震波的圖表中，顯示了P波及由這個P波衍生出的P波(即PP波)。又，這個圖表中，顯示了S波、由這個S波衍生出的S波(即SS波)、以及由這個SS波衍生出的S波(即SSS波)。又，這個圖式中，顯示了傳播於地表的表面波。
例如，推估震源地時，這樣的後續波(衍生出的PP波、SS波及SSS波)會被視為與先發的地震波(原本的P波及S波)來自於相同的地震，而統合至先發的地震波，根據先發的地震波來推估震源較為妥當。特別是，藉由機械學習觸發檢出部192所做的觸發的判定，能夠檢測出習知以人力來檢測地震波時被雜訊蓋掉而沒有辦法檢測出的後續波。
因此，觸發統合部194將後續波統合至選拔的地震波。關於地震波檢出開始時刻的話，觸發統合部194留下先發的地震波的檢出開始時刻的資訊，刪除後續波的檢出開始時刻的資訊。藉此，例如能夠回避推估震源時使用到後續波的資訊的失誤。圖3的例子的情況下。觸發統合部194將PP波統合到P波，將SS波及SSS波統合到S波。關於地震波檢出開始時刻的話，觸發統合部194留下P波的檢出開始時刻及S波的檢出開始時刻的資訊，刪除PP波的檢出開始時刻、SS波的檢出開始時刻、SSS波的檢出開始時刻。
觸發統合部194也可以統計地判定起因於同一事件的觸發。例如，觸發統合部194也可以根據P波、S波各自的位置(到達觀測點的時刻)、波形、等級(振幅的大小)的統計資料，判定觀測的複數的觸發是否起因於同一事件。
觸發統合部194也可藉由機械學習來判定起因於同一事件的觸發的判定。觸發統合部194例如將包含P波及S波的充分長的振動測量資料作為對模型的輸入資料，使用將P波及S波等起因於同一事件的觸發的人力進行的判定結果作為正解的學習資料，進行有教師學習。觸發統合部194可以使用得到的已學習模型，判定並統合起因於同一事件的觸發。如後所述，地震觀測裝置100也可以進行機械學習。或者是，也可以是地震觀測裝置100以外的裝置進行機械學習，地震觀測裝置100取得機械學習中獲得的已學習模型。
又，觸發統合部194進行SP轉換。SP轉換是正確地修正地震波是S波還是P波的區別的轉換。例如，P波被雜訊覆蓋而無法檢出的情況下，會有S波被錯誤判定為P波的情況。在這個情況下，SP轉換中會將S波的判定轉換成P波的判定。觸發統合部194也可以在起因於上述同一事件的觸發的統合處理中分別判定P波、S波，藉此進行SP轉換。
種類判定部195因應事件的種類來將觸發分類。具體來說，種類判定部195對預先設定的每個事件的種類，算出觸發的事件(振動發生原因)屬於該種類的似然性。藉由種類判定部195分類觸發，在後續的處理中將複數的觸發依每個來自同一地震的觸發分組的情況下，就能夠使用種類判定部195所做的分類結果。
圖4係顯示地震波的觸發的分布的例子。圖4顯示2個地震幾乎同時刻發生的情況的例子，就每個觀測點顯示觸發的事件的種類。因應種類判定度195所做的觸發分類來分組觸發，藉此分組成來自地震1的觸發、來自地震2的觸發。
圖5係顯示每個事件的種類的似然性的例子。圖5的例子中，作為事件的種類，預先設定了「近地地震」、「遠地地震」、「低頻地震」、「人工地震」、「微小地震」及「火山性地震」。種類判定部195針對觸發A、觸發B、觸發C這3個觸發的每一者，就預先決定的事件的每個種類算出似然性(這個觸發的事件被分類到這個種類的似然性)。又，圖5對於每個觸發，會以圓圈圈起最高的似然性。另外，事件的種類並沒有限定於特定者。例如，也可以取代圖5的例子中的「人工地震」，設定「海上人工地震」及「地中上人工地震」。
根據種類判定部195所算出的似然性，如圖4的例子一樣將觸發分組的情況下，種類判定部195也可以將對每個種類算出的似然性作為似然性向量使用，對每個觸發取得似然性向量的相關來進行分組。或者是，也可以根據種類判定部195所算出的似然性的大小，將似然性分組。例如，也可以將各觸發分類到似然性最大的群組。在這個情況下，後述的判定統合處理部196使用修正的似然性，藉此比起直接使用種類判定部195所算出的似然性的情況，能夠更高精度地進行分組。
種類判定部195所進行的處理也與觸發檢出部192所進行的處理相同，能夠視為條件判定所做的分類。種類判定部195所使用的判定基準也與觸發檢出部192所使用的判定基準相同，可以模型化。顯示種類判定部195所使用的判定基準的模型稱為事件模型。事件模型不限定於特定的形式的模型這點，也與觸發模型的情況相同。又，事件模型也可以是已學習模型，也可以是以機械學習以外的方法產生的模型這點，與觸發模型的情況相同。
種類判定部195將觸發依照事件的每個種類分類，藉此能夠作為將複數的觀測點的觸發依每個地震分類的前處理，更粗略地分類。因此，可預期到將複數的觀測點的觸發依每個地震分類時，能夠不混入多餘的觸發，正確地進行地震判定。
判定統合處理部196修正種類判定部195所算出的似然性。根據種類判定部195所算出的似然性將觸發分類成某一事件的種類的方法之一，能夠想到分類到似然性最高的群組的方法。相對於此，地震波的分類中，起因於地震波發生的機制，有時地震波形顯示接近實際的振動發生原因以外的振動發生原因的情況的特徵。
