[논문 리뷰] Earthquake Forecasting Based on Data Assimilation: Sequential Monte Carlo Methods for Renewal Processes

Maximilian J. Werner, Kayo Ide외 1명|ArXiv.org|2009. 08. 11.

earthquake and tectonic studies참고 문헌 37인용 수 4

한 줄 요약

이 논문은 재해의 발생 시간이 측정 오차를 수반할 수 있는 상황에서, 재발 점과정을 대상으로 순차적 몬테카를로 방법을 적용한 데이터 융합 프레임워크를 제안한다. 특히 최적의 표본 추출 중요도 재표본화(осir) 입자 필터를 사용한다. OSIR를 통해 관측된 사건 시간의 노이즈를 고려할 경우, 데이터 불확실성을 忽시하는 기준 방법보다 예측 및 모수 추정이 훨씬 정확하다는 것이 입증되었으며, 시뮬레이션 테스트에서 98.3%의 우월한 가능도 우수성을 보였다.

ABSTRACT

In meteorology, engineering and computer sciences, data assimilation is routinely employed as the optimal way to combine noisy observations with prior model information for obtaining better estimates of a state, and thus better forecasts, than can be achieved by ignoring data uncertainties. Earthquake forecasting, too, suffers from measurement errors and partial model information and may thus gain significantly from data assimilation. We present perhaps the first fully implementable data assimilation method for earthquake forecasts generated by a point-process model of seismicity. We test the method on a synthetic and pedagogical example of a renewal process observed in noise, which is relevant to the seismic gap hypothesis, models of characteristic earthquakes and to recurrence statistics of large quakes inferred from paleoseismic data records. To address the non-Gaussian statistics of earthquakes, we use sequential Monte Carlo methods, a set of flexible simulation-based methods for recursively estimating arbitrary posterior distributions. We perform extensive numerical simulations to demonstrate the feasibility and benefits of forecasting earthquakes based on data assimilation. In particular, we show that the forecasts based on the Optimal Sampling Importance Resampling (OSIR) particle filter are significantly better than those of a benchmark forecast that ignores uncertainties in the observed event times. We use the marginal data likelihood, a measure of the explanatory power of a model in the presence of data errors, to estimate parameters and compare models.

연구 동기 및 목표

• 관측된 사건 시간이 측정 노이즈에 의해 오염될 때 지진 예측 문제를 다루는 것.
• 지각의 재발 과정을 포함한 점과정 모델에 대해 완전히 실행 가능한 데이터 융합 방법을 개발하는 것.
• 데이터 불확실성이 존재하는 상황에서 순차적 몬테카를로 방법이 예측 정확도와 모수 추정을 향상시킬 수 있는지 평가하는 것.
• 데이터 불확실성을 忽시하는 기준 예측 방법과 비교하여 데이터 융합 기반 예측의 성능을 평가하는 것.
• 지진 예측에서 변동 가능한 데이터 가능도를 사용한 모델 비교 및 모수 추정의 가능성과 이점들을 입증하는 것.

제안 방법

• 연구는 지각 활동의 사전 모델과 노이즈가 있는 관측값을 결합하기 위해 베이지안 데이터 융합을 사용하며, 문제를 상태공간 모델 또는 은닉 마르코프 모델(HMM)로 간주한다.
• 지각 활동은 상태 과정으로서 로그정규 재발 과정으로 모델링되며, 관측된 사건 시간은 측정 오차를 수반한다.
• 순차적 몬테카를로(SMC) 방법을 사용하여 노이즈가 있는 관측값을 바탕으로 미관측된 진짜 사건 시간의 후행 분포를 반복적으로 추정한다.
• 최적의 중요도 밀도와 재표본화를 사용하여 OSIR 입자 필터를 구현함으로써 입자 다양성을 유지하고 탈진 현상을 줄인다.
• 모델 성능 평가 및 최대우도 기반의 모수 추정을 위해 변동 가능한 데이터 가능도를 계산한다.
• 정확한 진짜 사건 시간과 노이즈가 있는 관측된 사건 시간이 알려진 100개의 사건을 포함한 재발 과정에 대해 광범위한 수치 시뮬레이션을 수행하여 방법을 테스트한다.

실험 결과

연구 질문

• RQ1 관측된 사건 시간이 노이즈를 포함할 경우, 순차적 몬테카를로 방법 기반의 데이터 융합이 지진 예측 정확도를 향상시킬 수 있는가?
• RQ2 OSIR 입자 필터의 성능은 사건 시간의 불확실성을 忽시하는 기준 예측 방법과 비교해 어떻게 다른가?
• RQ3 관측 오차가 존재하는 상황에서 변동 가능한 데이터 가능도를 얼마나 잘 활용하여 모수를 추정하고 모델을 비교할 수 있는가?
• RQ4 노이즈가 있는 데이터에 재발 과정을 피팅할 때, OSIR 필터는 기준 방법보다 훨씬 덜 편향된 모수 추정을 제공하는가?
• RQ5 제안된 방법은 실제 지진 예측 및 팔레오지오물학적 데이터 분석에 일반화될 수 있는가?

주요 결과

• OSIR 입자 필터는 관측된 사건 시간의 불확실성을 忽시하는 기준 방법보다 예측 정확도가 뚜렷이 높은 결과를 도출한다.
• 1,000개의 시뮬레이션 복제 중 98.3%의 경우, OSIR 기반 예측이 기준 방법보다 더 높은 로그가능도 점수를 기록하여 더 뛰어난 설명력이 있음을 나타낸다.
• OSIR 필터에서 도출된 모수 추정치는 기준 방법에 비해 훨씬 덜 편향되며, 분산이 감소하고 일관성이 향상되었다.
• 변동 가능한 데이터 가능도는 모델 성능을 정량화하는 데 효과적이며, 데이터 불확실성 하에서도 강력한 모수 추정을 가능하게 한다.
• OSIR 필터는 지진의 비정규 분포 통계를 효과적으로 처리하고, 여러 개의 사건 시퀀스에 걸쳐 안정적인 성능을 유지한다.
• 이 방법은 실제 적용 가능성(예: 팔레오지오물학적 데이터 분석, 위치 오차가 있는 쿨롱 응력 변화 모델 등)을 입증하였다.