TW201812339A - 震央距離推定裝置、震央距離推定方法及電腦可讀取之記錄媒體 - Google Patents

Abstract

震央距離推定裝置10係具備：地震資訊取得部11，其取得已發生的地震之波形資料；及推定處理部12，其對學習地震的波形資料與震央距離之間的關係而得到的學習模型，套用已取得的波形資料，而推定震央距離。

Description

震央距離推定裝置、震央距離推定方法及電腦可讀取之記錄媒體

本發明係關於在地震發生時推定震央距離所用的震央距離推定裝置及震央距離推定方法，也關於記錄實現前述方法所用的程式之電腦可讀取之記錄媒體。

在地震發生時，為了推定各地的震度及主要震動的到達時刻，必須迅速確定震央距離。通常，震央距離的深度會由在複數地點的震度計所檢測的震度而確定。

然而，震源的位置在海底或者在震度計的設置密度較低的地域的話，為了取得由複數個震度計所測定的震度，必須耗費過多時間，導致無法及時確定震央距離。因此，近年來，開發出僅使用單一震度計所測定的震度以確定震央距離的技術。

作為這種技術，已知有利用「地震到達時的地震波形資料之上升強度係愈靠近震源的地震則愈強，震源愈遠的地震則愈平緩」，而推定震央距離的技術（例如參考專利文獻1）。

具體而言，在專利文獻1所揭示的技術，將從地震計所得的時間數列資料之絶對値設為y（t），將時間設為t，將地震計檢測到地震的時間設為t＝0，由地震計所取得的地震初動部分之波形形狀藉由下述數學式1所示的函數擬合。在下述數學式1，A為與初動部分的最大振幅相關的參數，B為與地震波形的初動振幅之時間變化相關的參數。尚且，實際上，在擬合過程中，必須仰賴人的經驗與直覺，以便將複雜的個別地點屬性反映在影響因素及方式不明的參數A及B。

【數學式1】

然後，在專利文獻1所揭示的技術，藉由最小平方法求得參數A及B。其中，可知雖然參數B與震央距離之間具有相互關係，但此一相互關係不會受到地震規模影響。因此，若預先將參數B與震央距離之間的關係予以公式化，則藉由從地震初動部分的波形形狀，利用數學式1算出參數B，即可確定震央距離。若依照專利文獻1所揭示的技術，則可從地震初動部分的波形形狀，迅速確定震央距離。 ［先前技術文獻］ ［專利文獻］

［專利文獻1］日本特開2002-277557號公報

［發明所欲解決的課題］ 然而，專利文獻1所揭示的技術在某些狀況下會發生無法算出係數A及B的情形，而也有可靠性不足的問題。另外，專利文獻1所揭示的技術也有不易將算出震央距離所需的時間縮短的問題。

本發明的目的之一例提供可解決上述問題，並且穩定地算出震央距離，並且可使算出時間縮短之震央距離推定裝置、震央距離推定方法及電腦可讀取之記錄媒體。 ［用於解決課題的手段］

為了達成上述目的，本發明的一型態之震央距離推定裝置的特徵為：具備： 地震資訊取得部，其取得已發生的地震之波形資料；及 推定處理部，其對學習地震的波形資料與震央距離之間的關係而得到的學習模型，套用已取得的前述波形資料，而推定震央距離。

另外，為了達成上述目的，本發明的一型態之震央距離推定方法的特徵為：具有以下步驟： （a）取得已發生的地震之波形資料的步驟； （b）對學習地震的波形資料與震央距離之間的關係而得到的學習模型，套用已取得的前述波形資料，而推定震央距離。

此外，為了達成上述目的，本發明的一型態之電腦可讀取之記錄媒體的特徵為：記錄一程式，該程式包含在電腦中執行以下步驟的命令： （a）取得已發生的地震之波形資料的步驟； （b）對學習地震的波形資料與震央距離之間的關係而得到的學習模型，套用已取得的前述波形資料，而推定震央距離。 ［發明效果］

如以上所述，若依照本發明，則可穩定地算出震央距離，並且可使算出時間縮短。

（實施型態1） 以下，針對本發明的實施形態1之震央距離推定裝置、震央距離推定方法及程式，參考圖1～圖5來説明。

［裝置構成］ 首先，使用圖1說明本實施形態1的震央距離推定裝置之概略構成。圖1為表示本發明的實施型態1之震央距離推定裝置的概略構成之方塊圖。

如圖1所示，本實施型態1的震央距離推定裝置10為從地震發生時所量測的波形資料推定震央距離所用的裝置。如圖1所示，震央距離推定裝置10具備地震資料取得部11及推定處理部12。

地震資料取得部11會取得已發生的地震之波形資料。推定處理部12會對學習模型套用藉由地震資料取得部11所取得的波形資料，而推定震央距離。學習模型係預先藉由學習地震的波形資料與震央距離之間的關係而得到。

如此一來，本實施型態1係與以往的技術不同，不必使波形資料擬合到函數即可推定震央距離，因此可穩定地算出震央距離。另外，在本實施型態1，不需要利用最小平方法進行計算處理，故可使算出時間縮短。