如此一來，會有因為種類判定部195所做的似然性的計算，複數的群組(複數的事件的種類)的似然性被比較高地算出的情況。更進一步，也有比起實際的事件的種類的似然性，其他的種類的似然性被較大地算出的情況。例如，火山性地震的地震波形的特徵及低頻的微小地震的地震波形的特徵相似，所以火山性地震的情況下，會考慮到種類判定部195不只將火山性地震的似然性，也將低頻地震的似然性較高地計算出的情況。在這個情況下，即使低頻地震的似然性被算出比火山性地震的似然性更高，選擇實際的事件之火山性地震的似然性為佳。圖5的例子的情況下，觸發C中，相對於實際事件為火山性地震，低頻地震的似然性為最高的「0.92」。
另一方面，火山性地震的地震波形及低頻的微小地震的地震波形中，頻率成分的特徵不同而能夠區別。因此，低頻地震的情況下，假設種類判定部195將低頻地震的似然性較大地算出，但將火山性地震的似然性較小地算出。因此，判定統合處理部196會修正似然性，使得實際的事件的種類的似然性增高。
圖6係顯示判定統合處理部196使用於似然性的修正的係數的例子。圖6中，以表格形式顯示判定統合處理部196使用於似然性的修正的係數的向量，表的左側所示的事件表示輸入，上側所示的事件表示輸出。因此，依左側所示的每個事件，輸入種類判定部195算出的似然性。將表沿著列方向前進，儲存係數的欄位中，將該系數乘上似然性。其中，空白欄位表示「0」。接著，將表沿著縱向(行方向)前進，將各欄位的值(似然性乘上係數的值)合計，算出修正後的似然性。
使用圖6的係數至圖5的觸發C的似然性的情況下，補正前的低頻地震的似然性是「0.92」，修正後的火山性地震的似然性是「0.91」。修正後的低頻地震的似然性會算出： 1 × 0.92 － 0.5 × 0.91 = 0.465 另一方面，修正後的火山性地震的似然性會算出： 0.7 × 0.92 － 1 × 0.91 = 1.544 相對於修正前低頻地震的似然性最高，修正後，作為實際的事件種類的火山性地震的似然性變高。
關於判定統合處理部196所進行的處理，也可以作為機械學習的對象。或者是，關於判定統合處理部196所進行的處理，也可以以人力產生處理模形等，以機械學習以外的方法來構築處理。將判定統合處理部196所進行的處理作為機械學習的對象的情況下，判定統合處理部196所進行的處理會以行列表示，因此能夠以全結合的單層神經網路來執行。這個神經網路的權重的值也可以以機械學習來決定。
接著，參照圖7來說明地震觀測裝置100的處理。如圖7所示，地震觀測裝置100以以下的步驟S10至步驟S60為止的步驟進行處理。(步驟10)觸發檢出部192進行觸發的判定。具體來說，觸發檢出部192判定一般觸發的判定(步驟S11)、異週期觸發的判定(步驟S12)、遠地觸發的判定(步驟S13)。步驟S10之後，處理移動到步驟S20及S30。地震觀測裝置100也可以平行處理步驟S20及S30。或者是，地震觀測裝置100可以在執行步驟S20的處理後執行S30的處理等，逐次地執行步驟S20的處理及步驟S30的處理。
(步驟S20)除外觸發判定部193進行除外觸發的判定。具體來說，除外觸發判定部193進行海上人工地震的判定(步驟S21)及地中上人工地震的判定(步驟S22)。
(步驟S30)除外觸發判定部193進行雜訊的去除。例如，除外觸發判定部193參照風力的感測器測量值，在風力強的情況下將該場所的海底的水壓計從地震的檢測中除去。步驟S20的處理及步驟S30的處理都結束後，處理前進到步驟S40。
(步驟S40)觸發統合部194進行觸發的統合。具體來說，觸發統合部194統合同一觀測點檢測出的複數的觸發當中起因於同一事件的複數相的觸發(步驟S41)。又，觸發統合部194對於錯誤判定P波及S波的觸發，會修正P波及S波的判定(步驟S42)。步驟S40之後，處理前進到步驟S50。
(步驟S50)種類判定部195判定觸發的事件的種類。具體來說，種類判定部195算出觸發的事件是近地地震的似然性(步驟S51)。又，種類判定部195算出觸發的事件是遠地地震的似然性(步驟S52)。又，種類判定部195算出觸發的事件是人工地震的似然性(步驟S53)。又，種類判定部195算出觸發的事件是低頻地震的似然性(步驟S54)。又，種類判定部195算出觸發的事件是微小地震的似然性(步驟S55)。又，種類判定部195算出觸發的事件是火山性地震的似然性(步驟S56)。步驟S50後，處理進到步驟S60。
(步驟S60)判定統合處理部196修正種類判定部195所算出的似然性。步驟S60之後，地震觀測裝置100結束圖7的處理。
以機械學習產生控制部190的各部的處理的情況下，可以是地震觀測裝置100執行機械學習，也可以是與地震觀測裝置100不同的裝置來實施機械學習。以下，參照圖8，說明與地震觀測裝置100不同的模型產生裝置300執行機械學習的情況。
圖8係顯示實施型態的模型產生裝置的機能架構的例子的概略方塊圖。圖8所示的架構中，模型產生裝置300具備機械學習資料產生部310、觸發學習部321、人工地震學習部322、後續波學習部323、特殊頻率學習部324、特殊相學習部325。模型產生裝置300執行機械學習，產生使用於控制部190的各部的處理的模型。模型產生裝置300例如使用工作站或大型電腦等的電腦來構成。
機械學習資料產生部310產生有教師的機械學習資料。具體來說，機械學習資料產生部310取得地震波形資料來做為對模型的輸入資料。地震波形資料也可以是感測器所做的振動測量資料，也可以是與實測資料不同的例如以模擬等產生的資料。
