[논문 리뷰] PhaseNet: A Deep-Neural-Network-Based Seismic Arrival Time Picking Method

Weiqiang Zhu, Gregory C. Beroza|arXiv (Cornell University)|2018. 03. 08.

Seismology and Earthquake Studies인용 수 110

한 줄 요약

PhaseNet는 세 성분 지진계로부터 P, S 및 노이즈 확률 분포를 출력하는 딥 네트워크를 사용하여 전통적 방법보다 특히 S 파에 대한 P/S 도착시간 피킹 정확도가 더 높다.

ABSTRACT

As the number of seismic sensors grows, it is becoming increasingly difficult for analysts to pick seismic phases manually and comprehensively, yet such efforts are fundamental to earthquake monitoring. Despite years of improvements in automatic phase picking, it is difficult to match the performance of experienced analysts. A more subtle issue is that different seismic analysts may pick phases differently, which can introduce bias into earthquake locations. We present a deep-neural-network-based arrival-time picking method called "PhaseNet" that picks the arrival times of both P and S waves. Deep neural networks have recently made rapid progress in feature learning, and with sufficient training, have achieved super-human performance in many applications. PhaseNet uses three-component seismic waveforms as input and generates probability distributions of P arrivals, S arrivals, and noise as output. We engineer PhaseNet such that peaks in probability provide accurate arrival times for both P and S waves, and have the potential to increase the number of S-wave observations dramatically over what is currently available. This will enable both improved locations and improved shear wave velocity models. PhaseNet is trained on the prodigious available data set provided by analyst-labeled P and S arrival times from the Northern California Earthquake Data Center. The dataset we use contains more than seven million waveform samples extracted from over thirty years of earthquake recordings. We demonstrate that PhaseNet achieves much higher picking accuracy and recall rate than existing methods.

연구 동기 및 목표

• 밀집된 센서 네트워크에서 자동적이고 편향되지 않은 지진 위상 피킹의 필요성에 대한 동기 부여.
• 레이블된 P 및 S 도착으로부터 위상 특징을 학습하는 데이터 기반 방법 개발.
• 세 성분 파형을 활용하여 도착시간의 정확한 확률적 P/S/노이즈 출력을 생성.
• 대규모 NCEDC 유래 데이터셋을 사용한 전통적 STA/LTA 및 기존 피커에 비해 우수한 성능 시연.

제안 방법

• 시간-시퀀스 입력을 P, S, 노이즈의 세 확률 분포로 매핑하는 U-Net 아키텍처의 1-D 버전(PhaseNet) 채택.
• 레이블이 있는 지진 도착에 대해 접고-전달된 P/S 도착 시간을 가우시안 확률 분포로 표현하여 라벨링 불확실성 처리.
• P와 S 피크를 출력 분포의 피크로 국부화하기 위해 4단의 다운샘플링 및 4단의 업샘플링 스테이지와 스킵 커넥션 사용.
• 예측된 P 및 S 확률 분포의 피크에서 도착시간 추출(softmax 최종층과 교차 엔트로피 손실 사용).
• 정밀도, 재현율, F1, 잔차 기반 지표(∆t)로 실제 도착시간과 비교 평가하고 AR 피커 기준선과 비교.

실험 결과

연구 질문

• RQ1 PhaseNet가 원시 세 성분 파형으로부터 P 및 S 도착에 대한 강건하고 일반화 가능한 특징을 학습할 수 있는가?
• RQ2 PhaseNet의 P 및 S 피크에 대한 정밀도, 재현율, 도착시간 잔차가 전통적 방법에 비해 얼마나 우수한가?
• RQ3 다양한 계측기 유형과 노이즈 데이터에서 과도한 전처리 없이도 PhaseNet가 견고한가?
• RQ4 도착시간을 확률적 분포로 표현하는 것이 수렴 및 정확도에 어떤 영향을 미치는가?
• RQ5 PhaseNet가 지진 모니터링에 적합한 연속 시간 검출을 제공할 수 있는가?

주요 결과

지표	P 위상(PhaseNet)	P 위상(AR 피커)	S 위상(PhaseNet)	S 위상(AR 피커)
정밀도	0.939	0.558	0.853	0.195
재현율	0.857	0.558	0.755	0.144
F1 점수	0.896	0.558	0.801	0.165
µ(∆t) (ms)	2.068	11.647	3.311	27.496
σ(∆t) (ms)	51.530	83.991	82.858	181.027

• PhaseNet는 비교 대상 AR 피커보다 특히 S 도착에 대해 더 높은 정밀도, 재현율 및 F1을 달성한다.
• P 및 S 잔차(µ(∆t))는 P 2.068 ms, S 3.311 ms이며 표준편차는 P 51.530 ms, S 82.858 ms이다.
• PhaseNet는 무거운 노이즈 제거나 필터링 없이도 계측기 유형 및 SNR 수준 전반에 걸쳐 견고한 성능을 보인다.
• PhaseNet은 가장 깊은 계층의 PCA로 학습된 잠재 표현에서 P, S, 노이즈를 효과적으로 구분한다.
• PhaseNet은 P와 S에 대한 연속적인 확률 분포를 생성할 수 있어 지진 탐지 및 속도 모델링 개선 가능성을 제공한다.