接著，使用圖2，更具體說明本實施型態1的震央距離推定裝置之構成。圖2為具體表示本發明的實施型態1之震央距離推定裝置的構成之方塊圖。

如圖2所示，在本實施型態1，震央距離推定裝置10會經由網絡而連接到地震檢測裝置20及地震活動等綜合監視系統30。其中，地震檢測裝置20係具備地震計，當藉由地震計檢測地震波時，檢測到的地震波之波形資料會被傳送到震央距離推定裝置10。在本實施型態1，地震檢測裝置20為地震資料取得部11之波形資料的取得來源。

另外，在圖2之例，雖然僅例示單一地震檢測裝置20，但連接有震央距離推定裝置10的地震檢測裝置20之數量並未特別限定。然而，作為地震資料取得部11之取得來源的地震檢測裝置20可為在這之中的任1個。

地震活動等綜合監視系統30在日本為氣象廳所保有的系統，當地震發生時，該系統會算出氣象廳地震規模，再基於已算出的氣象廳地震規模，預測海嘯高度。此外，地震活動等綜合監視系統30會將已算出的氣象廳地震規模及已預測的海嘯高度以緊急地震速報的方式傳達給各種媒體。

另外，在本實施型態1，震央距離推定裝置10會將已推定的震央距離輸入到地震活動等綜合監視系統30。因此，地震活動等綜合監視系統30會使用由震央距離推定裝置10所推定的震央距離，而算出氣象廳地震規模及預測海嘯高度。

另外，如圖2所示，在本實施型態1，震央距離推定裝置10除了上述的地震資料取得部11及推定處理部12，更具備學習資料取得部13、學習部14及儲存部15。尚且，圖2表示震央距離推定裝置10的一例，學習資料取得部13、學習部14及儲存部15可位在震央距離推定裝置10以外的裝置。

學習資料取得部13會取得在後述的學習部14之學習中成為輸入資料的波形資料、及同樣在學習時作為正解資料的震央距離，並予以輸入到學習部14。尚且，輸入資料及正解資料的取得來源並未特別限定於此。

學習部14將地震的波形資料作為輸入資料，將地震的震央距離作為正解資料，而學習波形資料與震央距離之間的關係，然後產生表示學習結果的學習模型16。另外，學習部14將已產生的學習模型16儲存在儲存部15。

圖3為表示本實施型態1中用於學習的輸入資料及正解資料的一例之圖。在圖3表示震央距離不同的複數個波形資料。圖3所示的各波形資料為過去所觀測的地震之波形資料。另外，對應各波形資料的震央距離為正解資料。學習部14將圖3所示的各波形資料作為輸入資料，將震央距離作為正解資料，而進行學習。

另外，在本實施型態1，作為正解資料，可使用氣象廳公佈的資料。氣象廳公佈的資料包含各觀測點的震央距離及震源要素，這些資料係氣象廳利用一元化系統所計算的檢測値（http://www.data.jma.go.jp/svd/eqev/data/bulletin/ deck.html）而求得。此外，在本實施型態1，用於學習的輸入資料及正確資料由震度為設定値（例如震度4）以上的地震所計算者為佳。

另外，在本實施型態1，學習部14例如可藉由機械學習而建構神經網路，然後將神經網路設成學習模型16。具體而言，學習部14在具備輸入層、中間層及輸出層的階層型神經網路中，使用輸入資料與正解資料，藉由調整相鄰之層的節點間的耦合之値，而產生學習模型。

另外，在本實施型態1，學習部14進行的「學習」係指所謂的「機械學習」。此外，學習部14進行的「學習」並不限於使用上述的神經網路之深層學習，可為使用邏輯回歸的學習、使用支援向量機的學習、使用決策樹的學習及異種混合學習等。

地震資料取得部11在本實施型態1從單一地震檢測裝置20接收已發生的地震之波形資料。另外，地震資料取得部11將已接收的波形資料傳送到推定處理部12。

推定處理部12在本實施型態1存取儲存部15，取得學習模型16，再對已取得的學習模型16套用從學習資料取得部13傳送的波形資料，藉此推定震央距離。

另外，在本實施型態1，學習部14還可另外使用地震的震源之深度作為正解資料，以便學習波形資料、震央距離及震源的深度之間的關係，而產生學習模型16。此時，推定處理部12除了可推定震央距離，還可推定震源的深度。

此外，在本實施型態1，學習部14除了可將波形資料作為輸入資料，還可將已取得波形資料的地點之地點資料作為輸入資料使用。此時，學習部14會學習波形資料及地點資料、與震央距離（或震央距離及震源的深度）之間的關係，而產生學習模型16。

在此，已取得波形資料的地點係指已觀測到作為波形資料之來源的地震波之地點。另外，作為地點資料，例如可舉出表層地盤增幅率、表示板塊的狀態之資料、表示已觀測到地震波的地點附近所存在的火山之資料、地殻厚度、岩石圈厚度等。如此一來，若使用波形資料與地點資料這兩者作為輸入資料而產生學習模型16，則可提升推定處理的精確度。

使用地點資料作為學習的輸入資料時，地震資料取得部11除了取得已發生的地震之波形資料，還會取得已取得此波形資料的地點之地點資料，也就是設置有地震檢測裝置20的地點之地點資料。

另外，地點資料可預先儲存在各個地震檢測裝置20的儲存部15，在這個態様，每當地震資料取得部11取得波形資料，就會從儲存部15取得對應的地點資料。另外，地點資料可從地震檢測裝置20連同波形資料共同被傳送，在這個態様，地震資料取得部11會連同波形資料取得地點資料。

