[論文レビュー] A Machine Learning-enhanced Robust P-Phase Picker for Real-time Seismic Monitoring

Dazhong Shen, Qi Zhang+8 more|arXiv (Cornell University)|Nov 21, 2019

Seismology and Earthquake Studies参考文献 44被引用数 4

ひとこと要約

本稿では、ノイズが強い連続波形における地震P相の即時の自動検出を目的とした、機械学習を活用したアンサンブル学習ベースのフレームワーク、EL-Pickerを提案する。低複雑性のトリガー、多様な分類器のアンサンブル、および精練モジュールを統合することで、EL-Pickerは優れた性能を発揮し、熟練者によるラベル付けデータよりも120%も多くのP相到着時刻を特定した。また、人的な見落としによって長らく見過ごされていた微細な、かつ以前に発見されていなかった地震的パターンを明らかにした。

ABSTRACT

Identifying the arrival times of seismic P-phases plays a significant role in real-time seismic monitoring, which provides critical guidance for emergency response activities. While considerable research has been conducted on this topic, efficiently capturing the arrival times of seismic P-phases hidden within intensively distributed and noisy seismic waves, such as those generated by the aftershocks of destructive earthquakes, remains a real challenge since most common existing methods in seismology rely on laborious expert supervision. To this end, in this paper, we present a machine learning-enhanced framework based on ensemble learning strategy, EL-Picker, for the automatic identification of seismic P-phase arrivals on continuous and massive waveforms. More specifically, EL-Picker consists of three modules, namely, Trigger, Classifier, and Refiner, and an ensemble learning strategy is exploited to integrate several machine learning classifiers. An evaluation of the aftershocks following the MS 8.0 Wenchuan earthquake demonstrates that EL-Picker can not only achieve the best identification performance but also identify 120% more seismic P-phase arrivals as complementary data. Meanwhile, experimental results also reveal both the applicability of different machine learning models for waveforms collected from different seismic stations and the regularities of seismic P-phase arrivals that might be neglected during manual inspection. These findings clearly validate the effectiveness, efficiency, flexibility and stability of EL-Picker.

研究の動機と目的

• 後震の連続的でノイズの強い地震波形において、弱く信号対雑音比（SNR）が低いP相到着時刻を検出する課題に対処すること。
• 人的な手作業によるラベル付けに依存しないように、機械学習を用いてP相検出を自動化すること。
• アンサンブル学習による複数の機械学習モデルの統合により、検出の正確性と完全性を向上させること。
• 特に大規模または複雑な後震系列において、人的な検査で見過ごされた地震的パターンを特定すること。
• 運用上の地震観測システムにリアルタイムで導入可能な、スケーラブルで効率的かつ安定したフレームワークの開発

提案手法

• EL-Pickerフレームワークは、トリガー（初期イベント候補選定のためのSTA/LTAを使用）、分類器（複数の機械学習モデルのアンサンブル）、および精練モジュール（到着時刻の後処理と精度向上）の3つのモジュールから構成される。
• 多様な分類器（SVM、HMM、深層ニューラルネットワークなど）を統合するアンサンブル学習戦略により、異なる地震観測所のデータに対して高い耐障害性と一般化性能を実現する。
• トリガーモジュールは、短時間平均（STA）と長時間平均（LTA）のエネルギー比を用いて、潜在的な地震相を特定し、機械学習推論の前段階で計算負荷を低減する。
• 分類器モジュールは、トリガーによってマークされた時間窓に対して複数のモデルを適用し、それぞれのモデルの相補的な強みを活かして検出精度を向上させる。
• 精練モジュールは、信号の特徴とアテンションメカニズムを用いて、特に低SNR領域における到着時刻予測を微調整する。
• 再帰的アテンション（RA）-CNNモデルを用いてスペクトルウォーターフォール（スペクトルプロット）を分析し、S相ピーク周辺で特徴を特定する。この手法により、見過ごされた検出の理由を解明した。

実験結果

リサーチクエスチョン

• RQ1 リアルタイムで連続する地震波形において、個々の機械学習モデルに比べて、複数のモデルをアンサンブル化した手法がP相到着時刻の検出において優れた性能を示せるか？
• RQ2 自動検出は、人的ラベル付けの負担をどの程度軽減できるか。また、検出の完全性は向上するか？
• RQ3 特に低SNRまたは大規模な後震状況下において、人的な検査で一貫して見過ごされる地震波形の構造的・信号的パターンは何か？
• RQ4 軽量なトリガーと高度な分類器・精練モジュールの統合は、検出の効率性と正確性をどのように向上させるか？
• RQ5 深層学習モデルにおけるアテンションメカニズムは、見過ごされたP相検出と関連する地震波形の隠れた規則性を明らかにできるか？

主な発見

• EL-Pickerは、M 8.0の映秀地震の後震データセットにおいて、評価された手法の中で最高の検出性能を達成した。
• フレームワークは熟練者によるラベル付けデータよりも120%も多くのP相到着時刻を特定した。これは、検出の完全性が著しく向上したことを示している。
• 見過ごされた到着時刻の多くは、信号対雑音比（SNR）が低く、P相到着直後の15〜25秒の時間窓で波形が不明瞭な状態であった。
• RA-CNNモデルの分析から、アテンションメカニズムがS相ピークに集中していることが判明した。これは、S相ピーク付近に存在する微細なP相信号が、人的な検査でしばしば見過ごされていることを示している。
• アンサンブル分類器は、異なる地震観測所においても適応可能であることが確認され、フレームワークの多様な波形データへの柔軟性が裏付けられた。
• 人的ラベル付けは、高振幅・高SNRのイベントを優先する傾向にあり、特に大規模地震後の地域的後震の低SNR信号が系統的に検出されないことが判明した。