[論文レビュー] Breaking Cascadia's Silence: Machine Learning Reveals the Constant Chatter of the Megathrust

Bertrand Rouet‐Leduc, Claudia Hulbert+1 more|arXiv (Cornell University)|May 17, 2018

earthquake and tectonic studies参考文献 28被引用数 4

ひとこと要約

本研究では、バンクーバー島全域の生データから連続した振動様の地震波を抽出するために教師あり機械学習が用いられ、カスケイディアのメガスラブがゆっくりしたスリップサイクルの全期間にわたり、一貫して低振幅の地震的信号を発していることが明らかになった。この信号は、カタログに記録された振動イベントの300倍以上のエネルギーを占めており、故障のすべりダイナミクスをリアルタイムで高分解能で捉える手がかりを提供し、メガスラブ物理学および地震の前触れを示す新たな間接的プローブをもたらす。

ABSTRACT

Tectonic faults slip in various manners, ranging from ordinary earthquakes to slow slip events to aseismic fault creep. The frequent occurrence of slow earthquakes and their sensitivity to stress make them a promising probe of the neighboring locked zone where megaquakes take place. This relationship, however, remains poorly understood. We show that the Cascadia megathrust is continuously broadcasting a tremor-like signal that precisely informs of fault displacement rate throughout the slow slip cycle. We posit that this signal provides indirect, real-time access to physical properties of the megathrust and may ultimately reveal a connection between slow slip and megaquakes.

研究の動機と目的

• ゆっくりしたスリップイベントにおけるエネルギー収支の欠落を説明する可能性がある、カスケイディアの沈み込み帯に存在する連続的地震的信号の特定と定量的評価。
• 連続的地震データを用いて、GPSよりも高い時間分解能で故障のずれ速度を推定するための機械学習フレームワークの構築。
• この持続的地震的信号が、既知の振動バーストと同一の物理的プロセスに起因しているかどうかの検討。
• この信号が、故障のすべりダイナミクスのリアルタイムプロキシとして機能可能かどうかを評価し、ロックドゾーンへの応力移動のモニタリングを向上させる。
• 実験室でのスリップ実験から自然のテクトニック系へのスリップ物理学のスケーリングの探求。

提案手法

• カナダ国立地震計器網（CNSN）の40 Hz連続地震データに教師あり機械学習を適用し、GPSで得られたずれ速度をラベルとして用いる。
• 時間窓を1時間から1日単位として、地震データから振幅、周波数、エネルギー特性といった統計的特徴を抽出する。
• ランダムフォレスト回帰モデルを訓練し、地震特徴量からGPSずれ速度を予測するようにマッピングし、独立したテストデータでモデル性能を検証する。
• 2009–2012年を訓練データ、2013–2017年をテストデータとして用い、固定窓長1–60日でモデルをテストする。
• 連続データからの予測と、カタログに記録された振動イベントに制限された予測を比較し、背景振動の寄与を分離する。
• 連続信号のエネルギー含量を定量化し、カタログに記録された振動イベントの累積エネルギーと比較することで、欠落エネルギーの評価を行う。

実験結果

リサーチクエスチョン

• RQ1 連続的地震データは、GPSよりも高い時間分解能で故障ずれ速度を特定できるか？
• RQ2 カスケイディアのメガスラブに、ゆっくりしたスリップ速度と相関する持続的で低振幅の地震的信号が存在するか？
• RQ3 この連続的信号のエネルギーが、GPSで測定されたずれとカタログに記録された振動エネルギーとの差異を説明できるか？
• RQ4 連続的信号と古典的振動イベントの背後にある物理的メカニズムは同一か？
• RQ5 機械学習は、従来のイベントベースのカタログでは見逃される、生の地震データから意味のある地球物理学的信号を抽出できるか？

主な発見

• 連続的地震的信号は、1時間ごとの時間分解能で故障のずれ速度を高い忠実度で追跡しており、GPSに比べて高分解能のサブデイリー分解能を達成している。
• この信号は、カタログに記録された振動イベントの約300倍の地震的エネルギーを占めており、長年のエネルギー収支の不一致を解消した。
• ピークのゆっくりしたスリップ時に、連続的信号の正規化エネルギーとカタログに記録された振動エネルギーの間に強い相関が認められ、共通の物理的起源を示唆している。
• 振動が発生しない期間にも信号が持続しているため、振動は周期的ではなく、連続的またはほぼ連続的であることが示され、従来の仮定に挑戦する。
• この信号の統計的特徴は、実験室でのゆっくりしたスリップの観察と一致しており、その背後にある摩擦的物理法則が実験室から地球規模にスケーリング可能である可能性を示唆している。
• カタログに記録された振動イベントに制限されたモデルと比較して、連続データで訓練されたモデルは、ずれ速度をより正確に予測しており、非イベントデータに重要な情報が含まれていることを示している。