此外，使用地點資料作為學習的輸入資料時，推定處理部12會對藉由學習部14而產生的學習模型16套用已取得的波形資料及地點資料，而推定震央距離（或震央距離及震源的深度）。

尚且，在本實施型態1，輸入資料及正解資料並不限定於上述的範例。可使用波形資料及地點資料以外的資料作為輸入資料。另外，可使用震央距離及震源的深度以外的資料作為正解資料。

［裝置動作］ 接著，針對本實施型態1的震央距離推定裝置10之動作使用圖4及圖5進行説明。在以下的説明會適當參考圖1～圖3。另外，在本實施型態1，藉由使震央距離推定裝置10動作，而實施震央距離推定方法。因此，本實施型態1的震央距離推定方法之説明會取代以下的震央距離推定裝置10之動作説明。

在本實施型態1，震央距離推定裝置10主要執行學習處理及推定處理。首先，說明學習處理。圖4為表示本發明的實施型態1之震央距離推定裝置的學習處理執行時之動作的流程圖。

如圖4所示，首先，學習資料取得部13取得輸入資料及正解資料（步驟A1）。具體而言，在步驟A1，學習資料取得部13除了將波形資料作為輸入資料，更取得地點資料作為輸入資料，除了將震央距離作為正解資料，更取得震源的深度作為正解資料。

接著，學習部14會判斷學習模型16是否已經存在（步驟A2）。具體而言，學習部14判斷在儲存部15是否儲存學習模型16。

步驟A2的判定之結果為學習模型16尚未存在時，學習部14會學習波形資料及地點資料、與震央距離及震源的深度之間的關係，然後新產生表示學習結果的學習模型16（步驟A3）。

具體而言，在步驟A3，學習部14會藉由學習而建構神經網路，並予以作為學習模型16。另外，學習部14會將已作成的學習模型16儲存於儲存部15。

另外，步驟A2的判定之結果為學習模型16已經存在時，學習部14會使用在步驟A1所取得的輸入資料與正解資料，以便更新既有的學習模型16（步驟A4）。具體而言，學習部14會使用在步驟A1所取得的輸入資料與正解資料，而更新節點間的耦合之値。

藉由執行步驟A1～A4，可作成或更新學習模型。然後，使用已作成或更新的學習模型來執行推定處理。圖5為表示本發明的實施型態1之震央距離推定裝置的推定處理執行時之動作的流程圖。

如圖5，首先，從地震檢測裝置20傳送已發生的地震之波形資料的話，地震資料取得部11會接收已傳送的波形資料（步驟B1）。

接著，地震資料取得部11會從儲存部15取得設置有已傳送波形資料的地震檢測裝置20之地點的地點資料（步驟B2）。尚且，地點資料連同波形資料被傳送時，地震資料取得部11會接收已傳送的地點資料。

接著，推定處理部12會將在步驟B1所接收的波形資料與在步驟B2所取得的地點資料套用到藉由圖4所示的學習處理而作成或更新的學習模型16，而推定震央距離及震源的深度（步驟B3）。

藉由執行步驟B1～B3，基於從單一地震檢測裝置20取得的波形資料，而推定震央距離及震源的深度。

［實施型態1的效果］ 如以上所述，若依照本實施型態1，不必使波形資料擬合到函數，即可從單一波形資料推定震央距離及震源的深度。另外，推定處理係藉由學習模型16而進行，故震央距離及震源的深度可穩定地在短時間內算出。

換言之，在本實施型態1，與專利文獻1所揭示之以往的方式不同，不必藉由人工操作將複雜的個別地點屬性反映在影響因素及方式不明的參數之作業。若依照本實施型態1，可僅藉由客觀的波形資料與機械學習而取得達到可利用之精確度的資料。本實施型態1的震央距離推定裝置10可導入到多個地點及多個地域。

另外，如上述，在本實施型態，也可藉由單一波形資料而推定震源的深度，而上述專利文獻1所揭示的技術則無法推定震源的深度。使用上述專利文獻1所揭示的技術時，為了測定震源的深度，必須使用複數個地震計的測定結果。

［變形例1］ 接著，說明本實施型態1的變形例。首先，在變形例1，學習部14會對被設定的波形量各者而產生學習模型16。具體而言，波形量會以從地震發生時所經過的時間而顯示。因此，學習部14會從由學習資料取得部13所取得的波形資料，在每個設定經過時間，切割出僅為經過時間分量的波形資料，再將切割出的波形資料作為輸入資料，然後進行學習而產生學習模型16。藉此，學習模型16會對波形量各者而產生。

另外，在變形例1，推定處理部12會算出已發生的地震之波形資料的波形量，再基於已算出的波形量，而從產生的複數個學習模型16之中，選擇欲使用的學習模型。然後，推定處理部12對已選擇的學習模型16套用已發生的地震之波形資料，而推定震央距離（或震央距離及震源的深度）。

一般而言，緊急地震速報所用的震央距離及震源深度之推定即使在波形資料的波形量較小時也可進行。因此，藉由地震資料取得部11而取得的波形資料未必為一定，可能會有學習模型的產生所使用的波形資料之波形量與已發生的地震之波形資料的波形量不一致，使得推定精確度降低。然而，若依照本變形例1，則會配合已發生的地震之波形資料的波形量來選擇學習模型16，因而可避開上述的推定精確度降低的問題。

