[논문 리뷰] Combining Deep Learning with Physics Based Features in Explosion-Earthquake Discrimination

Qingkai Kong, Ruijia Wang외 4명|arXiv (Cornell University)|2022. 03. 11.

Seismology and Earthquake Studies참고 문헌 35인용 수 72

한 줄 요약

이 논문은 지진과 폭발을 더 잘 구분하기 위해 물리기반의 지진학적 특징(예: 고주파수 P/S 진폭 비율, ML–MC 지진계수 차이)과 컨volution 신경망에서 유도된 파형 특징을 융합한 하이브리드 딥러닝 모델을 제안한다. 이 융합은 새로운 지역으로의 일반화 능력을 향상시키며, Grad-CAM 시각화 결과 모델이 결정을 내리기 위해 P파와 S파의 고유한 주파수 대역에 집중하고 있음을 드러낸다.

ABSTRACT

This paper combines the power of deep-learning with the generalizability of physics-based features, to present an advanced method for seismic discrimination between earthquakes and explosions. The proposed method contains two branches: a deep learning branch operating directly on seismic waveforms or spectrograms, and a second branch operating on physics-based parametric features. These features are high-frequency P/S amplitude ratios and the difference between local magnitude (ML) and coda duration magnitude (MC). The combination achieves better generalization performance when applied to new regions than models that are developed solely with deep learning. We also examined which parts of the waveform data dominate deep learning decisions (i.e., via Grad-CAM). Such visualization provides a window into the black-box nature of the machine-learning models and offers new insight into how the deep learning derived models use data to make the decisions.

연구 동기 및 목표

• 새로운 지리적 지역으로의 일반화 능력을 향상시키기 위해 딥러닝 모델을 지진과 폭발을 구분하는 데 적용한다.
• 물리적으로 해석 가능한 지진학적 특징(예: P/S 진폭 비율, ML–MC 차이)을 딥러닝 프레임워크에 통합하여 모델의 강건성을 향상시킨다.
• Grad-CAM과 같은 해석 가능성 기법을 사용하여 딥러닝 모델이 특정 파형 성분에 얼마나 의존하는지 조사한다.
• 데이터 기반 특징과 물리기반 특징을 융합함으로써 더 신뢰할 수 있고 이식 가능한 지진원 분류 성능을 확보한다.

제안 방법

• 이중 브랜치 신경망 아키텍처를 사용한다: 한 브랜치는 원시 지진파형 또는 스펙트로그램을 컨볼루션 및 순환층을 통해 처리하고, 다른 브랜치는 공학적으로 설계된 물리기반 특징을 처리한다.
• 물리기반 특징으로는 고주파수 P/S 진폭 비율과 현지 지진계수(ML)와 꼬리파 지속시간 지진계수(MC)의 차이가 포함되며, 이는 폭발원과 구조적 원인의 지진원을 구분하는 데 유용하다.
• 양 브랜치의 특징를 연결하여 완전히 연결된 층을 거쳐 최종 분류를 수행한다.
• 해석 가능성은 Grad-CAM을 사용하여 시간도형 및 스펙트로그램 입력에 대한 주의 맵을 시각화함으로써 달성되며, 예측에 영향을 주는 파형 영역을 특정한다.
• 데이터 증강을 위해 각 이벤트의 시작 시간을 무작위로 샘플링하여 훈련 데이터의 다양성을 높이고 클래스 분포를 균형 잡는다.
• 모델은 일관된 전처리 조건(정합성 제거, Hanning 타이밍, 1–20 Hz 대역통과 필터링, 40 Hz로 재샘플링)을 적용한 네 개의 지역 데이터셋(SPE, BASE, MSH, SSIP)에서 훈련 및 평가된다.

실험 결과

연구 질문

• RQ1 딥러닝과 물리기반 특징을 융합하면 새로운 지역에서의 지진·폭발 구분 성능에 대한 일반화 능력이 향상되는가?
• RQ2 딥러닝 모델이 분류 결정을 내리기 위해 가장 의존하는 지진파형의 어떤 부분인가?
• RQ3 학습 지역 외부의 데이터에 적용했을 때 물리기반 특징은 성능 향상에 어떤 기여를 하는가?
• RQ4 딥러닝 브랜치와 물리기반 브랜치가 결정 과정에서 얼마나 상호보완적인가?
• RQ5 Grad-CAM과 같은 시각화 기법을 통해 지구물리학적 이해와 일치하는 의미 있는 패턴을 드러낼 수 있는가?

주요 결과

• 하이브리드 모델은 단순히 파형만을 사용한 딥러닝 모델보다 새로운 지역 데이터에서 더 나은 일반화 성능을 보였다.
• 물리기반 특징의 추가로 새로운 지역에서의 모델 성능 향상이 관찰되어, 이 특징들이 딥러닝 브랜치가 완전히 포괄하지 못한 정보를 제공하고 있음을 시사한다.
• Grad-CAM 시각화 결과, 딥러닝 모델이 P파와 S파의 서로 다른 주파수 대역에 집중하고 있으며, 특히 고주파수 성분에서 최대 주의를 기울인다.
• 모델이 P파와 S파의 진동 단계에 주의를 기울이는 것은 지구물리학적 지식과 일치하여, 학습된 특징의 물리적 해석 가능성을 뒷받침한다.
• 특히 장거리에서의 꼬리파 영역, 특히 장시간 후의 파형도 분류에 기여하며, 이는 구분 능력 향상에 기여한다.
• 모델이 특정 주파수 대역에 의존하는 것으로 나타나 향후 동적 또는 적응형 P/S 비율 계산 방법 개발에 활용 가능할 것으로 보인다.