固体地球科学(S) | |||
---|---|---|---|
セッション小記号 | 固体地球科学複合領域・一般(CG) | ||
セッションID | S-CG50 | ||
タイトル | 和文 | 機械学習による固体地球科学の牽引 | |
英文 | Driving Solid Earth Science through Machine Learning | ||
タイトル短縮名 | 和文 | 機械学習@固体地球科学 | |
英文 | Machine Learning in Solid Earth Sciences | ||
代表コンビーナ | 氏名 | 和文 | 久保 久彦 |
英文 | Hisahiko Kubo | ||
所属 | 和文 | 国立研究開発法人防災科学技術研究所 | |
英文 | National Research Institute for Earth Science and Disaster Resilience | ||
共同コンビーナ 1 | 氏名 | 和文 | 小寺 祐貴 |
英文 | Yuki Kodera | ||
所属 | 和文 | 気象庁気象研究所 | |
英文 | Meteorological Research Institute, Japan Meteorological Agency | ||
共同コンビーナ 2 | 氏名 | 和文 | 直井 誠 |
英文 | Makoto Naoi | ||
所属 | 和文 | 北海道大学 | |
英文 | Hokkaido University | ||
共同コンビーナ 3 | 氏名 | 和文 | 矢野 恵佑 |
英文 | Keisuke Yano | ||
所属 | 和文 | 統計数理研究所 | |
英文 | The Institute of Statistical Mathematics | ||
発表言語 | J | ||
スコープ | 和文 |
機械学習は固体地球科学を含む様々な科学分野において革新をもたらし、顕著な成果を挙げている。このセッションは、固体地球科学を中心とする様々な分野における機械学習を活用した研究が一堂に会することで、今後の発展に向けて互いに刺激し合う場を提供する。萌芽的なものから発展的なものに至るまで、機械学習および関連する研究発表を広く募集する。 |
|
英文 |
Machine learning (ML) has brought innovations and remarkable results in various science fields including solid earth science. This session provides an opportunity to inspire each other for future developments by bringing studies of ML applications in various fields including solid earth science. We invite a wide range of presentations on ML and related research, from the budding to the more advanced. |
||
発表方法 | 口頭および(または)ポスターセッション | ||
招待講演 |
畠山 歓 (東京工業大学) 八谷 大岳 (和歌山大学) |
時間 | 講演番号 | タイトル | 発表者 |
---|---|---|---|
口頭発表 5月27日 AM1 | |||
09:00 - 09:15 | SCG50-01 | 一元化震源データによる深層学習検測器の再学習 | 直井 誠 |
09:15 - 09:30 | SCG50-02 | カリフォルニア州及びオクラホマ州におけるマルチスケール断層面推定 | 佐脇 泰典 |
09:30 - 09:45 | SCG50-03 | Physics-driven deep learning method for seismic wave modeling | Yi Ding |
09:45 - 10:15 | SCG50-04 | A deep learning-based approach for forecasting ground motion and precipitation | 八谷 大岳 |
口頭発表 5月27日 AM2 | |||
10:45 - 11:15 | SCG50-05 | 大規模言語モデルに科学関連データを学習・思考させる取り組み | 畠山 歓 |
11:15 - 11:30 | SCG50-06 | 地盤工学問題に対する大規模言語モデルの適用調査 | う すてふぁん |
11:30 - 11:45 | SCG50-07 | ランダムフォレストを用いた地震波形記録に基づくスロースリップの検出 | 大竹 和機 |
11:45 - 12:00 | SCG50-08 | Attention-based Machine Learning Model for Magnitude Estimation | JI ZHANG |
講演番号 | タイトル | 発表者 |
---|---|---|
ポスター発表 5月26日 PM3 | ||
SCG50-P01 | 機械学習を用いた地震映像からの多クラス異常検出 | 東 宏樹 |
SCG50-P02 | 継続学習のフレームワークを利用した熱水システムのサロゲートモデリング | 石塚 師也 |
SCG50-P03 | Uncertainty quantification in seismic forward and inversion problems using physics-informed generative adversarial neural networks | Yi Ding |
SCG50-P04 | 経験的知識を活用した深層学習による地震動予測式の検討 | 岡崎 智久 |
SCG50-P05 | 機械学習による津波誘導磁場の検出の試み | 美田 千璃 |
SCG50-P06 | 畳み込みニューラルネットワークを用いたテクトニック微動の検出と震源決定の自動化 | 杉井 天音 |
SCG50-P07 | スペクトラルクラスタリングを用いた微動検出観測点群のアソシエーション解析: S-netへの適用 | 寒河江 皓大 |
SCG50-P08 | Transformerエンコーダーを用いた火山性地震分類における解釈可能性向上の検証 | 鈴木 悠悟 |
SCG50-P09 | 深層学習に基づく地震波検測技術の適用: 内陸下の低周波地震の応用に向けて | 鈴木 栞 |
SCG50-P10 | R2AU-Netの転移学習とハイパーパラーメータの検討による高精度な火山性地震の位相検出モデルの構築 | 中村 勇士 |
SCG50-P11 | 多種類の大規模モニタリングデータ解析による阿蘇山の噴火予測 | 出野 実 |
SCG50-P12 | Application of Convolutional Neural Networks for Seismic Velocity Model Building | 于 凡 |
SCG50-P13 | On the application of a suite of computer vision algorithms for natural fracture detection in borehole images | Nikita Dubinya |
SCG50-P14 | ランダムフォレスト解析による地震前の大気中ラドン濃度の異常検知 | 土谷 真由 |
SCG50-P15 | 統計的時系列モデルによる地震活動に伴う大気中ラドン濃度の異常検知 | 三浦 壮翔 |