［變形例2］ 在變形例2，學習部14對成為輸入資料的波形資料之觀測點各者，而產生學習模型16。具體而言，學習部14僅使用在地震檢測裝置各者（地震計各者）所取得的波形資料，而產生學習模型16。

另外，在變形例2，推定處理部12確認已發生的地震之波形資料的觀測點（也就是作為波形資料的送訊來源之地震檢測裝置20），再基於已確認的觀測點，從所產生的複數個學習模型16之中，選擇欲使用的學習模型。然後，推定處理部12會對已選擇的學習模型16套用已發生的地震之波形資料，而推定震央距離（或震央距離及震源的深度）。

若依照變形例2，則即使不使用觀測點各者的特性（也就是地點資料）進行學習，也可進行符合觀測點的特性之推定處理。尚且，在無法充分確保輸入資料的觀測點，難以進行完整的學習，導致難以對這樣的觀測點產生學習模型。

［變形例3］ 在變形例3，學習部14對成為輸入資料的波形資料之觀測點的地盤特性各者，而產生學習模型16。具體而言，例如配合地盤增幅率等地盤特性（地點資料的値），將觀測點（地震檢測裝置20）歸類為不同群組。此時，學習部14對各個群組僅使用該群組內所得到的波形資料，而產生學習模型16。

另外，在變形例3，推定處理部12確認已發生的地震之波形資料的觀測點之地盤特性，再基於已確認的地盤特性，從已產生的複數個學習模型16之中，選擇欲使用的學習模型。然後，推定處理部12會對已選擇的學習模型16，套用已發生的地震之波形資料，而推定震央距離（或震央距離及震源的深度）。

若依照變形例3，即使存在未完整獲得輸入資料的觀測點，也可不必進行使用地點資料的學習，即進行符合觀測點的特性之推定處理。

［程式］ 本實施型態1的程式可為在電腦中執行圖4所示的步驟A1～A4、圖5所示的步驟B1～B3之程式。藉由將該程式安裝到電腦執行，可實現本實施型態1的震央距離推定裝置10與震央距離推定方法。此時，電腦的CPU（Central Processing Unit）可發揮地震資料取得部11、推定處理部12、學習資料取得部13及學習部14的功能而進行處理。

另外，本實施型態12的程式可由複數台電腦所建構的電腦系統執行。此時，各部電腦可分別發揮地震資料取得部11、推定處理部12、學習資料取得部13及學習部14任一者的功能。另外，儲存部15可被設置在與執行本實施型態的程式之電腦不同的電腦上。

（實施型態2） 接著，針對本發明的實施型態2之震央距離推定裝置、震央距離推定方法及程式，參考圖6～圖8來説明。

［裝置構成］ 首先，使用圖6說明本實施型態2的震央距離推定裝置之構成。圖6為具體表示本發明的實施型態2之震央距離推定裝置的構成之方塊圖。

如圖6所示，本實施型態2的震央距離推定裝置40會具備波形前處理部41，在這一點上，與圖1及圖2所示的實施型態1之震央距離推定裝置10不同。以下，主要說明與實施型態1的相異點。

波形前處理部41對在學習部14作為輸入資料所使用的波形資料、及在地震資料取得部11所取得的波形資料執行前處理。作為前處理，可舉出影像轉換處理、包絡線轉換處理、帶通轉換處理、微分轉換處理及傅立葉轉換處理。

具體而言，影像轉換處理為將波形資料變換成以圖表顯示的影像之影像資料的處理。一般認為，若依照影像轉換處理，則學習部14會基於影像資料而執行學習，使得學習處理變容易。

另外，包絡線轉換處理為使波形資料的波形變平滑的處理。若執行包絡線處理，則容易確認地震波的上升特性，因而會產生反映了地震波的上升特性之學習模型16。

帶通轉換處理為突顯特定周期的波形之處理。若依照帶通轉換處理，則地震波的特徴會突顯，因而會產生反映了地震波的特徴之學習模型16。

另外，微分轉換處理為將波形資料微分，然後轉換成加速度資料的處理。進行微分轉換處理時，也容易確認地震波的上升特性，因而會產生反映了地震波的上升特性之學習模型16。

此外，傅立葉轉換處理為求得波形資料之頻率分布的處理。若依照傅立葉變換，則波形資料各者的周期差異會突顯，因而會產生反映了地震波的周期之學習模型16。

波形前處理部41可執行影像轉換處理、包絡線轉換處理、帶通轉換處理、微分轉換處理及傅立葉轉換處理中任一者或任兩者以上。

［裝置動作］ 接著，針對本實施型態2的震央距離推定裝置40之動作利用圖7及圖8進行説明。在以下的説明，適當參考圖1～圖6。另外，在本實施型態2，藉由使震央距離推定裝置40動作，而實施震央距離推定方法。因此，本實施型態2的震央距離推定方法之説明取代以下的震央距離推定裝置40之動作説明。

首先，說明學習處理。圖7為表示本發明的實施型態2之震央距離推定裝置的學習處理執行時之動作的流程圖。

如圖7所示，首先，學習資料取得部13取得輸入資料及正解資料（步驟A11）。另外，學習資料取得部13將已取得的資料輸入到波形前處理部41。

接著，波形前處理部41對在步驟A11所取得的輸入資料所包含的波形資料執行前處理（步驟A12）。然後，波形前處理部41將前處理後的波形資料、除此以外的輸入資料（地點資料）與正解資料輸入到學習部14。