又，機械學習資料產生部310取得PS檢測結果、觸發判別資料及事件判別資料來作為正解資料。PS檢測結果是對每個地震波形資料，以人力檢測該地震波形資料中的P波及S波的資料。觸發判定資料是顯示對每個地震波形資料，以人力進行該地震波形資料中的觸發判定的結果的資料。事件判別資料是顯示對每個地震波形資料，以人力判定該地震波形資料所示的振動的事件的結果的資料。機械學習資料產生部310就每個學習部(也就是，對觸發學習部321、人工地震學習部322、後續波學習部323、特殊頻率學習部324、特殊相學習部325的各者)，產生組合了輸入資料及正解資料的任意一者的教師資料。
觸發學習部321進行使用觸發模型的機械學習。具體來說，觸發學習部321使用針對通常觸發、異週期觸發、遠地觸發等的每個觸發種類準備的觸發模型(例如，通常觸發模型、異週期觸發模型、遠地觸發模型)，分別進行機械學習並決定模型的參數值(學習參數值)。
觸發學習部321將包括判定觸發已發生的時間以及其前後的時間在內的時間帶的振動測量資料，作為對模型的輸入資料，使用將人力所做的觸發旗標、或者是別的系統所做的觸發旗標當中人判斷為正確者作為正解之學習資料，進行有教師學習。在此所說的觸發旗標是顯示觸發的判定結果(觸發的發生有無的判定結果)的資料。具體來說，觸發旗標是顯示判定觸發已發生的時間的資料。藉由這個機械學習，觸發學習部321設定輸出觸發模型的參數值，使得以振動測量資料作為輸入並輸出觸發旗標。
人工地震學習部322使用人工地震觸發模型進行機械學習，決定模型參數值。作為人工地震觸發模型，可以準備海上人工地震模型、地中上人工地震模型。在這個情況下，人工地震學習部322針對海上人工地震模型、地中上人工地震模型各自進行機械學習，決定模型參數值。或者是，作為人工地震觸發模型，可以準備與海上人工地震模型及地中上人工地震模型共通的人工地震模型。在這個情況下，人工地震學習部322針對這個人工地震模型進行機械學習，決定模型參數值。
人工地震學習部322將人工地震的樣本波形(包含人工地震的振動的資料在內的振動測量資料)作為對模型的輸入，使用將人力所做的觸發旗標作為正解的學習資料來進行有教師學習。在此，觸發旗標是顯示人工地震的觸發的判定結果(有無人工地震造成的觸發發生的判定資料)的資料。需要區別海上人工地震及地中上人工地震的情況下，會對它們分別進行機械處理。藉由這個機械學習，人工地震學習部322設定模型(海上人工地震模型及地中上人工地震模型，或與海上人工地震模型及地中上人工地震模型共通的人工地震模型)的參數值，使得以振動測量資料作為輸入會輸出觸發旗標。
後續波學習部323使用後續波模型進行機械學習，決定模型參數值。後續波模型是接受地震波形資料的輸入，檢測出該資料所示的地震波形中的後續波的模型。後續波學習部323將單獨的地震的振動測量資料(沒有發生同時地震時的振動測量資料)作為對模型的輸入，使用以人力所做的相判定結果為正解的學習資料來進行有教師學習。作為正解而被給予的相判定結果中沒有判定出新的相的情況顯示是後續波。藉由這個機械學習，後續波學習部323設定後續波模型的參數值，使得以振動測量資料為輸入會輸出相判定結果。包含於振動測量資料中的地震波不被判定為新的相的情況顯示是後續波。
特殊頻率學習部324使用特殊週期模型進行機械學習，決定模型參數值。在此，具有與一般地震不同的週期或持續時間的地震會稱為特殊週期地震。因此，特殊週期地震是比一般地震週期更長的地震、比一般地震週期更短的地震、比一般地震持續時間更長的地震、以及比一般地震持續時間更短的地震的總稱。特殊頻率學習部324也可以更對針對上述以外的與一般地震不同的地震進行機械學習。
特殊頻率學習部324將包含特殊週期地震的振動的資料在內的振動測量資料作為輸入，使用將人力所做的觸發旗標為正解的學習資料來做有教師學習。在此，觸發旗標是顯示特殊週期地震的觸發的判定結果(有無特殊週期地震造成的觸發發生的判定結果)的資料。藉由這個機械學習，特殊頻率學習部324設定特殊週期模型的參數值，使得以振動測量資料為輸入會輸出觸發旗標。
藉由使用特殊週期模型來進行觸發判定，能夠減低漏看觸發發生的可能性。又，藉由使用特殊週期模型來進行觸發的判定，能夠檢測出特殊週期地震並收集資料，能夠使獲得的資料有助於特殊週期地震的研究。
特殊相學習部325使用特殊相模型進行機械學習，決定模型參數值。特殊相模型中所謂的特殊相是P相及S相以外的相。特殊相模型接收地震波形資料，檢測出該資料所示的P相及S相以外的相的地震波。特殊相學習部325以包含特殊相的波形在內的振動測量資料為輸入，使用將人力所做的特殊相的檢出結果為正解的學習資料來做有教師學習。藉由這個機械學習，特殊相學習部325設定特殊相模型的參數值，使得以振動測量資料為輸入會輸出特殊相的檢出結果。
特殊相模型使用於觸發的判定。藉由使用特殊相模型來進行觸發判定，能夠減低漏看觸發發生的可能性，以及能夠減低錯誤檢測出觸發的種類的可能性。又，藉由使用特殊相模型來檢出特殊相的波形，能夠收集特殊相的資料，能夠使獲得的資料有助於特殊相的研究。
