[論文レビュー] Accelerating Time-Reversal Imaging with Neural Operators for Real-time Earthquake Locations

Hongyu Sun, Yang Yan+3 more|arXiv (Cornell University)|Oct 13, 2022

Seismic Imaging and Inversion Techniques被引用数 4

ひとこと要約

本論文は、リアルタイムで高分解能の地震震源位置特定を可能にするため、U字型ニューラルオペレーターを用いた深層学習フレームワークを提案する。合成波動場を用いて訓練することで、モデルはほぼリアルタイムに全ステーションの逆方向に伝播する波動場を予測する。これにより、計算時間を数時間から1分未塔に短縮し、物理法則を組み込んだマルチステーション波形からの効率的で高精度な震源位置特定を実現する。全波形シミュレーションと同等の精度を達成する。

ABSTRACT

Earthquake hypocenters form the basis for a wide array of seismological analyses. Pick-based earthquake location workflows rely on the accuracy of phase pickers and may be biased when dealing with complex earthquake sequences in heterogeneous media. Time-reversal imaging of passive seismic sources with the cross-correlation imaging condition has potential for earthquake location with high accuracy and high resolution, but carries a large computational cost. Here we present an alternative deep-learning approach for earthquake location by combining the benefits of neural operators for wave propagation and time reversal imaging with multi-station waveform recordings. A U-shaped neural operator is trained to propagate seismic waves with various source time functions and thus can predict a backpropagated wavefield for each station in negligible time. These wavefields can either be stacked or correlated to locate earthquakes from the resulting source images. Compared with other waveform-based deep-learning location methods, time reversal imaging accounts for physical laws of wave propagation and is expected to achieve accurate earthquake location. We demonstrate the method with the 2D acoustic wave equation on both synthetic and field data. The results show that our method can efficiently obtain high resolution and high accuracy correlation-based time reversal imaging of earthquake sources. Moreover, our approach is adaptable to the number and geometry of seismic stations, which opens new strategies for real-time earthquake location and monitoring with dense seismic networks.

研究の動機と目的

• 従来の時間反転イメージングによる地震位置特定における高い計算コストを克服すること。
• 高密度な地震計ネットワークを用いたリアルタイムで高分解能の地震監視を可能にすること。
• 物理的波動伝播法則を深層学習に統合し、正確で解釈可能な地震位置特定を実現すること。
• 相拾いに依存するのを減らし、複雑で不均一な媒質でも高い性能を発揮すること。
• 3次元や弾性媒質に適応可能なスケーラブルで汎用性の高い手法を開発すること。

提案手法

• U字型ニューラルオペレーターは、2次元音響波動方程式から生成された合成波動場を用いて、全ステーションの時間反転波動場を同時に予測するように訓練される。
• 異なる震源時間関数と速度構造の多様なセットを用いて訓練することで、さまざまな地震シナリオに一般化可能となる。
• 全ステーションからの逆方向に伝播する波動場を相互相関させ、震源像を生成する。ピーク強度が地震の震源を示す。
• 相関イメージング条件を活用することで、空間分解能を向上させ、振幅誤差に対して耐性を高める。
• 訓練データはスペクトル要素法（SEM）シミュレーションを用いて生成され、物理的正確性を確保し、数値アーチファクトを回避する。
• 適切な再訓練とアーキテクチャの適応により、3次元および弾性媒質へスケーラブルに拡張可能である。

実験結果

リサーチクエスチョン

• RQ1 ニューラルオペレーターは、正確性を保ちつつ、時間反転イメージングの計算を著しく高速化できるか？
• RQ2 全波形シミュレーション（SEM）と比較して、ニューラルオペレーターの位置特定精度と分解能はどの程度か？
• RQ3 実世界の波形における信号対雑音比が低いデータや振幅誤差に対して、この手法はどの程度耐性を示すか？
• RQ4 フィルタリング済み波形と生波形の両方で、この手法の性能はどのように異なるか？最適な結果を得るための前処理は何か？
• RQ5 再訓練なしで、異なるステーション配置や速度モデルに一般化できるか？

主な発見

• ニューラルオペレーター（UNO）は、96×96グリッドに対して全ステーションの逆方向波動場を30秒未塔で予測する。SEMと比較すると180倍の高速化を達成した。
• UNOの震源像は、SEMと同等の位置特定精度を達成しており、特に低周波数波形（≤6 Hz）において、合成データおよび実地データの両方で正しい震源の回復が可能であった。
• 生波形を入力しても、相関イメージング条件により正確な震源像が得られるため、振幅誤差や低周波数成分の優位性に対して高い耐性を示す。
• 実地データに単純なローパスフィルタ（3–6 Hz）を適用することで、位置特定精度が著しく向上した。これは、低周波数成分が信頼できるイメージングに十分であることを示唆している。
• 異なるステーション配置においても高い分解能と精度を維持し、地下構造の事前知識をもとに、さまざまな速度モデルに適応可能である。
• 本手法により、リアルタイム地震監視が実現可能となり、高密度な地震計ネットワークにおける運用への適合が可能な処理時間である。