[논문 리뷰] Deep Learning-based Small Magnitude Earthquake Detection and Seismic Phase Classification

Wei Li, Yu Sha외 5명|arXiv (Cornell University)|2022. 04. 06.

Seismology and Earthquake Studies인용 수 5

한 줄 요약

이 논문은 저신호대잡음비 조건에서 소규모 지진을 탐지하고 지진파 위상(P, S, 잡음)을 분류하기 위해 1D 잔차 신경망(ResNet)과 다중지점 ResNet을 제안한다. 캘리포니아 남부 지진망 데이터로 훈련된 모델은 지진 탐지에서 테스트 정확도 98.85%를 달성했으며, 이는 이전 딥러닝 방법보다 지진 모니터링 성능에서 4% 향상된 결과이며, 낮은 진폭의 잡음이 많은 신호에서도 뛰어난 성능을 보였다.

ABSTRACT

Reliable earthquake detection and seismic phase classification is often challenging especially in the circumstances of low magnitude events or poor signal-to-noise ratio. With improved seismometers and better global coverage, a sharp increase in the volume of recorded seismic data is witnessed. This makes the handling of the seismic data rather daunting based on traditional approaches and therefore fuels the need for a more robust and reliable method. In this study, we investigate two deep learningbased models, termed 1D ResidualNeuralNetwork (ResNet) and multi-branch ResNet, for tackling the problem of seismic signal detection and phase identification, especially the later can be used in the case where multiple classes is organized in the hierarchical format. These methods are trained and tested on the dataset of the Southern California Seismic Network. Results demonstrate that the proposed methods can achieve robust performance for the detection of seismic signals, and the identification of seismic phases, even when the seismic events are of small magnitude and are masked by noise. Compared with previously proposed deep learning methods, the introduced frameworks achieve 4% improvement in earthquake monitoring, and a slight enhancement in seismic phase classification.

연구 동기 및 목표

• 저신호대잡음비 환경에서 소규모 지진을 탐지하고 지진파 위상을 분류하는 데 도전 과제를 해결한다.
• STA/LTA 및 AR-AIC와 같은 전통적 방법은 낮은 S/N 비율 신호와 잘못된 탐지에 취약하므로 이를 극복한다.
• 딥러닝을 활용해 대규모 지진 데이터셋에서 지진 신호 탐지 및 위상 식별의 자동화와 신뢰성 향상을 도모한다.
• 1D ResNet 및 다중지점 ResNet 아키텍처의 계층적 분류 성능을 평가한다.
• 잡음이 많고 복잡한 데이터를 가진 실세계 지진 모니터링 응용 분야에서 딥러닝 모델의 강건성과 확장성의 실현 가능성을 입증한다.

제안 방법

• 시간적 시계열 지진 데이터에서 기울기 소실 문제를 완화하고 특징 학습을 향상시키기 위해 스킵 연결을 갖춘 1D 잔차 신경망(ResNet34)을 사용한다.
• 계층적 구조를 사전 지식으로 통합하여 P, S, 잡음 위상의 분류 성능을 향상시키기 위해 다중지점 ResNet 아키텍처를 설계한다.
• SCSN(Southern California Seismic Network) 데이터셋의 레이블된 지진파 형상 데이터를 사용해 지도학습 방식으로 두 모델을 훈련한다. 위상은 P, S, 또는 잡음으로 레이블링된다.
• 표준 딥러닝 훈련 프로토콜을 적용하며, 데이터 정규화(절대 최대값으로 진폭 재스케일링), 100Hz 재샘플링, 분류용 교차 엔트로피 손실 함수를 사용한다.
• 과적합을 방지하고 테스트 데이터에 대한 최적의 일반화를 확보하기 위해 조기 정지와 모델 체크포인팅을 적용한다.
• 정밀도, 재현율, F1-스코어 지표를 사용해 다중 클래스에서의 성능을 평가하며, 훈련 데이터 분할 비율(예: 50%, 90%)에 대한 분석 연구를 실시한다.

실험 결과

연구 질문

• RQ1 1D ResNet 아키텍처는 저신호대잡음비 지진 데이터에서 소규모 지진을 효과적으로 탐지할 수 있는가?
• RQ2 계층적 설계를 갖춘 다중지점 ResNet 아키텍처는 표준 ResNet에 비해 지진파 위상 분류 정확도를 향상시키는가?
• RQ3 제안된 딥러닝 프레임워크는 CapsNet 및 CapsPhase와 같은 이전 최첨단 방법에 비해 탐지 및 위상 분류 성능에서 어떻게 비교되는가?
• RQ4 잔차 연결과 다중지점 아키텍처의 사용이 지진 신호 분류에서 특징 학습과 모델 강건성 향상에 얼마나 기여하는가?
• RQ5 기존 탐지 알고리즘에 도전이 되는 잡음이 많고 진폭이 낮은 파형에 대해 모델이 잘 일반화되는가?

주요 결과

• 1D ResNet은 지진 탐지에서 테스트 정확도 98.83%를 달성했으며, 지진파 위상 분류에서는 F1-스코어 98.76%를 기록했다.
• 다중지점 ResNet은 약간 높은 탐지 정확도 98.85%를 기록했으며, 지진 모니터링 성능에서 CapsNet보다 4% 향상된 성능을 보였다.
• 잡음 탐지에서는 다중지점 ResNet이 F1-스코어 99.14%를 기록해 배경 잡음에 대한 뛰어난 강건성을 입증했다.
• P파 분류에서는 다중지점 ResNet이 F1-스코어 98.71%를 기록했으며, 이는 이 위상에서 정밀도와 재현율 면에서 CapsPhase를 능가하는 결과였다.
• 그림 6에서 시각화된 바와 같이, 잘못 분류된 파형에 대해서도 모델은 높은 성능를 유지했으며, 이는 복잡하거나 모호한 신호에 대한 내성 강도를 보여준다.
• 계층적 다중지점 아키텍처는 S파와 잡음을 구분하는 데 특히 성능 향상을 가져왔으며, 분류 과정에서 구조적 사전 지식의 효과적인 활용을 시사한다.