[論文レビュー] PickBlue: Seismic Phase Picking for Ocean Bottom Seismometers With Deep Learning

Thomas Bornstein, Dietrich Lange+6 more|arXiv (Cornell University)|Apr 13, 2023

Seismology and Earthquake Studies被引用数 1

ひとこと要約

本稿では、海底地震計（OBS）に特化した深層学習ベースの相位ピッカーであるPickBlueを紹介する。PickBlueは、3成分の地震計データと水圧計信号を統合して処理する。15件のOBS設置データを含む新しい大規模ラベル付きデータセットで学習させた結果、P波の平均絶対偏差は0.05 s、S波は0.12 sに達し、陸上データでのみ学習されたモデルを著しく上回り、海洋環境におけるノイズ条件下でも水圧計の統合が有効であることを示している。

ABSTRACT

Detecting phase arrivals and pinpointing the arrival times of seismic phases in seismograms is crucial for many seismological analysis workflows. For land station data machine learning methods have already found widespread adoption. However, deep learning approaches are not yet commonly applied to ocean bottom data due to a lack of appropriate training data and models. Here, we compiled an extensive and labeled ocean bottom seismometer dataset from 15 deployments in different tectonic settings, comprising ~90,000 P and ~63,000 S manual picks from 13,190 events and 355 stations. We propose PickBlue, an adaptation ot the two popular deep learning networks EQTransformer and PhaseNet. PickBlue joint processes three seismometer recordings in conjunction with a hydrophone component and is trained with the waveforms in the new database. The performance is enhanced by employing transfer learning, where initial weights are derived from models trained with land earthquake data. PickBlue significantly outperforms neural networks trained with land stations and models trained without hydrophone data. The model achieves a mean absolute deviation (MAD) of 0.05 s for P waves and 0.12 s for S waves. We integrate our dataset and trained models into SeisBench to enable an easy and direct application in future deployments.

研究の動機と目的

• 水圧計の干渉、クジラの鳴き声、水中リバーブなど、特異なノイズ特性を有する海底地震計（OBS）データに特化した深層学習モデルが不足しているという問題に対処する。
• OBSに特有の水圧計チャネルを、3成分地震計データと併用して効果的に活用することで、複雑な海洋環境下での相位ピッキング精度を向上させる相位ピッカーを開発する。
• 15件のOBS設置データを含み、約90,000件のP波ピッキングと約63,000件のS波ピッキングを持つ、大規模で標準化され、ラベル付けされたデータセットを構築・公開し、今後の研究やモデル学習を支援する。
• 陸上データでの事前学習とOBSデータでのファインチューニングを組み合わせたモデルが、単に陸上データでのみ学習されたモデルを上回ることを示し、特に水圧計データを含めた場合に顕著である。
• SeisBenchプラットフォームへのシームレスな統合を可能にし、今後のOBS設置や地震学的ワークフローへの直接応用を可能にする。

提案手法

• EQTransformerとPhaseNetを組み合わせたハイブリッドアーキテクチャとしてPickBlueを提案。垂直方向および水平方向の2成分の地震計データに加え、水圧計信号の合計4チャンネルを入力として受け付けるように変更した。
• トランスファーラーニングを用いてモデルを学習。陸上データベース（例：STEADおよびINSTANCEデータセット）で事前学習した重みを初期値とし、新規に構築したOBSデータセットでファインチューニングした。
• 段階的な学習パイプラインを採用：まず陸上データで事前学習し、その後、手動ピッキング付きで新規に収集したOBSデータセットでファインチューニングした。
• 予測出力に信頼度スコアを統合し、外れ値ピッキングの可能性を反映させることで、自動ワークフローにおける信頼性を向上させた。
• 複数の設置実験およびモデルバリアント（水圧計入力なしのアブレーションスタディを含む）を用いた残差解析と信頼度スタックを用いて性能を検証した。
• SeisBenchプラットフォームを通じて、標準化されたインターフェースを備えた訓練済みモデルとデータセットを公開し、地震学的応用への直接利用を可能にした。

実験結果

リサーチクエスチョン

• RQ1 OBSデータに特化した深層学習相位ピッカーを、OBSデータのみで学習させた場合、海洋環境下でのP波・S波ピッキングにおいて、陸上データで事前学習したモデルを上回る性能を達成できるか？
• RQ2 水圧計チャネルを含めることで、水中リバーブや海洋哺乳類の発声などの複雑なノイズ環境下で、OBSデータの相位ピッキング精度はどの程度向上するか？
• RQ3 本研究で収集したOBS設置データの多様性を考慮すると、異なるテクトニック環境や設置条件において、モデルの性能はどのように変動するか？
• RQ4 モデルが出力する信頼度スコアは、誤ったピッキングの可能性を信頼性を持って示せるか。これにより、自動化された地震目録の耐障害性が向上するか？
• RQ5 陸上データベースで事前学習したモデルを、OBSデータに特化したファインチューニングと組み合わせることで、どの程度一般化性能と性能が向上するか？

主な発見

• テストセットにおいて、PickBlueはP波の平均絶対偏差（MAD）が0.05 s、S波が0.12 sに達し、相位到着時刻推定の高精度を実証した。
• 陸上データで事前学習したモデル（例：STEAD）をOBSデータでファインチューニングした場合、単に陸上データでのみ学習されたモデルを著しく上回った。特に水圧計データを含めた場合に顕著であった。
• 水圧計チャネルの統合により、顕著な性能向上が得られ、特に誤検出（偽陽性）の低減とS相のピッキング精度の向上に寄与した。
• 水圧計チャネルを除外しても、OBSデータに特化した学習を直接行ったモデルは、単に陸上データでのみ学習されたモデルを上回った。これは、海洋環境に特化したドメイン固有データの価値を示している。
• 異なるOBS設置での性能のばらつきが観察された。これにより、両方のPickBlueバージョンを設置状況に応じてテスト・評価する必要があることが示された。
• データセットと訓練済みモデルは、標準化されたインターフェースを備えてSeisBenchを通じて公開されており、今後のOBSデータ処理ワークフローへの直接統合が可能である。