[論文レビュー] Combining Deep Learning with Physics Based Features in Explosion-Earthquake Discrimination

Qingkai Kong, Ruijia Wang+4 more|arXiv (Cornell University)|Mar 11, 2022

Seismology and Earthquake Studies参考文献 35被引用数 72

ひとこと要約

本論文は、地震と爆発の識別を向上させるために、物理ベースの地震特徴（例：高周波数P/S振幅比、ML–MCマグニチュード差）と畳み込みニューラルネットワークから得られる波形特徴を統合するハイブリッドディープラーニングモデルを提案する。特徴の統合により、新しい地域への一般化性能が向上し、Grad-CAM可視化により、モデルが意思決定に際してP波およびS波の異なる周波数帯に注目していることが明らかになった。

ABSTRACT

This paper combines the power of deep-learning with the generalizability of physics-based features, to present an advanced method for seismic discrimination between earthquakes and explosions. The proposed method contains two branches: a deep learning branch operating directly on seismic waveforms or spectrograms, and a second branch operating on physics-based parametric features. These features are high-frequency P/S amplitude ratios and the difference between local magnitude (ML) and coda duration magnitude (MC). The combination achieves better generalization performance when applied to new regions than models that are developed solely with deep learning. We also examined which parts of the waveform data dominate deep learning decisions (i.e., via Grad-CAM). Such visualization provides a window into the black-box nature of the machine-learning models and offers new insight into how the deep learning derived models use data to make the decisions.

研究の動機と目的

• 新しい地理的地域への一般化を向上させるため、ディープラーニングモデルを爆発・地震識別に応用する。
• 物理的に解釈可能な地震特徴（例：P/S振幅比、ML–MC差）をディープラーニングフレームワークに統合し、モデルのロバスト性を向上させる。
• Grad-CAMなどの解釈可能性技術を用いて、ディープラーニングモデルが特定の波形成分にどのように依存しているかを調査する。
• データ駆動型特徴と物理情報に基づく特徴を統合することで、より信頼性が高く、移植可能な地震源分類が実現できることを示す。

提案手法

• 二重ブランチのニューラルネットワークアーキテクチャを採用：一方のブランチは、畳み込み層および再帰層を介して生波形またはスペクトログラムを処理し、他方のブランチは設計された物理ベースの特徴を処理する。
• 物理ベースの特徴には、高周波数P/S振幅比および、爆発源と構造的地震源を区別できることが知られている、局地マグニチュード（ML）と尾波持続時間マグニチュード（MC）の差が含まれる。
• 両ブランチからの特徴を連結し、最終的な分類のために全結合層へ入力する。
• モデルの解釈可能性は、時間領域およびスペクトログラム入力に対して注目マップを可視化するGrad-CAMを用いて達成される。これにより、予測に影響を与える波形領域が特定される。
• データ拡張は、各イベントの開始時刻をランダムにサンプリングすることで実施され、トレーニングデータの多様性が向上し、クラス分布のバランスが取られる。
• モデルは、一貫した前処理（デトレンド処理、ハンニング窓処理、1–20 Hz帯域通過フィルタリング、40 Hzへの再サンプリング）を施した4つの地域データセット（SPE、BASE、MSH、SSIP）でトレーニングおよび評価される。

実験結果

リサーチクエスチョン

• RQ1 物理ベースの特徴とディープラーニングを統合することで、新しい地域における爆発・地震識別におけるモデルの一般化性能が向上するか？
• RQ2 ディープラーニングモデルが分類意思決定に最も依存している波形のどの部分か？
• RQ3 モデルがトレーニング地域外のデータに適用された際、物理ベースの特徴が性能にどのように寄与するか？
• RQ4 ディープラーニングブランチと物理ベースのブランチが意思決定プロセスにおいて、どの程度補い合っているか？
• RQ5 Grad-CAMのような可視化技術により、地球物理学的知識と整合する意味のあるパターンが明らかになるか？

主な発見

• ハイブリッドモデルは、波形のみを用いたディープラーニングモデルと比較して、未学習の地域データにおいてより優れた一般化性能を示した。
• 物理ベースの特徴の追加により、新しい地域でのモデル性能が向上し、これらの特徴がディープラーニングブランチが完全に捉えきれない情報を提供していることが示された。
• Grad-CAM可視化により、ディープラーニングモデルがP波およびS波の異なる周波数帯に注目していることが明らかになった。特に、高周波数成分に注目度が集中している。
• モデルがP波およびS波の各相に注目していることは、地球物理学的知識と整合しており、学習された特徴の物理的解釈可能性を裏付けた。
• 尾波、特に長時間遅延した尾波も識別に寄与しており、遠距離での分類において特に重要である。
• モデルが特定の周波数帯に依存していることから、今後の研究において動的または適応的P/S比計算の可能性が示唆された。