接著，學習部14會判斷學習模型16是否已存在（步驟A13）。

步驟A13的判定之結果在學習模型16尚未存在時，學習部14會學習波形資料及地點資料、與震央距離及震源的深度之間的關係，然後新產生表示學習結果的學習模型16（步驟A14）。

另外，步驟A13的判定之結果在學習模型16已經存在時，學習部14會使用輸入資料與正解資料，而更新既有的學習模型16（步驟A15）。

藉由執行步驟A11～A15，而更新或作成學習模型16。之後，使用已作成或更新的學習模型16，而執行推定處理。圖8為表示本發明的實施型態2之震央距離推定裝置的學習處理執行時之動作的流程圖。

如圖8所示，首先，從地震檢測裝置20傳送已發生的地震之波形資料的話，地震資料取得部11會接收已傳送的波形資料（步驟B11）。

接著，地震資料取得部11從儲存部15取得設置有已傳送波形資料的地震檢測裝置20之地點的地點資料（步驟B12）。尚且，地點資料連同波形資料被傳送時，地震資料取得部11會接收已傳送的地點資料。

接著，波形前處理部41對在步驟B11接收的波形資料執行前處理（步驟B13）。然後，波形前處理部41將前處理後的波形資料與地點資料輸入到推定處理部12。

接著，推定處理部12將在步驟B13進行前處理後的波形資料與在步驟B12所取得的地點資料，套用到藉由圖7所示的學習處理所作成或更新的學習模型16，而推定震央距離及震源的深度（步驟B14）。

藉由執行步驟B11～B14，本實施型態2也與實施型態1相同，基於從單一地震檢測裝置20所取得的波形資料，而推定震央距離及震源的深度。

［實施型態2的效果］ 如以上所述，在本實施型態2，藉由波形前處理部41所進行的前處理，對用於學習的波形資料抑制雜訊並且突顯特徴。因此，若依照本實施型態2，則學習模型的精確度會提升，結果，可提升推定精確度。

（物理構成） 在此，藉由執行實施型態1及2的程式，針對實現震央距離推定裝置的電腦使用圖9進行説明。圖9為表示實現本發明的實施型態1及2之震央距離推定裝置的電腦之一例的方塊圖。

如圖9所示，電腦110具備CPU111、主記憶體112、儲存裝置113、輸入介面114、顯示控制器115、資料讀取器／寫入器116及通訊介面117。以上各部經由匯流排121以可互相傳送資料的方式連接。

CPU111被收納在儲存裝置113，將本實施型態的程式（編碼）在主記憶體112展開，然後以既定順序執行這些程式，藉此實施各種演算。主記憶體112一般而言為DRAM（Dynamic Random Access Memory）等揮發性的儲存裝置。另外，本實施型態的程式以被收納在電腦可讀取的記錄媒體120之狀態而提供。尚且，本實施型態的程式可為在經由通訊介面117而連接的網路上所流通的程式。

另外，作為儲存裝置113的具體例，除了硬碟之外，還可舉出快閃記憶體等半導體儲存裝置。輸入介面114作為中介而協助CPU111、鍵盤及滑鼠等輸入機器118之間的資料傳送。顯示控制器115係與顯示裝置119連接，並且控制顯示裝置119的顯示。

資料讀取器／寫入器116作為中介協助CPU111與記錄媒體120之間的資料傳送，而從記錄媒體120讀取程式及將電腦110的處理結果寫入記錄媒體120。通訊介面117作為中介協助CPU111與其他電腦之間的資料傳送。

另外，作為記錄媒體120的具體例，可舉出CF（Compact Flash（註冊商標））及SD（Secure Digital）等汎用半導體記錄裝置、軟碟機（Flexible Disk）等磁記錄媒體或CD－ROM（Compact Disk Read Only Memory）等光學記錄媒體。

另外，本實施型態1及2的震央距離推定裝置10及40不僅可藉由已安裝程式的電腦來實現，還可藉由使用對應於各部的硬碟來實現。此外，震央距離推定裝置10及40也可構成為一部分由程式實現，而其餘的部分由硬碟實現。

上述的實施型態之一部分或全部可由以下所記載的（付記1）～（付記15）表現，但不限於以下的記載。

（備註1） 一種震央距離推定裝置，其特徵為：具備： 地震資訊取得部，其取得已發生的地震之波形資料；及 推定處理部，其對學習地震的波形資料與震央距離之間的關係而得到的學習模型，套用已取得的前述波形資料，而推定震央距離。

（備註2） 如備註1之震央距離推定裝置，其更具備學習部，該學習部將地震的波形資料作為輸入資料，並且將前述地震的震央距離作為正解資料，而學習波形資料與震央距離之間的關係，然後產生表示學習結果的學習模型， 前述推定處理部對藉由前述學習部而產生的學習模型，套用已取得的前述波形資料，而推定震央距離。

（備註3） 如備註2之震央距離推定裝置，其中 前述學習部除了將前述波形資料作為輸入資料，還將已取得前述波形資料的地點之地點資料也作為輸入資料，而學習前述波形資料及前述地點資料與前述震央距離之間的關係，然後產生前述學習模型， 前述地震資訊取得部除了取得前述波形資料，更取得已得到已發生的地震之波形資料的地點之地點資料， 前述推定處理部對前述學習模型除了套用前述波形資料，更套用已取得的前述地點資料，而推定前述震央距離。

