[論文レビュー] Machine Learning-enhanced Realistic Framework for Real-time Seismic Monitoring - The Winning Solution of the 2017 International Aftershock Detection Contest.

Dazhong Shen, Qi Zhang+8 more|arXiv (Cornell University)|Nov 21, 2019

Seismology and Earthquake Studies参考文献 27被引用数 3

ひとこと要約

本論文では、騒音が強く、後震が密集する環境下におけるリアルタイム地震P波到着検出のための機械学習強化型アンサンブルフレームワーク、EL-Pickerを提示する。トリガー、分類器、リファイナーモジュールをアンサンブル学習で統合することで、EL-Pickerは優れた性能を達成し、既存手法よりも120%も多くのP波到着を特定した。これは、多様な地震観測所において高い正確性、効率性、耐障害性を示している。

ABSTRACT

Identifying the arrival times of seismic P-phases plays a significant role in real-time seismic monitoring, which provides critical guidance for emergency response activities. While considerable research has been conducted on this topic, efficiently capturing the arrival times of seismic P-phases hidden within intensively distributed and noisy seismic waves, such as those generated by the aftershocks of destructive earthquakes, remains a real challenge since most common existing methods in seismology rely on laborious expert supervision. To this end, in this paper, we present a machine learning-enhanced framework based on ensemble learning strategy, EL-Picker, for the automatic identification of seismic P-phase arrivals on continuous and massive waveforms. More specifically, EL-Picker consists of three modules, namely, Trigger, Classifier, and Refiner, and an ensemble learning strategy is exploited to integrate several machine learning classifiers. An evaluation of the aftershocks following the MS 8.0 Wenchuan earthquake demonstrates that EL-Picker can not only achieve the best identification performance but also identify 120% more seismic P-phase arrivals as complementary data. Meanwhile, experimental results also reveal both the applicability of different machine learning models for waveforms collected from different seismic stations and the regularities of seismic P-phase arrivals that might be neglected during manual inspection. These findings clearly validate the effectiveness, efficiency, flexibility and stability of EL-Picker. Note that this paper is the English version of our work published in Science China Information Science (http://engine.scichina.com/doi/10.1360/SSI-2020-0214).

研究の動機と目的

• 騒音が強く、密集した後震波形におけるP波到着の検出という課題に対処すること。
• 地震監視における人的な熟練作業に依存するのを減らすこと。
• 継続的で大規模な地震波形ストリームを処理できるスケーラブルで自動化されたシステムの開発。
• リアルタイム地震監視応用における検出の正確性と完全性の向上。
• 手作業による点検が見逃す可能性のある微細なまたは無視されたP波パターンの同定を可能にすること。

提案手法

• 複数の機械学習分類器を統合することで、より高い耐障害性と正確性を達成するアンサンブル学習戦略を採用する。
• トリガー（初期イベント検出）、分類器（P波到着推定）、リファイナ（精度向上のための後処理）の3モジュールからなるパイプラインを設計する。
• 複数の地震観測所からの波形で訓練された多様な機械学習モデルを活用し、施設固有の特性に適応できるようにする。
• 特徴工学と時系列モデリングを適用し、継続的な地震波形から特徴的なパターンを抽出する。
• 複数の分類器の予測をアンサンブル平均または投票によって統合し、個々のモデルのバイアスを低減する。
• ストリーミング地震データにおける低遅延処理を最適化し、リアルタイム推論に適したフレームワークを構築する。

実験結果

リサーチクエスチョン

• RQ1 アンサンブル機械学習フレームワークは、騒音の強い後震波形内でのP波検出において、従来手法を上回ることができるか？
• RQ2 自動検出システムは、手作業による検出限界を超えて、どの程度追加のP波到着を特定できるか？
• RQ3 異なるノイズプロファイルを示す多様な観測所からの地震波形において、さまざまな機械学習モデルはどの程度の性能を示すか？
• RQ4 自動化システムは、手作業による点検で見過ごされがちなP波到着の隠れた規則性をどの程度特定できるか？
• RQ5 提案されたフレームワークは、リアルタイム監視において変動する地震状況に対しても高い安定性と正確性を維持できるか？

主な発見

• EL-Pickerは、2017年国際後震検出コンテストで評価されたすべての手法の中で、最高の同定性能を達成した。
• フレームワークは、既存手法よりも120%も多くの地震P波到着を特定し、検出の完全性を顕著に向上させた。
• 異なる機械学習モデルが、さまざまな地震観測所からの波形において強く適応可能であることが示され、一般化性能の高さが裏付けられた。
• システムは、従来の手作業による点検で無視されていた一貫性のあるP波到着パターンを明らかにした。これは、地震データに潜む隠れた規則性を示している。
• EL-Pickerは、リアルタイムで継続的かつ大規模な地震波形を処理する際、高い安定性、効率性、柔軟性を示した。
• アンサンブル学習戦略により、多様な地震状況下でのモデル分散が効果的に低減され、検出の信頼性が向上した。