接著，參照圖9及圖10，說明機械學習所做的地震波的檢出的實驗例。實驗中，以離線對已機械學習的神經網路輸入振動測量資料，判定P波到達時刻及S波到達時刻。圖9是顯示地震波的檢出的第1例。圖9中，顯示使用機械學習結果檢測出P波的第1實驗結果。圖9的表的橫軸表示時刻，縱軸表示振幅等的資料值。線L111顯示上下動的震幅。線L112及L113都顯示水平動的振幅。
線L121、線L122及線L123分別顯示將線L111、線L112及線L113的振動波形通過帶通濾波器而得的波形。線L131顯示使用以機械學習獲得的學習模型所算出的P波的似然性(該時刻是P波的到達時刻之似然性)。線L141顯示P波的似然性為最高的時刻。線L142顯示人力所做的P波的檢測結果。線L141及線L142顯示幾乎相同時間點，可說是藉由機械學習高精度地檢測出P波。
圖10是顯示地震波的檢出的第2例。圖10中，顯示使用機械學習結果檢測出P波的第2實驗結果。圖10的表的橫軸表示時刻，縱軸表示振幅等的資料值。線L211顯示上下動的震幅。線L212及L213都顯示水平動的振幅。
線L221、線L222及線L223分別顯示將線L211、線L212及線L213的振動波形通過帶通濾波器而得的波形。線L231顯示使用以機械學習獲得的學習模型所算出的P波的似然性(該時刻是P波的到達時刻之似然性)。線L241顯示P波的似然性為最高的時刻。線L242顯示人力所做的P波的檢測結果。線L241及線L242顯示幾乎相同時間點，可說是藉由機械學習高精度地檢測出P波。
如圖9及圖10的例子所示，藉由機械學習能夠與人力進行的情況下同樣地判定P波的到來時刻及S波的到來時刻。特別是，即使是人眼難以判定位於哪裡而必須使用帶通濾波器等來進行前處理的情況下，用機械學習的話，不需要這些前處理就能夠進行判定。
如以上所述，通訊部110受理振動測量值的時間序列資料的輸入。處理對象決定部191決定通訊部110所取得的時間序列資料當中作為處理對象的時間帶。種類判定部195針對振動發生原因的每個種類，取得處理對象的時間帶中的時間序列資料所示的振動的發生原因被分類於該種類的似然性。根據地震觀測裝置100，能夠不限於地震與生活振動的區別，而進行更柔軟的分類。例如，能夠參照種類判定部195算出的遠地地震的似然性及近地地震的似然性，來區別遠地地震的地震波及近地地震的地震波。
又，種類判定部195對針對振動發生原因的每個種類設置的已學習模型，使用處理對象的時間帶中的時間序列資料，藉此就振動發生原因(事件)的每個種類取得似然性。根據地震觀測裝置100，藉由使用已學習模型來判定事件的種類，能夠不需要以人力設定每個事件的特徵，而高精度地判定事件的種類。
又，種類判定部195除了分類於自然地震的振動發生原因的似然性以外，也取得自然地震以外的振動發生原因的似然性。將地震觀測裝置100的處理結果使用於自然地震的觀測的情況下，藉由將分類到自然地震以外的事件的觸發從處理對象中除去，能夠將自然地震以外的事件造成的觸發作為雜訊除去。又，能夠將地震觀測裝置100的處理結果使用於人工地震等自然地震以外的事件所造成的振動的觀測。
又，通訊部110接收包含水壓的時間序列資料在內的該時間序列資料的輸入。種類判定部195根據水壓的時間序列資料算出似然性。地震觀測裝置100能夠不只利用地上的觀測點也利用水中的觀測點來觀測振動。又，地震觀測裝置100能夠利用在水中P波傳播但S波不傳播的性質來區別P波及S波。
除外觸發判定部193根據氣象資料，在處理對象的時間帶中的時間序列資料中，將成為雜訊的資料從處理對象中除去。根據地震觀測裝置100，能夠將成為雜訊的資料(例如成為雜訊的觸發)除去，因此能夠高精度地觀測振動。
將地震觀測裝置100的處理自動化，能夠得到例如以下的效果。以解析的解法檢測地震的發生並以人力進行地震波的解析的情況下，無感地震多且每天發生，因此會有人力的解析趕不上的可能性。相對於此，藉由地震觀測裝置100自動進行處理，能夠減輕人的負擔，能夠迴避處理的停滯。
以人力進行地震波的解析的情況下，會產生技術的個人差異造成的震盪。又，以人力進行地震波的解析的情況下，有些複雜的波會讓地震無法發現。相對於此，藉由地震觀測裝置100自動進行處理，能夠消除技術的個人差異造成的震盪。又，因為地震觀測裝置100用與目視的情況不同的處理來檢測出地震波，而存在能夠檢測出人力無法檢測出的地震波的可能性。
又，人力所做的地震波的解析的情況下，會使用觀看振幅的差，檢測出地震到達的時間點來決定相這類的方法。這個方法在雜訊大的時候即使有地震的變化也很難找到。相對於此，地震觀測裝置100例如使用雜訊比較小的頻率來檢測出振動，即使雜訊比較大的情況下也能夠檢測出地震波等的振動。
又，藉由地震觀測裝置100使用機械學習結果進行振動的解析，能夠使用人力無法設定完的特徵來進行解析。因此，地震觀測裝置100能夠更高精度地進行振動的解析。例如，根據地震觀測裝置100，存在能夠檢測到隱藏於雜訊中的人力無法檢測到的微小地震的可能性。
接著，參照圖11及圖12，說明實施型態的架構。圖11顯示最小的架構的實施型態的地震觀測裝置的架構。圖11所示的地震觀測裝置400具備輸入部401、處理對象決定部402、種類判定部403。這個架構中，輸入部401受理振動測量值的時間序列資料的輸入。處理對象決定部402決定時間序列資料中要做為處理對象的時間帶。種類判定部403對振動發生原因的每個種類，取得處理對象的時間帶中的時間序列資料所示的振動的發生原因分類於該種類的似然性。根據地震觀測裝置400，不限於區別發生的振動是地震還是生活振動，能夠進行更有彈性的分類。例如，種類判定部403算出遠地地震的似然性及近地地震的似然性，藉此能夠參照這些似然性，來區別遠地地震的地震波及近地地震的地震波。或者是，地震觀測裝置400也能夠從事件的候補中選擇適當者。
