[논문 리뷰] PickBlue: Seismic Phase Picking for Ocean Bottom Seismometers With Deep Learning

Thomas Bornstein, Dietrich Lange외 6명|arXiv (Cornell University)|2023. 04. 13.

Seismology and Earthquake Studies인용 수 1

한 줄 요약

이 논문은 해저 지진계(OBS) 전용으로 설계된 딥러닝 기반의 지진파 상전파 검출기 PickBlue를 소개한다. PickBlue는 세 축성 지진계 데이터와 수중 마이크로폰 신호를 동시에 처리한다. 15개의 OBS 배치로 구성된 새로운 대규모 레이블링된 데이터셋으로 훈련되었으며, P파에 대해 평균 절대편차(MAD) 0.05초, S파에 대해 0.12초를 기록하여, 육상 데이터로만 훈련된 모델보다 유의미하게 뛰어난 성능을 보이며 해양 환경의 잡음 특성에서 수중 마이크로폰 통합의 가치를 입증한다.

ABSTRACT

Detecting phase arrivals and pinpointing the arrival times of seismic phases in seismograms is crucial for many seismological analysis workflows. For land station data machine learning methods have already found widespread adoption. However, deep learning approaches are not yet commonly applied to ocean bottom data due to a lack of appropriate training data and models. Here, we compiled an extensive and labeled ocean bottom seismometer dataset from 15 deployments in different tectonic settings, comprising ~90,000 P and ~63,000 S manual picks from 13,190 events and 355 stations. We propose PickBlue, an adaptation ot the two popular deep learning networks EQTransformer and PhaseNet. PickBlue joint processes three seismometer recordings in conjunction with a hydrophone component and is trained with the waveforms in the new database. The performance is enhanced by employing transfer learning, where initial weights are derived from models trained with land earthquake data. PickBlue significantly outperforms neural networks trained with land stations and models trained without hydrophone data. The model achieves a mean absolute deviation (MAD) of 0.05 s for P waves and 0.12 s for S waves. We integrate our dataset and trained models into SeisBench to enable an easy and direct application in future deployments.

연구 동기 및 목표

• 해수면 반사, 고래 부르기, 수중 마이크로폰 간섭 등 고유한 잡음 특성을 지닌 OBS 데이터를 위한 딥러닝 모델이 부족한 문제를 해결하기 위해.
• OBS에만 존재하는 수중 마이크로폰 채널을 세 축성 지진계 데이터와 함께 효과적으로 활용하여 복잡한 해양 환경에서의 상전파 검출 정확도를 향상시키기 위해.
• 미래 연구 및 모델 훈련을 지원하기 위해, 약 90,000개의 P파 및 약 63,000개의 S파 상전파를 포함한 15개의 OBS 배치에 대한 대규모 표준화된 레이블링된 데이터셋을 구축하고 공개하기 위해.
• 육상 데이터로 사전 훈련된 모델을 OBS 데이터로 미세조정하는 것이, 특히 수중 마이크로폰 데이터가 포함된 경우, 순수하게 육상 데이터로만 훈련된 모델보다 뛰어난 성능을 보임을 입증하기 위해.
• 모델과 데이터셋을 SeisBench 플랫폼에 원활하게 통합하여 향후 OBS 배치 및 지구물리학적 워크플로우에서 직접 적용할 수 있도록 하기 위해.

제안 방법

• 세 축성 지진계 데이터와 수중 마이크로폰 신호를 포함한 네 입력 채널을 처리할 수 있도록, EQTransformer와 PhaseNet을 기반으로 한 하이브리드 아키텍처인 PickBlue를 제안하였다.
• 사전 훈련된 육상 기반 모델(예: STEAD 및 INSTANCE 데이터셋)의 가중치를 초기화한 후, 새로운 OBS 데이터셋으로의 미세조정을 통해 전이학습을 적용하여 모델을 훈련시켰다.
• 다단계 훈련 파이프라인을 구현: 먼저 육상 데이터에서의 사전 훈련, 다음으로 수동 레이블링이 된 새로운 OBS 데이터셋으로의 미세조정.
• 예측 결과에 신뢰도 점수를 통합하여 이질적(외곽) 예측의 가능성에 대한 정보를 제공함으로써 자동화된 워크플로우의 신뢰성을 향상시켰다.
• 잔차 분석 및 다양한 배치와 모델 변종(수중 마이크로폰 입력 제외한 분석 포함)에 대한 신뢰도 스택을 활용해 성능을 검증하였다.
• SeisBench 플랫폼 내에서 표준화된 인터페이스를 통해 훈련된 모델 및 데이터셋을 공개하여, 향후 지구물리학적 응용에 직접 활용할 수 있도록 하였다.

실험 결과

연구 질문

• RQ1 해저 지진계(OBS) 데이터로만 훈련된 딥러닝 상전파 검출기가, 해양 환경에서 P파 및 S파 상전파 검출에 있어 육상 데이터로 사전 훈련된 모델보다 뛰어난 성능을 보일 수 있는가?
• RQ2 특히 수중 반사, 해양 천연기생의 소리 등 복잡한 잡음이 존재하는 상황에서, 수중 마이크로폰 채널을 포함시키는 것이 OBS 데이터의 상전파 검출 정확도에 어느 정도 기여하는가?
• RQ3 다양한 판구조 환경과 배치 조건에 따라 모델 성능이 어떻게 변하는가? 이는 데이터셋 내 다양한 OBS 배치의 다양성에 기인한다.
• RQ4 모델이 생성하는 신뢰도 점수가 잘못된 상전파 검출의 가능성을 신뢰성 있게 반영할 수 있는가? 이는 자동화된 지진목록의 견고성 향상에 기여한다.
• RQ5 도메인 특화된 미세조정과 결합했을 때, 육상 기반 모델에서의 전이학습이 OBS 데이터에서의 일반화 능력과 성능 향상에 어느 정도 기여하는가?

주요 결과

• PickBlue는 테스트 세트에서 P파에 대해 평균 절대편차(MAD) 0.05초, S파에 대해 0.12초를 기록하여 상전파 도착 시간 추정의 높은 정확도를 입증한다.
• 육상 데이터로 사전 훈련된 모델(예: STEAD)을 OBS 데이터로 미세조정한 모델은, 순수하게 육상 데이터로만 훈련된 모델보다 유의미하게 뛰어난 성능을 보이며, 특히 수중 마이크로폰 데이터가 포함된 경우 더욱 두드러진다.
• 수중 마이크로폰 채널의 포함은 거짓 양성률 감소 및 S파 검출 정확도 향상 측면에서 뚜렷한 성능 향상을 이끌어내었다.
• 수중 마이크로폰 채널을 제외하더라도, OBS 데이터로 직접 훈련된 모델은 순수하게 육상 데이터로만 훈련된 모델보다 뛰어나므로, 해양 환경에 특화된 데이터의 가치를 입증한다.
• 다양한 OBS 배치 간 성능 변동성이 관찰되어, 각 배치 환경에 맞게 PickBlue의 두 변종 모두를 테스트하고 평가해야 함을 시사한다.
• 데이터셋과 훈련된 모델는 SeisBench를 통해 표준화된 인터페이스로 공개되어 있으며, 향후 OBS 데이터 처리 워크플로우에 직접 통합할 수 있도록 한다.