（備註4） 如備註2或3之震央距離推定裝置，其中 前述學習處理部更使用前述地震之震源的深度作為前述正解資料，而學習前述波形資料與前述震央距離及前述震源的深度之間的關係，然後產生前述學習模型， 前述推定處理部除了推定前述震央距離，更推定震源的深度。

（備註5） 如備註2至4中任一項之震央距離推定裝置，其中 前述學習處理部藉由學習而構築神經網路，並且將前述神經網路作為學習模型。

（備註6） 如備註2至5中任一項之震央距離推定裝置，其中 前述學習部對成為輸入資料的波形資料之波形量各者，產生前述學習模型， 前述推定處理部會算出已取得的前述波形資料之波形量，再基於已算出的波形量，從已產生的前述學習模型各者之中，選擇欲使用的前述學習模型，再對已選擇的前述學習模型，套用已取得的前述波形資料，而推定前述震央距離。

（備註7） 如備註2至5中任一項之震央距離推定裝置，其中 前述學習部對成為輸入資料的波形資料之觀測點各者，產生前述學習模型， 前述推定處理部確認已取得的前述波形資料之觀測點，再基於已確認的觀測點，從已產生的前述學習模型各者之中，選擇欲使用的前述學習模型，再對已選擇的前述學習模型，套用已取得的前述波形資料，而推定前述震央距離。

（備註8） 如備註2至5中任一項之震央距離推定裝置，其中 前述學習部對成為輸入資料的波形資料之觀測點的地盤特性各者，產生前述學習模型， 前述推定處理部確認已取得的前述波形資料的觀測點之地盤特性，再基於已確認的地盤特性，從已產生的前述學習模型各者之中，選擇欲使用的前述學習模型，再對已選擇的前述學習模型，套用已取得的前述波形資料，而推定前述震央距離。

（備註9） 如備註1至8中任一項之震央距離推定裝置，其更具備波形前處理部，該波形前處理部對在前述學習部作為前述輸入資料所使用的波形資料，及在前述地震資訊取得部所取得的波形資料，執行前處理。

（備註10） 如備註9之震央距離推定裝置，其中 前述波形前處理部從影像轉換處理、包絡線轉換處理、帶通轉換處理、微分轉換處理及傅立葉轉換處理中執行至少1個處理，以作為前述前處理。

（備註11） 一種震央距離推定方法，其特徵為：具有以下步驟： （a）取得已發生的地震之波形資料的步驟； （b）對學習地震的波形資料與震央距離之間的關係而得到的學習模型，套用已取得的前述波形資料，而推定震央距離。

（備註12） 如備註11之震央距離推定方法，其還具有以下步驟： （c）將地震的波形資料作為輸入資料，將前述地震的震央距離作為正解資料，而學習波形資料與震央距離之間的關係，然後產生表示學習結果的學習模型， 在前述（b）的步驟，對由前述（c）的步驟而產生的學習模型，套用已取得的前述波形資料，而推定震央距離。

（備註13） 如備註12之震央距離推定方法，其中： 在前述（c）的步驟，除了將前述波形資料作為輸入資料，還將已得到前述波形資料的地點之地點資料作為輸入資料，而學習前述波形資料及前述地點資料與前述震央距離之間的關係，然後產生前述學習模型， 在前述（a）的步驟，除了取得前述波形資料，更取得已得到已發生的地震之波形資料的地點之地點資料， 在前述（b）的步驟，對前述學習模型，除了套用前述波形資料，更套用已取得的前述地點資料，而推定前述震央距離。

（備註14） 如備註12或13之震央距離推定方法，其中： 在前述（c）的步驟，更使用前述地震的震源之深度作為前述正解資料，並且學習前述波形資料與前述震央距離及前述震源的深度之間的關係，然後產生前述學習模型， 在前述（b）的步驟，除了推定前述震央距離，更推定震源的深度。

（備註15） 如備註12至14中任一項之震央距離推定方法，其中： 在前述（c）的步驟，藉由學習而建構神經網路，並且將前述神經網路作為學習模型。

（備註16） 如備註12至15中任一項之震央距離推定方法，其中： 在前述（c）的步驟，對成為輸入資料的波形資料之波形量各者，產生前述學習模型， 在前述（b）的步驟，算出已取得的前述波形資料之波形量，再基於已算出的波形量，從已產生的前述學習模型各者之中，選擇欲使用的前述學習模型，再對已選擇的前述學習模型，套用已取得的前述波形資料，而推定前述震央距離。

（備註17） 如備註12至15中任一項之震央距離推定方法，其中： 在前述（c）的步驟，對成為輸入資料的波形資料之觀測點各者，產生前述學習模型， 在前述（b）的步驟，確認已取得的前述波形資料之觀測點，再基於已確認的觀測點，從已產生的前述學習模型各者之中，選擇欲使用的前述學習模型，再對已選擇的前述學習模型，套用已取得的前述波形資料，而推定前述震央距離。

（備註18）　　 如備註12至15中任一項之震央距離推定方法，其中： 在前述（c）的步驟，對成為輸入資料的波形資料之觀測點的地盤特性各者，產生前述學習模型， 在前述（b）的步驟，確認已取得的前述波形資料之觀測點的地盤特性，再基於已確認的地盤特性，從已產生的前述學習模型各者之中，選擇欲使用的前述學習模型，再對已選擇的前述學習模型，套用已取得的前述波形資料，而推定前述震央距離。