圖12顯示最小的架構的實施型態的地震觀測方法中的處理步驟。圖12的處理包括受理振動測量值的時間序列資料的輸入的之輸入步驟(步驟S101)、決定時間序列資料當中要作為處理對象的時間帶之處理對象決定步驟(步驟S102)、就振動發生原因的每個種類，取得處理對象的時間帶中的時間序列資料所示的振動的發生原因分類於該種類之種類判定步驟(步驟S103)。根據圖12的處理，不限於區別發生的振動是地震還是生活振動，能夠進行更有彈性的分類。例如，在步驟S403，藉由算出遠地地震的似然性及近地地震的似然性，參照這些似然性，能夠區別遠地地震的地震波和近地地震的地震波。
圖13係顯示上述實施型態中至少一實施型態的電腦的架構的概略方塊圖。圖13所示的架構中，電腦700具備CPU(Central Processing Unit)710、主記憶裝置720、補助記憶裝置730、介面740。上述的地震觀測裝置100、地震處理裝置230、模型產生裝置300及地震觀測裝置400當中的任一者以上可以實際安裝於電腦700中。在這個情況下，上述的各處理部的動作以程式的形式儲存於補助記憶裝置730。CPU710將程式從補助記憶裝置730讀出並展開於主記憶裝置720，依照該程式來執行上述處理。又。CPU710依照上述程式，確保主記憶裝置720中有對應上述各記憶部的記憶領域。
地震觀測裝置100實際安裝於電腦700的情況下，控制部190及其各部的動作以程式的形式儲存於補助記憶裝置730。CPU710將程式從補助記憶裝置730讀出並展開於主記憶裝置720，依照該程式來執行控制部190及其各部的處理。又，CPU710依照上述程式，確保主記憶裝置720中有對應記憶部180及其各部的記憶領域。通訊部110所進行的通訊會由具有通訊功能的介面740依照CPU710的控制進行通訊來執行。
地震處理裝置230實際安裝於電腦700的情況下，單獨觀測點觸發處理部232、地震判定部233、相檢測部234、震源推估部235及通知處理部236的各部的動作以程式的形式儲存於補助記憶裝置730。CPU710將程式從補助記憶裝置730讀出並展開於主記憶裝置720，依照該程式來執行各部的處理。接收部231所進行的通訊會由具有通訊功能的介面740依照CPU710的控制進行通訊來執行。
模型產生裝置300實際安裝於電腦700的情況下，機械學習資料產生部310、觸發學習部321、人工地震學習部322、後續波學習部323、特殊頻率學習部324及特殊相學習部325的各部的動作以程式的形式儲存於補助記憶裝置730。CPU710將程式從補助記憶裝置730讀出並展開於主記憶裝置720，依照該程式來執行各部的處理。
地震處理裝置400實際安裝於電腦700的情況下，處理對象決定部402及種類判定部403的各部的動作以程式的形式儲存於補助記憶裝置730。CPU710將程式從補助記憶裝置730讀出並展開於主記憶裝置720，依照該程式來執行各部的處理。輸入部401所進行的資料的取得會由具有通訊功能的介面740依照CPU710的控制進行通訊來執行。
另外，執行地震觀測裝置100、地震處理裝置230、模型產生裝置300及地震觀測裝置400所進行的處理的全部或一部分用的程式可以記錄於電腦可讀取的記錄媒體，使電腦系統讀取記錄於該記錄媒體的程式並執行，藉此執行各部的處理。另外，在此所謂的「電腦系統」包括OS或周邊機器等的硬體。又，「電腦可讀取的記錄媒體」是指可撓性碟片、光磁碟片、ROM、CD-ROM等的可攜帶媒體、內存於電腦系統的硬碟等的記憶裝置。又，上述的程式可以是用以實現上述功能的一部分的程式，也可以是能夠與已經記錄在電腦系統中的程式組合來執行上述的功能的程式。
以上，已參照圖式詳細說明了本發明的實施型態，但具體的架構並不限定於這些實施型態，在不脫離本發明的主旨的範圍的設計等也包含在內。
本申請案主張2019年8月20日於日本提出申請之特願2019-150630號的優先權，其內容將援用於此。
本發明能夠利用於用以觀測發生的振動的裝置，不限定於區別發生的振動是地震還是生活振動，能夠進行更有彈性的區別。
1,230:地震處理系統 100,400:地震觀測裝置 110:通訊部 180:記憶部 181:模型記憶部 190:控制部 191,402:處理對象決定部 192:觸發檢出部 193:除外觸發判定部 194:觸發統合部 195,403:種類判定部 196:判定統合處理部 210:感測器 220:感測資料收集裝置 231:接收部 232:單獨觀測點觸發處理部 233:地震判定部 234:相檢測部 235:震源推估部 236:通知處理部 240:資料伺服器裝置 250:海嘯處理裝置 261:即時顯示終端裝置 262:維護終端裝置 263:對話型處理終端裝置 300:模型產生裝置 310:機械學習資料產生部 321:觸發學習部 322:人工地震學習部 323:後續波學習部 324:特殊頻率學習部 325:特殊相學習部 401:輸入部 700:電腦 710:CPU 720:主記憶裝置 730:補助記憶裝置 740:介面
