[論文レビュー] A Deep Neural Network to identify foreshocks in real time

K. Vikraman|arXiv (Cornell University)|Nov 26, 2016

Earthquake Detection and Analysis参考文献 7被引用数 8

ひとこと要約

本論文では、修正されたAlexNetアーキテクチャに基づく深層学習モデルを提案し、リアルタイムで地震波形を前震、本震、余震に分類するもので、99%の正確性を達成した。FFT変換された時系列地震データを用い、前震と余震の分類では100%の正確性、本震では99.5%の正確性を達成し、これまでで最も信頼性の高いリアルタイムの前震検出を実現した。

ABSTRACT

Foreshock events provide valuable insight to predict imminent major earthquakes. However, it is difficult to identify them in real time. In this paper, I propose an algorithm based on deep learning to instantaneously classify a seismic waveform as a foreshock, mainshock or an aftershock event achieving a high accuracy of 99% in classification. As a result, this is by far the most reliable method to predict major earthquakes that are preceded by foreshocks. In addition, I discuss methods to create an earthquake dataset that is compatible with deep networks.

研究の動機と目的

• 大規模地震の重要な前兆である前震を、実際の現場で識別することが難しいにもかかわらず、リアルタイムで同定する方法を開発すること。
• 従来の地震予測手法の限界を乗り越えるために、自動的かつ正確な地震イベント分類を実現するため、深層学習を活用すること。
• 前震、本震、余震の波形データをラベル付けし、深層学習に適したデータセットを構築すること。
• 波形特徴に基づいて地震イベントを信頼性高く分類できることを示し、前震がリアルタイムで他のイベントと区別がつかない場合でも、深層学習が有効であることを実証すること。

提案手法

• モデルは、4つの畳み込み層と2つの全結合層を備えた、変更されたAlexNetアーキテクチャに基づく深層順伝播ニューラルネットワークを採用している。
• 入力データは、IRIS Wilber 3データベースから抽出した、P波到達時を中心にした1分間の地震波形の高速フーリエ変換（FFT）成分である。
• ネットワークはReLU活性化関数、Xavier重み初期化、ADAM最適化、ドロップアウト正則化を採用し、一般化性能を向上させ、過学習を防いでいる。
• イベント分類は、すべてのフーリエ成分における予測を集約することで決定され、予測数が最も多いクラスが最終的なイベントタイプとして割り当てられる。
• データセットは、191件の前震、224件の本震、224件の余震の波形を収集して構築されたもので、すべてが「BH」チャンネルおよび各イベントに最も近いステーションからのデータである。
• データ前処理では、ObsPyとSciPyを用いて時間領域の波形を周波数領域に変換し、深層学習フレームワークとの互換性を確保した。

実験結果

リサーチクエスチョン

• RQ1 深層ニューラルネットワークは、生の波形データを用いてリアルタイムに地震イベントを前震、本震、余震に正確に分類できるか？
• RQ2 深層学習は、時間的変動性や他のイベントとの類似性といった、リアルタイムでの前震同定の課題をどの程度克服できるか？
• RQ3 独自にラベル付けされた地震波形データセットを用いてトレーニングした場合、深層学習モデルは前震を他の地震イベントからどれほど効果的に区別できるか？
• RQ4 トレーニング精度と検証精度の差はどの程度で、データ拡張によってこのギャップを埋められるか？
• RQ5 モデルは、2011年の日本や2004年のスマトラ地震のような強力な前震を伴う大規模地震を含む、多様な地震イベントに一般化できるか？

主な発見

• 波形の個々のフーリエ成分を分類する際、モデルはトレーニング精度98.6%、検証精度92.4%を達成した。
• 混同行列から、前震と余震は共通の特徴を有しており、本震と比べて識別がより困難であることが明らかになった。
• 成分レベルの予測を集約して全イベントを分類した場合、前震イベントは100%の正確性（191/191）で正しく分類された。
• 本震イベントは99.5%の正確性（223/224）で分類され、最も一般的なイベントタイプに対して優れた性能を示した。
• 余震イベントは100%の正確性（224/224）で分類され、本震後の連続的発生を検出する能力の高さが裏付けられた。
• 本研究は、深層学習が、前震のリアルタイム分類をほぼ完璧に達成できることを示しており、信頼性の高い地震予測手法の実現に貢献した。