[논문 리뷰] A Deep Neural Network to identify foreshocks in real time

K. Vikraman|arXiv (Cornell University)|2016. 11. 26.

Earthquake Detection and Analysis참고 문헌 7인용 수 8

한 줄 요약

이 논문은 실시간으로 지진파형을 전조진동, 주진동, 후진동으로 분류하는 딥러닝 모델을 제안한다. 수정된 AlexNet 아키텍처를 기반으로 하며, 정확도는 99%에 이른다. FFT 변환된 시간도메인 지진파형 데이터를 사용하여, 전조진동과 후진동 이벤트의 분류 정확도는 100%이며 주진동은 99.5%를 기록한다. 이는 지금까지 가장 신뢰할 수 있는 실시간 전조진동 탐지 방법이다.

ABSTRACT

Foreshock events provide valuable insight to predict imminent major earthquakes. However, it is difficult to identify them in real time. In this paper, I propose an algorithm based on deep learning to instantaneously classify a seismic waveform as a foreshock, mainshock or an aftershock event achieving a high accuracy of 99% in classification. As a result, this is by far the most reliable method to predict major earthquakes that are preceded by foreshocks. In addition, I discuss methods to create an earthquake dataset that is compatible with deep networks.

연구 동기 및 목표

• 주요 지진의 중요한 전조 신호이지만 실무에서 식별하기 어려운 전조진동을 실시간으로 식별하기 위한 방법을 개발하는 것.
• 기존 지진 예측 기법의 한계를 극복하기 위해 딥러닝을 활용해 자동으로 정확하게 지진 이벤트를 분류하는 것.
• 딥러닝에 적합한 라벨링된 지진파형 데이터셋을 제작하여 전조진동, 주진동, 후진동 이벤트를 학습 및 검증에 사용하는 것.
• 딥러닝이 파형 특징을 기반으로 지진 이벤트를 신뢰성 있게 분류할 수 있음을 입증하는 것. 특히 실시간으로 전조진동이 다른 이벤트와 구분되지 않을 경우에도 가능하다.

제안 방법

• 모델는 수정된 AlexNet 아키텍처를 기반으로 한 딥 퍼셉트론 신경망을 사용하며, 네 개의 합성곱 층과 두 개의 완전 연결 층을 포함한다.
• 입력 데이터는 IRIS Wilber 3 데이터베이스에서 추출한 1분 분량의 P파 도착 시점 중심 지진파형의 푸리에 변환(Fast Fourier Transform, FFT) 성분이다.
• 활성화 함수로 ReLU를 사용하고, Xavier 가중치 초기화, ADAM 최적화, 드롭아웃 정규화를 적용하여 일반화 성능을 향상시키고 과적합을 방지한다.
• 이벤트 분류 결과는 모든 푸리에 성분에 대한 예측을 종합하여 결정되며, 가장 높은 예측 수를 가진 클래스가 최종 이벤트 유형으로 할당된다.
• 데이터셋은 191건의 전조진동, 224건의 주진동, 224건의 후진동 이벤트에서 수집된 파형을 바탕으로 구성되었으며, 각 이벤트의 가장 가까운 지점에서 'BH' 채널의 데이터를 사용하였다.
• 데이터 전처리 과정에서 ObsPy와 SciPy를 활용해 시간 도메인 파형을 주파수 도메인으로 변환하여 딥러닝 프레임워크와의 호환성을 확보하였다.

실험 결과

연구 질문

• RQ1 딥러닝 신경망은 원시 파형 데이터를 사용하여 실시간으로 지진 이벤트를 전조진동, 주진동, 후진동으로 정확하게 분류할 수 있는가?
• RQ2 딥러닝은 시간적 변동성과 다른 이벤트와의 유사성 등 실시간 전조진동 식별의 과제를 어느 정도 해결할 수 있는가?
• RQ3 사용자 정의 라벨링된 지진파형 데이터셋을 기반으로 학습된 딥러닝 모델이 전조진동을 다른 지진 이벤트와 구분하는 데 얼마나 효과적인가?
• RQ4 학습 정확도와 검증 정확도 사이의 성능 격차는 얼마이며, 데이터 증강 기법이 이 격차를 줄일 수 있는가?
• RQ5 모델은 다양한 지진 이벤트, 특히 2011년 일본 지진과 2004년 수마트라 지진처럼 강력한 전조진동을 동반한 대규모 지진에 대해 일반화 성능을 보일 수 있는가?

주요 결과

• 모델는 지진파형의 개별 푸리에 성분을 분류할 때 98.6%의 학습 정확도와 92.4%의 검증 정확도를 기록했다.
• 혼동 행렬 분석 결과, 전조진동과 후진동은 공통적인 특징을 공유하여 주진동과 비교해 더 구분하기 어려운 것으로 나타났다.
• 성분 수준의 예측 결과를 종합하여 전체 지진 이벤트를 분류한 결과, 전조진동 이벤트는 100% 정확도(191/191)로 정확히 분류되었다.
• 주진동 이벤트는 99.5%의 정확도(223/224)로 분류되었으며, 가장 흔한 이벤트 유형에 대해 뛰어난 성능을 보였다.
• 후진동 이벤트는 100% 정확도(224/224)로 분류되어 주진동 이후의 지진 시퀀스를 탐지하는 데 있어 뛰어난 강건성을 입증했다.
• 본 연구는 딥러닝 기반의 실시간 전조진동 분류가 거의 완벽한 성능을 달성할 수 있음을 입증하며, 신뢰할 수 있는 대규모 지진 조기 예측 방법을 제공한다.