（備註19） 如備註11至18中任一項之震央距離推定方法，其還具有以下步驟： （d）在前述（c）的步驟，對作為前述輸入資料所使用的波形資料、及在前述（a）的步驟所取得的波形資料，執行前處理。

（備註20） 在前述（d）的步驟，執行影像轉換處理、包絡線轉換處理、帶通轉換處理、微分轉換處理及傅立葉轉換處理之中至少1個處理，以作為前述前處理。

（備註21） 一種記錄程式的電腦可讀取之記錄媒體，其包含在電腦中執行以下步驟的命令： （a）取得已發生的地震之波形資料的步驟； （b）對學習地震的波形資料與震央距離之間的關係而得到的學習模型，套用已取得的前述波形資料，而推定震央距離。

（備註22） 如備註21的電腦可讀取之記錄媒體，其在前述電腦中還執行以下步驟： （c）將地震的波形資料作為輸入資料，將前述地震的震央距離作為正解資料，並且學習波形資料與震央距離之間的關係，再產生表示學習結果的學習模型， 在前述（b）的步驟，對藉由前述（c）的步驟而產生的學習模型，套用已取得的前述波形資料，而推定震央距離。

（備註23） 如備註22的電腦可讀取之記錄媒體，其中： 在前述（c）的步驟，除了將前述波形資料作為輸入資料，還將從前述波形資料所得到的地點之地點資料作為輸入資料，並且學習前述波形資料及前述地點資料與前述震央距離之間的關係，然後產生前述學習模型， 在前述（a）的步驟，除了取得前述波形資料，更取得已得到已發生的地震之波形資料的地點之地點資料， 在前述（b）的步驟，對前述學習模型，除了套用前述波形資料，更套用已取得的前述地點資料，而推定前述震央距離。

（備註24） 如備註22或23的電腦可讀取之記錄媒體，其中： 在前述（c）的步驟，更使用前述地震的震源之深度作為前述正解資料，並且學習前述波形資料與前述震央距離及前述震源的深度之間的關係，然後產生前述學習模型， 在前述（b）的步驟，除了推定前述震央距離，更推定震源的深度。

（備註25） 如備註22至24中任一項的電腦可讀取之記錄媒體，其中： 在前述（c）的步驟，藉由學習而建構神經網路，並且將前述神經網路作為學習模型。

（備註26） 如備註22至25中任一項的電腦可讀取之記錄媒體，其中： 在前述（c）的步驟，對成為輸入資料的波形資料之波形量各者，產生前述學習模型， 在前述（b）的步驟，算出已取得的前述波形資料之波形量，再基於已算出的波形量，從已產生的前述學習模型各者之中，選擇欲使用的前述學習模型，再對已選擇的前述學習模型，套用已取得的前述波形資料，而推定前述震央距離。

（備註27） 如備註22至25中任一項的電腦可讀取之記錄媒體，其中： 在前述（c）的步驟，對成為輸入資料的波形資料之觀測點各者，產生前述學習模型， 在前述（b）的步驟，確認已取得的前述波形資料之觀測點，再基於已確認的觀測點，從已產生的前述學習模型各者之中，選擇欲使用的前述學習模型，再對已選擇的前述學習模型，套用已取得的前述波形資料，而推定前述震央距離。

（備註28） 如備註22至25中任一項的電腦可讀取之記錄媒體，其中： 在前述（c）的步驟，對成為輸入資料的波形資料之觀測點的地盤特性各者，產生前述學習模型， 在前述（b）的步驟，確認已取得的前述波形資料之觀測點的地盤特性，再基於已確認的地盤特性，從已產生的前述學習模型各者之中，選擇欲使用的前述學習模型，再對已選擇的前述學習模型，套用已取得的前述波形資料，而推定前述震央距離。

（備註29） 如備註21至28中任一項的電腦可讀取之記錄媒體，其中在前述電腦還執行以下步驟： （d）在前述（c）的步驟，對成為前述輸入資料所使用的波形資料及對在前述（a）的步驟所取得的波形資料，執行前處理。

（備註30） 如備註29中任一項的電腦可讀取之記錄媒體，其中： 在前述（d）的步驟，執行影像轉換處理、包絡線轉換處理、帶通轉換處理、微分轉換處理及傅立葉轉換處理之中至少1個處理，以作為前述前處理。

以上，雖然參考實施型態而說明本申請案的發明，但本申請案的發明不限定於上述實施型態。可對本申請案的發明之構成或詳細內容，進行本申請案的發明之範疇內相關領域業者可理解的各種變更。

