[論文レビュー] Deep Learning-based Small Magnitude Earthquake Detection and Seismic Phase Classification

Wei Li, Yu Sha+5 more|arXiv (Cornell University)|Apr 6, 2022

Seismology and Earthquake Studies被引用数 5

ひとこと要約

本稿では、低SNR条件下における微小規模地震の検出および地震波の相分類（P波、S波、ノイズ）を目的として、1次元残差畳み込みニューラルネットワーク（ResNet）とマルチブランチResNetを提案する。南カリフォルニア地震観測網のデータで学習させたモデルは、地震検出において98.85％のテスト精度を達成し、従来のディーブラーニング手法よりも地震監視性能で4％の向上を示した。ノイズの多い低振幅信号に対しても優れた性能を発揮した。

ABSTRACT

Reliable earthquake detection and seismic phase classification is often challenging especially in the circumstances of low magnitude events or poor signal-to-noise ratio. With improved seismometers and better global coverage, a sharp increase in the volume of recorded seismic data is witnessed. This makes the handling of the seismic data rather daunting based on traditional approaches and therefore fuels the need for a more robust and reliable method. In this study, we investigate two deep learningbased models, termed 1D ResidualNeuralNetwork (ResNet) and multi-branch ResNet, for tackling the problem of seismic signal detection and phase identification, especially the later can be used in the case where multiple classes is organized in the hierarchical format. These methods are trained and tested on the dataset of the Southern California Seismic Network. Results demonstrate that the proposed methods can achieve robust performance for the detection of seismic signals, and the identification of seismic phases, even when the seismic events are of small magnitude and are masked by noise. Compared with previously proposed deep learning methods, the introduced frameworks achieve 4% improvement in earthquake monitoring, and a slight enhancement in seismic phase classification.

研究の動機と目的

• 低SNR環境下における微小規模地震の検出および地震波の相分類の課題に対処すること。
• STA/LTA や AR-AIC といった従来手法の限界を克服すること。これらの手法は低SNR信号や誤検出に対して脆弱である。
• ディーブラーニングを活用して、大規模な地震データセットにおける地震信号検出および相識別の自動化と信頼性の向上を図ること。
• 1次元ResNetおよびマルチブランチResNetアーキテクチャの階層的分類性能を評価すること。
• ノイズが多く複雑なデータを含む実世界の地震監視応用において、ディーブラーニングモデルの頑健性とスケーラビリティを示すこと。

提案手法

• 時間系列地震データにおける特徴学習の向上と消失勾配の緩和を目的として、スキップ接続を備えた1次元残差畳み込みニューラルネットワーク（ResNet34）を採用する。
• 階層的構造を事前知識として組み込んだマルチブランチResNetアーキテクチャを設計し、P波、S波、ノイズの分類性能を向上させる。
• 南カリフォルニア地震観測網（SCSN）データセットのラベル付き地震波形を用いて、教師あり学習により両モデルを学習させ、各相をP波、S波、ノイズとしてラベル付けする。
• データ正規化（振幅の絶対最大値へのスケーリング）、100Hzへの再サンプリング、分類用に交差エントロピー損失関数を含む、標準的なディーブラーニング学習プロトコルを適用する。
• 過学習を防ぎ、テストデータに対する最適な一般化性能を確保するため、早期停止とモデルチェックポイントの適用を実施する。
• 精度、再現率、F1スコアの複数クラス評価指標を用いて性能を評価し、訓練データ分割割合（例：50％、90％）に対するアブレーションスタディを実施する。

実験結果

リサーチクエスチョン

• RQ1 1次元ResNetアーキテクチャは、低SNRの地震データにおいて微小規模地震を効果的に検出できるか？
• RQ2 階層的構造を組み込んだマルチブランチResNetアーキテクチャは、標準的なResNetと比較して、地震波の分類精度を向上させるか？
• RQ3 提案されたディーブラーニングフレームワークは、CapsNet や CapsPhase といった先行の最先端手法と比較して、検出および相分類性能で優れているか？
• RQ4 残差接続およびマルチブランチアーキテクチャの使用は、地震信号分類における特徴学習およびモデルの頑健性をどの程度向上させるか？
• RQ5 従来の検出アルゴリズムが困難とするノイズが多く、低振幅の波形に対しても、モデルは良好に一般化できるか？

主な発見

• 1次元ResNetは、地震検出において98.83％のテスト精度、地震波の相分類において98.76％のF1スコアを達成した。
• マルチブランチResNetは、わずかに高い検出精度98.85％を達成し、地震監視性能でCapsNetを4％上回った。
• ノイズ検出においては、マルチブランチResNetが99.14％のF1スコアを達成し、背景ノイズに対する優れた頑健性を示した。
• P波分類においては、マルチブランチResNetが98.71％のF1スコアを達成し、この相においてCapsPhaseを精度と再現率の両面で上回った。
• 図6に示すように、誤分類された波形に対してもモデルは高い性能を維持しており、複雑または曖昧な信号に対して耐性があることが示された。
• 階層的マルチブランチアーキテクチャは、特にS波とノイズの区別において性能向上をもたらし、分類に構造的事前知識を効果的に活用したことを示唆している。