[논문 리뷰] A Machine Learning-enhanced Robust P-Phase Picker for Real-time Seismic Monitoring

Dazhong Shen, Qi Zhang외 8명|arXiv (Cornell University)|2019. 11. 21.

Seismology and Earthquake Studies참고 문헌 44인용 수 4

한 줄 요약

이 논문은 소음이 많은 연속된 파형에서 실시간 자동으로 지진 P-파 도착을 탐지하기 위한 기계학습 기반의 앙상블 학습 프레임워크인 EL-Picker를 제안한다. 낮은 복잡도의 트리거, 다양한 분류기의 앙상블, 정밀도 향상 모듈을 조합함으로써 EL-Picker는 뛰어난 성능을 달성하여 전문가가 라벨링한 데이터보다 120% 더 많은 P-파 도착을 식별했으며, 인간의 간과로 인해 이전에 발견되지 못한 미세한 지진 패턴을 드러냈다.

ABSTRACT

Identifying the arrival times of seismic P-phases plays a significant role in real-time seismic monitoring, which provides critical guidance for emergency response activities. While considerable research has been conducted on this topic, efficiently capturing the arrival times of seismic P-phases hidden within intensively distributed and noisy seismic waves, such as those generated by the aftershocks of destructive earthquakes, remains a real challenge since most common existing methods in seismology rely on laborious expert supervision. To this end, in this paper, we present a machine learning-enhanced framework based on ensemble learning strategy, EL-Picker, for the automatic identification of seismic P-phase arrivals on continuous and massive waveforms. More specifically, EL-Picker consists of three modules, namely, Trigger, Classifier, and Refiner, and an ensemble learning strategy is exploited to integrate several machine learning classifiers. An evaluation of the aftershocks following the MS 8.0 Wenchuan earthquake demonstrates that EL-Picker can not only achieve the best identification performance but also identify 120% more seismic P-phase arrivals as complementary data. Meanwhile, experimental results also reveal both the applicability of different machine learning models for waveforms collected from different seismic stations and the regularities of seismic P-phase arrivals that might be neglected during manual inspection. These findings clearly validate the effectiveness, efficiency, flexibility and stability of EL-Picker.

연구 동기 및 목표

• 배후진의 연속적이고 소음이 많은 지진 파형에서 신호 대 잡음비(SNR)가 낮고 약한 P-파 도착을 탐지하는 데 도전하는 데 목적을 두며.
• 기계학습을 통해 P-파 도착을 자동으로 탐지함으로써 수작업 라벨링에 의존하는 것을 줄이기 위해.
• 앙상블 학습을 통해 다수의 기계학습 모델을 통합함으로써 탐지 정확도와 완전성을 향상시키기 위해.
• 특히 고강도 또는 복잡한 배후진 시퀀스에서 수작업 검토 시 간과된 지진 패턴을 드러내기 위해.
• 실시간 운영 지진 모니터링 시스템에 적합한 확장성 있고 효율적이며 안정적인 프레임워크를 개발하기 위해.

제안 방법

• EL-Picker 프레임워크는 세 가지 모듈로 구성된다: 트리거(초기 사건 후보 선택을 위한 STA/LTA 사용), 분류기(다양한 기계학습 모델의 앙상블), 정밀화 모듈(후처리 및 도착 시간 정밀도 향상).
• 다양한 분류기—예를 들어 SVM, HMM, 딥 네ural 네트워크—를 조합하는 앙상블 학습 전략을 통해 다양한 지진 관측소 데이터에서의 강건성과 일반화 능력을 향상시킨다.
• 트리거 모듈은 짧은 시간 평균(STA)과 장기 평균(LTA) 에너지 비율을 사용하여 잠재적인 지진 파형을 식별함으로써 기계학습 추론 이전의 계산 부담을 줄인다.
• 분류기 모듈은 트리거에 의해 표시된 시간 윈도우에 대해 다수의 모델을 적용하여 각각의 보완적 강점을 활용해 탐지 정확도를 향상시킨다.
• 정밀화 모듈은 신호 특성과 주의 메커니즘을 활용하여 도착 시간 예측을 정밀하게 조정하며, 특히 저SNR 영역에서 유용하다.
• 재귀적 주의 메커니즘(RA)-CNN 모델은 스펙트럼 워터폴을 분석하고, 특히 S-파 근처에서 특징을 식별하여 누락된 탐지 원인을 설명한다.

실험 결과

연구 질문

• RQ1 실시간 연속 지진 파형에서 기계학습 모델의 앙상블이 개별 모델보다 P-파 도착 탐지 성능을 뛰어나게 할 수 있는가?
• RQ2 자동 탐지가 수작업 라벨링의 부담을 얼마나 줄일 수 있으며, 탐지 완전성은 어떻게 향상되는가?
• RQ3 저SNR 또는 고강도 배후진 상황에서 수작업 검토 시 자주 간과되는 지진 파형의 구조적 또는 신호 기반 패턴은 무엇인가?
• RQ4 경량 트리거와 고도화된 분류기 및 정밀화 모듈을 통합함으로써 탐지 효율성과 정확도는 어떻게 향상되는가?
• RQ5 딥 러닝 모델의 주의 메커니즘이 누락된 P-파 탐지와 관련된 숨겨진 규칙성을 드러낼 수 있는가?

주요 결과

• EL-Picker는 MS 8.0 워천 지진의 배후진 데이터셋에서 평가된 방법들 중에서 가장 높은 탐지 성능을 기록했다.
• 프레임워크는 전문가가 라벨링한 데이터보다 120% 더 많은 P-파 도착을 식별하여 탐지 완전성 향상의 상당한 성과를 보였다.
• 많은 수의 누락된 도착은 특히 P-파 도착 후 15~25초 윈도우 내에서 낮은 신호 대 잡음비(SNR)를 가지며, 파형이 뚜렷하지 않은 것으로 밝혀졌다.
• RA-CNN 모델은 주의 메커니즘이 S-파 피크 근처에 집중되어 있음을 드러내었으며, 이는 이 지역 근처의 미세한 P-파 신호가 수작업 검토 시 자주 간과된다는 것을 시사한다.
• 앙상블 분류기는 다양한 지진 관측소에서의 적응성을 보였으며, 이는 프레임워크가 이질적인 파형 데이터를 다룰 수 있는 유연성을 확인시켰다.
• 수작업 라벨링은 고진폭, 고SNR 이벤트를 우선시하는 경향이 있어, 특히 대규모 지진 이후의 저SNR 지역적 배후진을 체계적으로 미탐지하는 경향이 있었다.