[論文レビュー] PhaseNet: A Deep-Neural-Network-Based Seismic Arrival Time Picking Method

Weiqiang Zhu, Gregory C. Beroza|arXiv (Cornell University)|Mar 8, 2018

Seismology and Earthquake Studies被引用数 110

ひとこと要約

PhaseNet は三成分の地震計記録から P、S、およびノイズ確率分布を出力する深層ニューラルネットワークを用い、従来の方法より P/S 到達時間決定の精度が高く、特に S 波で優れている。

ABSTRACT

As the number of seismic sensors grows, it is becoming increasingly difficult for analysts to pick seismic phases manually and comprehensively, yet such efforts are fundamental to earthquake monitoring. Despite years of improvements in automatic phase picking, it is difficult to match the performance of experienced analysts. A more subtle issue is that different seismic analysts may pick phases differently, which can introduce bias into earthquake locations. We present a deep-neural-network-based arrival-time picking method called "PhaseNet" that picks the arrival times of both P and S waves. Deep neural networks have recently made rapid progress in feature learning, and with sufficient training, have achieved super-human performance in many applications. PhaseNet uses three-component seismic waveforms as input and generates probability distributions of P arrivals, S arrivals, and noise as output. We engineer PhaseNet such that peaks in probability provide accurate arrival times for both P and S waves, and have the potential to increase the number of S-wave observations dramatically over what is currently available. This will enable both improved locations and improved shear wave velocity models. PhaseNet is trained on the prodigious available data set provided by analyst-labeled P and S arrival times from the Northern California Earthquake Data Center. The dataset we use contains more than seven million waveform samples extracted from over thirty years of earthquake recordings. We demonstrate that PhaseNet achieves much higher picking accuracy and recall rate than existing methods.

研究の動機と目的

• dense なセンサーネットワークで自動化され unbiased な地震相検出の必要性を動機づける。
• ラベル付き P および S 到達を用いて位相特徴を学習するデータ駆動型手法を開発する。
• 三成分の波形を活用して、到達時刻の正確さを高めるために P/S/ノイズの確率的出力を生成する。
• 大規模な NCEDC由来データセットを用いて伝統的な STA/LTA や既存のピッカーよりも優れた性能を示す。

提案手法

• 時系列入力を P、S、ノイズの三つの確率分布へマップする 1-D アダプテーションの U-Net アーキテクチャ（PhaseNet）を採用する。
• グラウンドトゥルースの P/S 時間をガウス確率分布として表現し、ラベル付けの不確かさを処理するために地震到来のラベル付きデータでネットワークを訓練する。
• P および S のピークを出力分布内に局所化させるよう、4段のダウンサンプリングと4段のアップサンプリング、スキップ接続を使用する。
• 予測された P および S の確率分布のピークから到達時刻を抽出する（ソフトマックス最終層とクロスエントロピーロス）。
• 精度、再現率、F1、残差ベースの指標（∆t）を用いてグラウンドトゥルースのピックと比較し、ARピッカーをベースラインと比較する。

実験結果

リサーチクエスチョン

• RQ1 PhaseNet は raw な三成分波形から P および S 到来の頑健で一般化可能な特徴を直接学習できるか？
• RQ2 PhaseNet は従来法と比較して P および S ピックの精度、再現率、到達時刻の残差の点でどのような性能か？
• RQ3 PhaseNet は異なる計測器タイプやノイズの多いデータに対して、過度な事前フィルタリングなしで頑健か？
• RQ4 到達時刻を確率分布として表現することが収束性と精度に与える影響は何か？
• RQ5 PhaseNet は地震監視に適した連続的な時間検出を提供できるか？

主な発見

Metric	P phase (PhaseNet)	P phase (AR picker)	S phase (PhaseNet)	S phase (AR picker)
Precision	0.939	0.558	0.853	0.195
Recall	0.857	0.558	0.755	0.144
F1 score	0.896	0.558	0.801	0.165
µ(∆t) (ms)	2.068	11.647	3.311	27.496
σ(∆t) (ms)	51.530	83.991	82.858	181.027

• PhaseNet は、比較対象の AR ピッカーより高い精度、再現率、F1を達成しており、特に S 到来で優れている。
• P および S の残差 µ(∆t) は 2.068 ms (P) および 3.311 ms (S)、標準偏差は 51.530 ms (P) および 82.858 ms (S)。
• PhaseNet は機器タイプと SNR レベルを超えて過度なデ-noising やフィルタリングなしで頑健な性能を示す。
• PhaseNet は学習された潜在表現で P、S、ノイズを効果的に分離し、 deepest layer の PCA によって示される。
• PhaseNet は P および S の連続的な確率分布を生成でき、地震検知と速度モデリングの改善の可能性を提供する。