[論文レビュー] EPick: Multi-Class Attention-based U-shaped Neural Network for Earthquake Detection and Seismic Phase Picking

Wei Li, Megha Chakraborty+6 more|arXiv (Cornell University)|Sep 6, 2021

Seismology and Earthquake Studies参考文献 31被引用数 4

ひとこと要約

EPick は、地震検出および地震波の相拾いに向けた、複数クラス分類、アテンション拡張型のU字型ニューラルネットワークを提案する。U-Netの特徴階層と自己アテンションおよびマルチヘッドアテンションを組み合わせることで、特徴の精錬を向上させる。INSTANCEデータセットにおいてS相拾いの分野で最先端の性能を達成し、ノイズの多い条件下でもベースラインモデル（PhaseNet や ARRU）を上回る強力な汎化性能を示す。

ABSTRACT

Earthquake detection and seismic phase picking not only play a crucial role in travel time estimation of body waves(P and S waves) but also in the localisation of the epicenter of the corresponding event. Generally, manual phase picking is a trustworthy and the optimum method to determine the phase arrival time, however, its capacity is restricted by available resources and time. Moreover, noisy seismic data renders an additional critical challenge for fast and accurate phase picking. In this study, a deep learning based model, EPick, is proposed which benefits both from U shaped neural network (also called UNet)and attention mechanism, as a strong alternative for seismic event detection and phase picking. On one hand, the utilization of UNet structure enables addressing different levels of deep features. On the other hand, attention mechanism promotes the decoder in the UNet structure to focus on the efficient exploitation of the low-resolution features learned from the encoder part to achieve precise phase picking. Extensive experimental results demonstrate that EPick achieves better performance over the benchmark method, and show the models robustness when tested on a different seismic dataset.

研究の動機と目的

• 低信噪比（SNR）および小規模な地震イベントにおける地震波の相拾い精度を向上させる深層学習モデルの開発。
• 手動特徴量に依存し、パrameterチューニングに敏感である従来の自動拾い器の限界を克服すること。
• U-Netアーキテクチャにアテンションメカニズムを統合し、特徴表現を向上させ、相の到着時刻検出を改善すること。
• 多様な地震データセット、特にノイズが多い実世界のデータに対しても強固な汎化性能を実現すること。

提案手法

• EPick は、地震波形からのマルチスケール特徴を抽出するために、U-Netアーキテクチャ（U字型エンコーダデコーダ）を採用する。
• デコーダに自己アテンションおよびマルチヘッドアテンション機構を統合し、エンコーダから得られる関連のある低解像度特徴に注目する。
• P相およびS相の到着時刻を離散的時間ステップラベルとして予測するため、マルチクラス分類損失を用いてエンドツーエンドで学習する。
• 正例ラベルは、手動拾いの中心にガウス型マスクを配置し生成され、P相の標準偏差は0.2秒、S相は0.3秒とする。
• ノイズ耐性を高めるために、地震信号および非地震信号の両方で学習を行う。
• 汎化性能の評価は、INSTANCEデータセットを用い、相の到着時刻の比較に±0.1秒の許容範囲を設定する。

実験結果

リサーチクエスチョン

• RQ1 アテンション機構を統合したU-Netベースのアーキテクチャは、標準的なU-Netを上回る性能を示すか？
• RQ2 EPick は、PhaseNet や ARRU といった最先端モデルと比較して、S相拾いにおいてどの程度の性能を示すか？
• RQ3 地震信号および非地震信号の両方で学習させることで、ノイズ耐性および未学習データへの汎化性能が向上するか？
• RQ4 アテンション機構は、デコーダにおける特徴精錬をどのように向上させ、正確な相の到着時刻検出を可能にするか？
• RQ5 ラベル形式（ガウスマスク vs. ウィンドウベース）がモデル性能および汎化性能に与える影響は何か？

主な発見

• INSTANCEデータセットにおいて、EPick はP相拾いの平均誤差が -0.885 秒、標準偏差が 3.947 秒であり、S相拾いの分野でPhaseNet や ARRU を上回る性能を示した。
• S相拾いにおいて、EPick は平均誤差 0.116 秒、標準偏差 1.895 秒を記録し、PhaseNet（平均: -0.178 秒、標準偏差: 2.234 秒）および ARRU（平均: 0.319 秒、標準偏差: 3.130 秒）を上回る優れた性能を示した。
• EPick は、弱震動ステーションおよび強震動ステーションのデータを含むINSTANCEデータセットにおいても強力な汎化性能を示し、多様な信号条件に耐性があることを示した。
• 非地震信号で学習したことで、EPick はノイズの多い環境下でもベースラインモデルよりも安定的かつ正確な性能を発揮した。
• アテンション機構により、デコーダにおける特徴精錬が顕著に向上し、低レベル特徴の効果的利用が可能になり、正確な相の検出が可能になった。
• 異なる信号特性を持つデータセットでもEPickは高い性能を維持しており、その適応性および汎化能力を確認した。