圖1係顯示實施型態的地震觀測裝置的功能架構的例子的方塊圖。 圖2係顯示實施型態的地震處理系統的功能架構的例子的方塊圖。 圖3係顯示地震波的例子。 圖4係顯示地震波的觸發的分布的例子。 圖5係顯示實施型態的每個事件的似然性的例子的表。 圖6係顯示實施型態的判定統合處理部使用於似然性的修正的係數的例子的表。 圖7係顯示實施型態的地震觀測裝置所進行的處理的步驟的例子。 圖8係顯示實施型態的模型產生裝置的功能架構的例子的方塊圖。 圖9係顯示實施型態的地震波的檢出的第1例。 圖10係顯示實施型態的地震波的檢出的第2例。 圖11係顯示本發明的最小架構的實施型態的地震觀測裝置的方塊圖。 圖12係顯示本發明的最小架構的實施型態的地震觀測方法的處理步驟的流程圖。 圖13係顯示至少一個上述實施型態的電腦的架構的方塊圖。
100:地震觀測裝置
110:通訊部
180:記憶部
181:模型記憶部
190:控制部
191:處理對象決定部
192:觸發檢出部
193:除外觸發判定部
194:觸發統合部
195:種類判定部
196:判定統合處理部

Claims (7)

  1. 一種地震觀測裝置，包括： 輸入部，受理振動的測量值的時間序列資料的輸入； 處理對象決定部，決定做為處理對象的該時間序列資料的時間帶；以及 種類判定部，將該時間帶中該時間序列資料所示的該振動的發生原因被分類的似然性，依照該發生原因的每個種類來取得。
  2. 如請求項1之地震觀測裝置，其中該種類判定部對該發生原因的每個種類設置的已學習模型，使用該時間帶中的該時間序列資料，藉此依照該發生原因的每個種類來取得該似然性。
  3. 如請求項1或2之地震觀測裝置，其中該種類判定部除了取得分類於自然地震的振動的發生原因的似然性外，也取得自然地震以外的振動的發生原因的似然性。
  4. 如請求項1或2之地震觀測裝置，其中該輸入部接收包含水壓的時間序列資料在內的該時間序列資料的輸入，該種類判定部根據該水壓的時間序列資料算出該似然性。
  5. 如請求項1或2之地震觀測裝置，更包括： 除外處理部，根據氣象資料，將該時間帶中的該時間序列資料中成為雜訊的資料，從處理對象排除。
  6. 一種地震觀測方法，包括： 受理振動的測量值的時間序列資料的輸入； 決定做為處理對象的該時間序列資料的時間帶；以及 將該時間帶中該時間序列資料所示的該振動的發生原因被分類的似然性，依照該發生原因的每個種類來取得。
  7. 一種記錄媒體，記錄地震觀測程式，使電腦執行以下處理： 受理振動的測量值的時間序列資料的輸入； 決定做為處理對象的該時間序列資料的時間帶；以及 將該時間帶中該時間序列資料所示的該振動的發生原因被分類的似然性，依照該發生原因的每個種類來取得。
TW109126467A 2019-08-20 2020-08-05 地震觀測裝置、地震觀測方法以及記錄地震觀測程式的記錄媒體 TWI809293B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-150630 2019-08-20
JP2019150630 2019-08-20

Publications (2)

Publication Number Publication Date
TW202111352A TW202111352A (zh) 2021-03-16
TWI809293B true TWI809293B (zh) 2023-07-21

Family

ID=74660863

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109126467A TWI809293B (zh) 2019-08-20 2020-08-05 地震觀測裝置、地震觀測方法以及記錄地震觀測程式的記錄媒體

Country Status (5)

Country Link
US (1) US11906678B2 (zh)
JP (1) JP7216359B2 (zh)
CN (1) CN114270224A (zh)
TW (1) TWI809293B (zh)
WO (1) WO2021033501A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7442404B2 (ja) 2020-07-09 2024-03-04 大成建設株式会社 地震波形処理方法及び地震波形処理システム
KR102286665B1 (ko) * 2020-12-30 2021-08-05 주식회사 나노켐 가스 및 지진 감지기, 이를 이용한 가스 및 지진 원격 모니터링 시스템 및 방법
CN117872474B (zh) * 2024-03-12 2024-05-17 山东省地震局 地震预警台网波形数据质量分析方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5490062A (en) * 1994-05-11 1996-02-06 The Regents Of The University Of California Real-time neural network earthquake profile predictor
