[論文レビュー] Slow slip detection with deep learning in multi-station raw geodetic time series validated against tremors in Cascadia

Giuseppe Costantino, Sophie Giffard‐Roisin+4 more|arXiv (Cornell University)|May 31, 2023

earthquake and tectonic studies被引用数 4

ひとこと要約

本研究では、物理的制約を組み込んだ合成トレーニングデータとハイブリッドCNN-Transformerアーキテクチャを用いて、生のマルチステーションGNSS時系列データに対して、最初のエンド・ツー・エンドのディープラーニング検出器を提案する。カスカディア地域（2007–2022年）で78件のスロースリップイベント（SSEs）を検出しており、既知のイベントの87.5％を回復した。また、ゆっくりとした変形とトゥルーマル活動の間に1日分の時間遅れが観測された。これは、SSEが周辺の非破壊的破壊を誘発する可能性を示唆している。

ABSTRACT

Slow slip events (SSEs) originate from a slow slippage on faults that lasts from a few days to years. A systematic and complete mapping of SSEs is key to characterizing the slip spectrum and understanding its link with coeval seismological signals. Yet, SSE catalogues are sparse and usually remain limited to the largest events, because the deformation transients are often concealed in the noise of the geodetic data. Here we present the first multi-station deep learning SSE detector applied blindly to multiple raw geodetic time series. Its power lies in an ultra-realistic synthetic training set, and in the combination of convolutional and attention-based neural networks. Applied to real data in Cascadia over the period 2007-2022, it detects 78 SSEs, that compare well to existing independent benchmarks: 87.5% of previously catalogued SSEs are retrieved, each detection falling within a peak of tremor activity. Our method also provides useful proxies on the SSE duration and may help illuminate relationships between tremor chatter and the nucleation of the slow rupture. We find an average day-long time lag between the slow deformation and the tremor chatter both at a global- and local-temporal scale, suggesting that slow slip may drive the rupture of nearby small asperities.

研究の動機と目的

• 手作業や事前処理依存のアプローチに制限がある状況において、生の地球物理的時系列データからスロースリップイベント（SSEs）を体系的かつ自動的に検出する手法を開発すること。
• SSE検出のためのラベル付きトレーニングデータの不足を補うために、空間相関とデータギャップを含む、現実的で物理的根拠に基づいた合成GNSSデータセットを生成すること。
• 従来の地球物理的解析ではノイズに埋もれがちな低マグニチュードSSE（Mw < 6）の検出を向上させること。
• 独立したトゥルーマルカタログと照合し、SSEとトゥルーマル活動の時間的関係を評価すること。

提案手法

• SSEgeneratorは、断層界面におけるスロースリップ変形をモデル化し、空間相関、季節的信号、現実的なデータギャップを組み合わせることで、現実的でマルチステーションGNSS時系列を合成する。
• SSEdetectorは、局所的特徴抽出のための1次元畳み込みニューラルネットワーク（CNN）と、複数ステーションにわたる長距離時間的依存性を扱う自己注意メカニズム（Transformer）を組み合わせたハイブリッドディープラーニングアーキテクチャを採用する。
• モデルは事前フィルタリングを行わず、生の未処理GNSS位置時系列データに対してエンド・ツー・エンドでトレーニングされ、ノイズの特徴を学習し、真の変形遷移を区別できるようにする。
• 信号の空間スタッキングは、SSEの物理的知識に従い、サブダクション帯に近いステーションのデータを、期待される変形パターンに合わせて整列させる。
• モデルの出力は、各時刻におけるSSEの発生確率を示す確率時系列であり、その後しきい値処理によってイベントを特定する。
• 検証には、SSE検出結果と日次トゥルーマル数の相互相関を用い、意味のある関連性を保証するための統計的フィルタリング（相関係数 > 0.4）を実施する。

Figure 1: Schematic architecture of SSEgenerator and SSEdetector. (a) Overview of the synthetic data generation (SSEgenerator). In the matrix, each row represents the GNSS position time series for a given station, color-coded by the value of the position. The 135 GNSS stations considered in this stu

実験結果

リサーチクエスチョン

• RQ1 物理的根拠に基づいた合成GNSSデータでトレーニングされたディープラーニングモデルは、事前処理を行わず、生の未処理時系列データから実際のスロースリップイベントを検出できるか？
• RQ2 カスカディア地域において、スロースリップ変形とトゥルーマル活動の時間的関係は、グローバルおよびローカルな時間スケールでどのように変化するか？
• RQ3 モデルは既存のカタログから既知のSSEをどの程度回復できるか。また、手作業またはフィルタリングベースの検出手法と比較して、その性能はいかがなものか？
• RQ4 モデルはSSEの持続期間や他のイベントとの時間的重複について信頼できる推定値を提供できるか。また、それらは独立した観測とどのように一致するか？
• RQ5 スロースリップとトゥルーマル活動の間に観測された時間遅れは、SSEが周辺の非破壊的破壊を誘発する因果関係を示唆するか？

主な発見

• 2007年から2022年までのカスカディア地域で、本モデルは78件のスロースリップイベントを検出しており、既にカタログ化済みのイベントの87.5％を回復した。
• 検出されたすべてのSSEは、トゥルーマル活動のピークに一致しており、スロースリップとトゥルーマル信号の強い空間的・時間的相関を確認した。
• グローバルおよびローカルな時間スケールの両方で、ゆっくりとした変形の開始とトゥルーマル活動のピークとの間に一貫した1日分の時間遅れが観測された。
• 統計的有意性を満たすフィルタリングを施した場合、推定されたSSE持続期間が観測されたトゥルーマルパルス幅と一致し、信頼性の高い代理指標を提供した。
• 検出されたイベントの重複率から、26％のイベントに顕著な時間的重複が認められ、複雑でおそらくは相互作用する変形プロセスが存在することを示唆した。
• 本研究では、現実的で合成されたデータでトレーニングされたディープラーニングモデルが、従来の手法の信号対ノイズ比の制限を克服し、生の地球物理的データから低マグニチュードSSEを検出できることを示した。

Figure 2: Performance of SSEdetector on synthetic data . (a) The blue curve represents the true positive rate (probability that an actual positive will test positive), computed on synthetic data, as a function of the magnitude. (b) Map showing the spatial distribution of the magnitude threshold for