[논문 리뷰] Deep learning for magnitude prediction in earthquake early warning

Yanwei Wang, Zifa Wang외 2명|arXiv (Cornell University)|2019. 12. 02.

Seismology and Earthquake Studies인용 수 4

한 줄 요약

이 논문은 특징 공학 없이 원시 수직 성분 가속도도메트리에서 지진의 규모를 예측하는 딥러닝 모델인 EEWNet을 제안한다. 입력 길이에 맞게 아키텍처를 적응시키고 10,000건 이상의 기록으로 훈련함으로써, τlog, τc, Pd와 같은 전통적인 파rameter 기반 방법보다 뛰어난 규모 예측 정확도를 달성한다.

ABSTRACT

Fast and accurate magnitude prediction is the key to the success of earthquake early warning. We have proposed a new approach based on deep learning for P-wave magnitude prediction (EEWNet), which takes time series data as input instead of feature parameters. The architecture of EEWNet is adaptively adjusted according to the length of the input, thus eliminates the need of complicated tuning of hyperparameters for deep learning. Only the unfiltered accelerograms of vertical components are used. EEWNet is trained on a moderate number of data set (10,000s of records), but it achieves excellent results in magnitude prediction compared with approaches using parameters τlog, τc and Pd.

연구 동기 및 목표

• 초기 경고 시스템에서 지진 규모 예측의 정확도와 속도를 향상시키기 위해.
• 규모 추정에서 수작업으로 만든 특징(예: τlog, τc, Pd)에 의존하는 것을 제거하기 위해.
• 수동적인 하이퍼파ram터 조정 없이 다양한 입력 길이에 동적으로 적응할 수 있는 딥러닝 모델을 개발하기 위해.
• 중간 크기의 데이터셋에서만 필터링되지 않은 수직 성분 가속도도메트리 자료를 사용해 강건한 모델을 훈련시키기 위해.
• 원시 지진 시계열 데이터에서 엔드 투 엔드 학습을 통해 더 빠르고 신뢰할 수 있는 초기 경고를 가능하게 하기 위해.

제안 방법

• EEWNet은 특징 추출을 생략하고 원시, 필터링되지 않은 수직 성분 가속도도메트리 시계열을 입력으로 처리한다.
• 입력 길이에 따라 자동으로 조정되는 아키텍처를 사용하여 수동 하이퍼파ram터 조정의 필요성을 줄인다.
• 시계열 패턴을 지진 신호에서 직접 학습하기 위해 컨볼루션 및 완전 연결 계층을 갖춘 딥 네트워크를 사용한다.
• 지진 기록 약 10,000건의 데이터셋에서 엔드 투 엔드로 훈련하여 규모를 예측한다.
• 전처리 또는 특징 공학(예: τlog, τc, Pd 없음)을 적용하지 않으며, 오직 원시 가속도도메트리만 사용한다.
• 실시간 지진 초기 경고 응용에 적합한 빠른 추론을 최적화한다.

실험 결과

연구 질문

• RQ1 원시 지진 시계열 데이터에서 직접 훈련된 딥러닝 모델이 기존의 규모 예측 방법보다 뛰어난 성능을 낼 수 있는가?
• RQ2 적응형 아키텍처 설계는 지진 규모 예측에서 하이퍼파ram터 조정의 필요성을 얼마나 줄일 수 있는가?
• RQ3 수직 성분 가속도도메트리만 사용할 때 EEWNet의 성능이 τlog, τc, Pd와 같은 기존 방법과 비교해 어떻게 되는가?
• RQ4 중간 크기의 데이터셋(10,000건 이상의 기록)에서 훈련된 모델이 실시간 규모 추정에서 높은 정확도를 달성할 수 있는가?
• RQ5 원시 데이터에서 엔드 투 엔드 학습은 지진 초기 경고 시스템에서 예측 속도와 정확도를 향상시키는가?

주요 결과

• EEWNet은 τlog, τc, Pd와 같은 기존 방법보다 뛰어난 규모 예측 정확도를 달성한다.
• 모델은 원시 가속도도메트리에서 직접 처리함으로써 필터링 또는 파ram터 추출 없이 특징 공학이 필요 없어진다.
• 적응형 아키텍처 설계 덕분에 수동 하이퍼파ram터 조정 없이 다양한 길이의 입력을 처리할 수 있다.
• 10,000건 이상의 중간 크기의 데이터셋에서 훈련되었음에도 불구하고, EEWNet은 규모 예측에서 뛰어난 성능을 발휘한다.
• 원시 지진 신호에서 딥러닝을 활용함으로써 더 빠르고 신뢰할 수 있는 초기 경고가 가능해진다.
• 결과는 실시간 지진 규모 예측에 대해 엔드 투 엔드 딥러닝의 실현 가능성과 효과성을 입증한다.