JPH1019654A (ja) * 1996-07-03 1998-01-23 Matsushita Electric Ind Co Ltd 感震装置
JP2007198813A (ja) * 2006-01-25 2007-08-09 Matsushita Electric Works Ltd 震度計
CN108021922A (zh) * 2017-12-01 2018-05-11 广西师范大学 天然地震和人工爆破的区分识别方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5373486A (en) 1993-02-03 1994-12-13 The United States Department Of Energy Seismic event classification system
GB9526099D0 (en) * 1995-12-20 1996-02-21 Univ Edinburgh Signatures of arrays of marine seismic sources
JP4509382B2 (ja) * 1998-10-16 2010-07-21 エスティアールエム、エル・エル・シー 地質流体貯留の４ｄ透水性解析のための方法
FR2873823B1 (fr) 2004-08-02 2006-09-15 Inst Francais Du Petrole Methode pour construire un modele d'un milieu heterogene decrit par plusieurs parametres a partir de donnees exprimees dans des echelles de temps differentes
JP2008107225A (ja) * 2006-10-26 2008-05-08 Akebono Brake Ind Co Ltd 津波検知装置
JP5294266B2 (ja) * 2009-03-31 2013-09-18 株式会社オーシーシー 海底観測システム
US20100274492A1 (en) * 2009-04-24 2010-10-28 Susanne Rentsch Determining attributes of seismic events
JP5847425B2 (ja) * 2011-04-01 2016-01-20 本田技研工業株式会社 観測行動選択機能を有する分類システム及び該システムを使用する分類方法
JP6112453B2 (ja) * 2013-04-03 2017-04-12 白山工業株式会社 計測データを時空間上に蓄積し抽出する方法を持ったセンサ・クラウドシステム
JP6399947B2 (ja) 2015-02-25 2018-10-03 Kddi株式会社 学習による地震判定が可能な地震判定装置、システム、プログラム及び方法
JP6598706B2 (ja) * 2016-02-26 2019-10-30 株式会社竹中工務店 津波検知装置
JP2019125306A (ja) * 2018-01-19 2019-07-25 国立研究開発法人科学技術振興機構 データ処理方法、データ処理装置およびプログラム
CN110065077B (zh) * 2019-04-25 2021-03-26 王荩立 一种用于考古的环境探测方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5490062A (en) * 1994-05-11 1996-02-06 The Regents Of The University Of California Real-time neural network earthquake profile predictor
JPH1019654A (ja) * 1996-07-03 1998-01-23 Matsushita Electric Ind Co Ltd 感震装置
JP2007198813A (ja) * 2006-01-25 2007-08-09 Matsushita Electric Works Ltd 震度計
CN108021922A (zh) * 2017-12-01 2018-05-11 广西师范大学 天然地震和人工爆破的区分识别方法

Also Published As

Publication number Publication date
CN114270224A (zh) 2022-04-01
WO2021033501A1 (ja) 2021-02-25
US20220276400A1 (en) 2022-09-01
JPWO2021033501A1 (zh) 2021-02-25
TW202111352A (zh) 2021-03-16
JP7216359B2 (ja) 2023-02-01
US11906678B2 (en) 2024-02-20