本申請案係根據2016年7月8日提出申請之日本出願特願2016－136310主張優先權，並將其全部揭示內容引用至此。 ［產業上的可利用性］

如以上所述，若依照本發明，則可穩定地算出震央距離，並且使算出時間縮短。本發明可用於在地震發生時必須盡早傳送地震相關資料的系統。

10‧‧‧震央距離推定裝置（實施型態1）

11‧‧‧地震資訊取得部

12‧‧‧推定處理部

13‧‧‧學習資訊取得部

14‧‧‧學習部

15‧‧‧儲存部

16‧‧‧學習模型

20‧‧‧地震檢測裝置

30‧‧‧地震活動等綜合監視系統

40‧‧‧震央距離推定裝置（實施型態2）

41‧‧‧波形前處理部

110‧‧‧電腦

111‧‧‧CPU

112‧‧‧主記憶體

113‧‧‧儲存裝置

114‧‧‧輸入介面

115‧‧‧顯示控制器

116‧‧‧資料讀取器／寫入器

117‧‧‧通訊介面

118‧‧‧輸入機器

119‧‧‧顯示裝置

120‧‧‧記錄媒體

121‧‧‧匯流排

【圖1】圖1為表示本發明的實施型態1之震央距離推定裝置的概略構成之方塊圖。 【圖2】圖2為具體表示本發明的實施型態1之震央距離推定裝置的構成之方塊圖。 【圖3】圖3為表示本發明的實施型態1中用於學習的輸入資料及正解資料的一例之圖。 【圖4】圖4為表示本發明的實施型態1之震央距離推定裝置的學習處理執行時之動作的流程圖。 【圖5】圖5為表示本發明的實施型態1之震央距離推定裝置的推定處理執行時之動作的流程圖。 【圖6】圖6為具體表示本發明的實施型態2之震央距離推定裝置的構成之方塊圖。 【圖7】圖7為表示本發明的實施型態2之震央距離推定裝置的學習處理執行時之動作的流程圖。 【圖8】圖8為表示本發明的實施型態2之震央距離推定裝置的推定處理執行時之動作的流程圖。 【圖9】圖9為表示實現本發明的實施型態1及2之震央距離推定裝置的電腦之一例的方塊圖。

Claims (12)

1. 一種震央距離推定裝置，其特徵為具備： 地震資訊取得部，其取得已發生的地震之波形資料；及 推定處理部，其對於學習地震的波形資料與震央距離之間的關係而得到的學習模型，套用已取得的該波形資料，而推定震央距離。
2. 如申請專利範圍第1項之震央距離推定裝置，其更具備學習部，該學習部將地震的波形資料作為輸入資料，並且將該地震的震央距離作為正解資料，而學習波形資料與震央距離之間的關係，然後產生表示學習結果的學習模型， 該推定處理部對藉由該學習部而產生的學習模型，套用已取得的該波形資料，而推定震央距離。
3. 如申請專利範圍第2項之震央距離推定裝置，其中 該學習部除了將該波形資料作為輸入資料之外，更將已取得該波形資料的地點之地點資料作為輸入資料，以學習該波形資料及該地點資料與該震央距離之間的關係，而產生該學習模型， 該地震資訊取得部除了取得該波形資料，更取得已得到已發生的地震之波形資料的地點之地點資料， 該推定處理部對該學習模型除了套用該波形資料，更套用已取得的該地點資料，而推定該震央距離。
4. 如申請專利範圍第2項或第3項之震央距離推定裝置，其中 該學習處理部更使用該地震之震源的深度作為該正解資料，以學習該波形資料與該震央距離及該震源的深度之間的關係，而產生該學習模型， 該推定處理部除了推定該震央距離，更推定震源的深度。
5. 如申請專利範圍第2項或第3項之震央距離推定裝置，其中 該學習處理部藉由學習而構築神經網路，並且將該神經網路作為學習模型。
6. 如申請專利範圍第2項或第3項之震央距離推定裝置，其中 該學習部對成為輸入資料的波形資料之波形量各者，產生該學習模型， 該推定處理部算出已取得的該波形資料之波形量，再基於已算出的波形量，從已產生的該學習模型各者之中，選擇欲使用的該學習模型，再對已選擇的該學習模型，套用已取得的該波形資料，而推定該震央距離。
7. 如申請專利範圍第2項或第3項之震央距離推定裝置，其中 該學習部對成為輸入資料的波形資料之觀測點各者，產生該學習模型， 該推定處理部確認已取得的該波形資料之觀測點，再基於已確認的觀測點，從已產生的該學習模型各者之中，選擇欲使用的該學習模型，再對已選擇的該學習模型，套用已取得的該波形資料，而推定該震央距離。
8. 如申請專利範圍第2項或第3項之震央距離推定裝置，其中 該學習部對成為輸入資料的波形資料之觀測點的地盤特性各者，產生該學習模型， 該推定處理部確認已取得的該波形資料之觀測點的地盤特性，再基於已確認的地盤特性，從已產生的該學習模型各者之中，選擇欲使用的該學習模型，再對已選擇的該學習模型，套用已取得的該波形資料，而推定該震央距離。
9. 如申請專利範圍第1項至第3項中任一項之震央距離推定裝置，其更具備波形前處理部，該波形前處理部對在該學習部作為該輸入資料所使用的波形資料，及在該地震資訊取得部所取得的波形資料，執行前處理。
10. 如申請專利範圍第9項之震央距離推定裝置，其中 該波形前處理部從影像轉換處理、包絡線轉換處理、帶通轉換處理、微分轉換處理及傅立葉轉換處理中執行至少1個處理，以作為該前處理。
11. 一種震央距離推定方法，其特徵為具有以下步驟： （a）取得已發生的地震之波形資料的步驟； （b）對學習地震的波形資料與震央距離之間的關係而得到的學習模型，套用已取得的該波形資料，而推定震央距離。
12. 一種記錄程式的電腦可讀取之記錄媒體，該程式包含在電腦中執行以下步驟的命令： （a）取得已發生的地震之波形資料的步驟； （b）對學習地震的波形資料與震央距離之間的關係而得到的學習模型，套用已取得的該波形資料，而推定震央距離。