[論文レビュー] QuakeFlow: A Scalable Machine-learning-based Earthquake Monitoring Workflow with Cloud Computing

Weiqiang Zhu, Alvin Brian Hou+5 more|arXiv (Cornell University)|Aug 30, 2022

Seismology and Earthquake Studies被引用数 6

ひとこと要約

QuakeFlow は、Kubernetes を基盤とするクラウドネイティブな地震監視ワークフローであり、深層学習モデル（PhaseNet による相関検出と GaMMA による相関関連）を統合することで、従来のカタログと比較してはるかに多くの微小地震を検出する。これは、AWS、GCP、Azure などのクラウドプラットフォーム上で、スケーラブルでリアルタイムかつバッチ処理が可能な大規模な地震波形データセット処理を可能にし、プエルトリコでは10倍以上の検出イベント増加、ハワイでは10倍以上のイベント検出を示し、これまでに検出されなかった地震構造を明らかにした。

ABSTRACT

Earthquake monitoring workflows are designed to detect earthquake signals and to determine source characteristics from continuous waveform data. Recent developments in deep learning seismology have been used to improve tasks within earthquake monitoring workflows that allow the fast and accurate detection of up to orders of magnitude more small events than are present in conventional catalogs. To facilitate the application of machine-learning algorithms to large-volume seismic records, we developed a cloud-based earthquake monitoring workflow, QuakeFlow, that applies multiple processing steps to generate earthquake catalogs from raw seismic data. QuakeFlow uses a deep learning model, PhaseNet, for picking P/S phases and a machine learning model, GaMMA, for phase association with approximate earthquake location and magnitude. Each component in QuakeFlow is containerized, allowing straightforward updates to the pipeline with new deep learning/machine learning models, as well as the ability to add new components, such as earthquake relocation algorithms. We built QuakeFlow in Kubernetes to make it auto-scale for large datasets and to make it easy to deploy on cloud platforms, which enables large-scale parallel processing. We used QuakeFlow to process three years of continuous archived data from Puerto Rico, and found more than a factor of ten more events that occurred on much the same structures as previously known seismicity. We applied Quakeflow to monitoring frequent earthquakes in Hawaii and found over an order of magnitude more events than are in the standard catalog, including many events that illuminate the deep structure of the magmatic system. We also added Kafka and Spark streaming to deliver real-time earthquake monitoring results. QuakeFlow is an effective and efficient approach both for improving realtime earthquake monitoring and for mining archived seismic data sets.

研究の動機と目的

• 大規模な連続地震波形データの処理における計算のボトル neck を解消すること。
• 最先端の機械学習モデルを統合したスケーラブルでモジュラーかつ拡張可能な地震監視ワークフローの開発。
• Kubernetes やコンテナ化といったクラウドネイティブ技術を活用した、効率的でリアルタイムかつ大規模な地震データ処理の実現。
• 構造的・火山的地域における微小かつこれまでに検出されなかった地震イベントの検出と特徴化の向上。
• 地震監視ワークフローにおいて、新しい機械学習モデルのベンチマークとデプロイメントを可能にする柔軟で交換可能なパイプラインの提供。

提案手法

• QuakeFlow は、AWS、GCP、Azure などのクラウドプラットフォームにわたる自動スケーリングとデプロイメントを可能にするために Kubernetes を基盤として構築されている。
• 各処理コンponent（相関検出、相関関連、およびオプションの後処理）は Docker を用いてコンテナ化され、モularity とポータビリティが確保されている。
• PhaseNet は、連続地震波形からの P 波および S 波の到着時刻を高精度に検出するための深層ニューラルネットワークである。
• GaMMA は、検出された相関をイベントに関連付け、概ねの位置とマグニチュードを推定するためのガウス混合モデルである。
• リアルタイム処理と低遅延の監視を可能にするために、Kafka と Spark Streaming が統合されている。
• モデルのプラグアンドプレイによる交換と、新しいコンponent（例：再位置決めや断層メカニズム推定ツール）の追加が可能で、拡張性が向上している。

実験結果

リサーチクエスチョン

• RQ1 クラウドネイティブでコンテナ化されたワークフローは、複数年の地震波形データセットを効率的に処理し、従来のカタログと比較してはるかに多くの微小地震を検出できるか？
• RQ2 深層学習モデル（PhaseNet と GaMMA）の統合は、ハワイやプエルトリコのような地震活動が活発な地域で、検出精度と位置特定精度をどのように向上させるか？
• RQ3 QuakeFlow は、ストリーミングデータパイプラインを用いて、地震ネットワークのリアルタイム監視をどの程度可能にするか？
• RQ4 QuakeFlow のモジュラーかつコンテナ化されたアーキテクチャは、地震監視における新しい機械学習モデルの統合とベンチマーク手法をどの程度支援するか？
• RQ5 アーカイブ済みおよびリアルタイムのデータから、これまでに検出されなかった微小イベントを検出することで、地震構造や活動に関するどのような新たな知見が得られるか？

主な発見

• QuakeFlow は、プエルトリコの3年間分の連続地震波形データを数時間で処理し、標準カタログと比較して10倍以上も多くのイベントを検出した。
• ハワイでは、QuakeFlow は公式カタログと比較して10倍以上の地震イベントを検出しており、マグマシステムの構造を明らかにする深部イベントを含んでいた。
• このワークフローは、キラエアで地震活動が移動するパターンを明確に特定した。具体的には、パハラ地域からの上昇移動とマントル断層帯に沿った水平移動を捉えた。
• クラウドプラットフォーム上で自動スケーリングの能力を示し、数千の計算ノードにわたる並列処理を効率的に行えることを実証した。
• QuakeFlow のモジュラー設計により、新しいモデルやコンponent（例：相関精度を向上させる相互相関）のシームレスな統合が可能となり、カタログの解像度が向上した。
• 結果として、QuakeFlow はリアルタイム監視と大規模なレトロスペクティブ解析の両方を可能にし、地震活動の特徴づけを顕著に向上させた。