Similar Documents

Publication Publication Date Title
TWI809293B (zh) 地震觀測裝置、地震觀測方法以及記錄地震觀測程式的記錄媒體
Geist et al. Implications of the 26 December 2004 Sumatra–Andaman earthquake on tsunami forecast and assessment models for great subduction-zone earthquakes
Fuchs et al. Seismic detection of rockslides at regional scale: examples from the Eastern Alps and feasibility of kurtosis-based event location
KR102027252B1 (ko) 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법 및 이에 의한 진도예측 시스템
JP6429042B2 (ja) 地盤特性を自動校正する現地型地震早期警報システム及び関連方法
US20220260737A1 (en) Seismic observation device, seismic observation method, and recording medium in which seismic observation program is recorded
Li et al. Automated platform for microseismic signal analysis: Denoising, detection, and classification in slope stability studies
Wang et al. A method of real‐time tsunami detection using ensemble empirical mode decomposition
Jiang et al. Microseismic event classification with time-, frequency-, and wavelet-domain convolutional neural networks
JP2011002371A (ja) 震度推定方法及び装置
Zhan et al. Accelerogram-based method for quick assessment of liquefaction occurrence
García et al. Seismic hazard maps for Cuba and surrounding areas
Paros et al. Breakthrough underwater technology holds promise for improved local tsunami warnings
JP5770051B2 (ja) 大地震の破壊領域の即時的推定方法
Okal et al. Quantification of hydrophone records of the 2004 Sumatra tsunami
JP2021071332A (ja) 地震動の到達判定方法、地震動の到達判定システム
Chen et al. A comparison of operational modal parameter identification methods for a multi-span concrete motorway bridge
Blaser et al. Bayesian belief network for tsunami warning decision support
Turino et al. Reliability of the automatic procedures for locating earthquakes in southwestern Alps and northern Apennines (Italy)
JP6778921B1 (ja) 地震解析装置及び地震解析プログラム
Huang et al. Taiwan borehole seismometer application in earthquake early warning
Barrick et al. Simulator to evaluate tsunami warning performance for coastal HF radars
Zhou et al. Benford's law as mass movement detector in seismic signals
Casale et al. Benefits of using convolutional neural networks for seismic data quality analysis
Kislov et al. Early warning system and man-made noise