[논문 리뷰] Machine Learning-enhanced Realistic Framework for Real-time Seismic Monitoring - The Winning Solution of the 2017 International Aftershock Detection Contest.

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

Seismology and Earthquake Studies참고 문헌 27인용 수 3

한 줄 요약

이 논문은 소음이 많고 빈번한 후진향 지진이 발생하는 환경에서 실시간으로 지진의 P-파 도착을 탐지하기 위한 기계학습 기반의 앙상블 프레임워크인 EL-Picker를 제안한다. 앙상블 학습을 통해 트리거, 분류기, 정련기 모듈을 통합함으로써 EL-Picker는 기존 방법보다 120% 더 많은 P-파 도착을 식별하는 뛰어난 성능을 달성하여 다양한 지진관측소에서 높은 정확도, 효율성, 내성성을 입증하였다.

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. Note that this paper is the English version of our work published in Science China Information Science (http://engine.scichina.com/doi/10.1360/SSI-2020-0214).

연구 동기 및 목표

• 매우 소음이 많고 밀도가 높은 후진향 지진파에서 P-파 도착을 탐지하는 과제를 해결한다.
• 지진 모니터링에서 수작업에 의존하는 전문가 감시의 의존도를 줄인다.
• 지속적인 대량의 지진 데이터 스트림을 처리할 수 있는 확장성 있고 자동화된 시스템을 개발한다.
• 실시간 지진 모니터링 응용 분야에서 탐지 정확도와 완전성을 향상시킨다.
• 수작업 검토가 놓칠 수 있는 미세하거나 간과된 P-파 패턴을 식별할 수 있도록 한다.

제안 방법

• 다양한 기계학습 분류기들을 조합하여 더 높은 내성성과 정확도를 확보하기 위해 앙상블 학습 전략을 사용한다.
• 세 모듈로 구성된 파이프라인을 설계한다: 트리거(초기 사건 탐지), 분류기(P-파 도착 추정), 정련기(정밀도 향상을 위한 후처리).
• 다양한 지진관측소의 파형 데이터를 기반으로 훈련된 다양한 기계학습 모델을 활용하여 다양한 관측소 특성에 대응할 수 있도록 한다.
• 특징 공학 및 시간적 모델링을 적용하여 지속적인 지진파형에서 구분 가능한 패턴을 추출한다.
• 다양한 분류기의 예측 결과를 앙상블 평균 또는 투표 방식으로 통합하여 개별 모델의 편향을 줄인다.
• 스트리밍 지진 데이터에서 저지연 처리가 가능한 실시간 추론을 최적화한다.

실험 결과

연구 질문

• RQ1 앙상블 기계학습 프레임워크는 소음이 많은 후진향 지진파에서 전통적 방법보다 P-파를 더 잘 탐지할 수 있는가?
• RQ2 자동 탐지 시스템은 수작업 탐지 한계를 초월해 추가로 얼마나 많은 P-파 도착을 식별할 수 있는가?
• RQ3 다양한 소음 프로파일을 가진 다양한 지진관측소의 지진파에서 다양한 기계학습 모델은 어떤 성능을 보이는가?
• RQ4 자동화된 시스템은 수작업 검토에서 간과되었던 P-파 도착의 숨겨진 규칙성을 어떤 방식으로 탐지할 수 있는가?
• RQ5 제안된 프레임워크는 실시간 모니터링에서 다양한 지진 조건에서도 높은 안정성과 정확도를 유지할 수 있는가?

주요 결과

• EL-Picker는 2017년 국제 후진향 탐지 경연 대회에서 평가된 모든 방법 중에서 가장 뛰어난 식별 성능을 보였다.
• 이 프레임워크는 기존 방법보다 120% 더 많은 지진 P-파 도착을 식별하여 탐지 완전성의 향상을 크게 개선하였다.
• 다양한 기계학습 모델이 다양한 지진관측소의 파형에서 강력한 적용 가능성을 보이며, 일반화 능력이 뛰어남을 나타냈다.
• 시스템은 수작업 검토에서 이전에 간과되었던 일관된 P-파 도착 패턴을 드러내어 지진 데이터의 숨겨진 규칙성을 입증하였다.
• EL-Picker는 실시간으로 지속적인 대량의 지진파형을 처리하는 데 있어 높은 안정성, 효율성, 유연성을 보였다.
• 앙상블 학습 전략은 모델의 분산을 효과적으로 줄이고 다양한 지진 조건에서 탐지 신뢰성을 향상시켰다.