[논문 리뷰] QuakeFlow: A Scalable Machine-learning-based Earthquake Monitoring Workflow with Cloud Computing

Weiqiang Zhu, Alvin Brian Hou외 5명|arXiv (Cornell University)|2022. 08. 30.

Seismology and Earthquake Studies인용 수 6

한 줄 요약

QuakeFlow는 클라우드 네이티브이고 쿠버네티스 기반의 지진 모니터링 워크플로우로, 단층 탐지에 사용되는 딥러닝 모델(PhaseNet은 상전이 시점 추정, GaMMA는 상전이 연관 분석)을 통합하여 기존 카탈로그보다 훨씬 더 많은 소규모 지진을 탐지한다. 이는 AWS, GCP, Azure 등의 클라우드 플랫폼에서 대규모 지진 데이터 세트를 스케일러블하고 실시간, 배치 처리할 수 있도록 하며, 푸에르토리코에서는 10배 이상, 하와이에서는 10배 이상 더 많은 사건을 탐지하여 이전에 발견되지 않았던 지진 구조를 드러낸다.

ABSTRACT

Earthquake monitoring workflows are designed to detect earthquake signals and to determine source characteristics from continuous waveform data. Recent developments in deep learning seismology have been used to improve tasks within earthquake monitoring workflows that allow the fast and accurate detection of up to orders of magnitude more small events than are present in conventional catalogs. To facilitate the application of machine-learning algorithms to large-volume seismic records, we developed a cloud-based earthquake monitoring workflow, QuakeFlow, that applies multiple processing steps to generate earthquake catalogs from raw seismic data. QuakeFlow uses a deep learning model, PhaseNet, for picking P/S phases and a machine learning model, GaMMA, for phase association with approximate earthquake location and magnitude. Each component in QuakeFlow is containerized, allowing straightforward updates to the pipeline with new deep learning/machine learning models, as well as the ability to add new components, such as earthquake relocation algorithms. We built QuakeFlow in Kubernetes to make it auto-scale for large datasets and to make it easy to deploy on cloud platforms, which enables large-scale parallel processing. We used QuakeFlow to process three years of continuous archived data from Puerto Rico, and found more than a factor of ten more events that occurred on much the same structures as previously known seismicity. We applied Quakeflow to monitoring frequent earthquakes in Hawaii and found over an order of magnitude more events than are in the standard catalog, including many events that illuminate the deep structure of the magmatic system. We also added Kafka and Spark streaming to deliver real-time earthquake monitoring results. QuakeFlow is an effective and efficient approach both for improving realtime earthquake monitoring and for mining archived seismic data sets.

연구 동기 및 목표

• 대량의 연속적인 지진파형 데이터를 처리하는 데 발생하는 계산적 병목 현상을 해결하기 위해.
• 최신 기계학습 모델을 통합한 확장성 있고 모듈화된 지진 모니터링 워크플로우를 개발하기 위해.
• 쿠버네티스 및 컨테이너화와 같은 클라우드 네이티브 기술을 활용해 효율적이고 실시간, 대규모 지진 데이터 처리를 가능하게 하기 위해.
• 구조적 및 화산 지역에서 소규모이자 이전에 발견되지 않은 지진 이벤트의 탐지 및 특성 분석을 향상시키기 위해.
• 신규 기계학습 모델을 지진 모니터링 워크플로우에 벤치마킹하고 배포하기 위한 유연하고 교환 가능한 파이프라인을 제공하기 위해.

제안 방법

• QuakeFlow는 AWS, GCP, Azure 등의 클라우드 플랫폼에서 자동 스케일링 및 배포를 가능하게 하기 위해 쿠버네티스 기반으로 구축된다.
• 각 처리 컴포넌트(상전이 시점 추정, 상전이 연관 분석, 선택적 후처리)는 모듈성과 이식 가능성을 확보하기 위해 도커를 사용해 컨테이너화된다.
• PhaseNet은 연속적인 지진파형에서 P-파 및 S-파 도착 시간을 정확하게 추정하기 위해 사용되는 딥 뉴럴 네트워크이다.
• GaMMA는 추정된 상전이를 이벤트로 연관시키고, 약한 위치와 규모를 추정하기 위해 사용되는 가우시안 혼합 모델이다.
• 실시간 처리 및 낮은 지연 시간의 모니터링을 가능하게 하기 위해 카프카와 스파크 스트림이 통합된다.
• 시스템은 모델의 즉각적인 교체와 새로운 컴포넌트(예: 재위치 계산 또는 원천 메커니즘 도구)의 추가를 지원하여 확장성을 향상시킨다.

실험 결과

연구 질문

• RQ1 클라우드 네이티브이고 컨테이너 기반의 워크플로우는 다년간의 지진 데이터 세트를 효율적으로 처리하고 기존 카탈로그보다 훨씬 더 많은 소규모 지진을 탐지할 수 있는가?
• RQ2 딥러닝 모델(PhaseNet 및 GaMMA)의 통합은 하와이와 푸에르토리코와 같은 고밀도 지진 활동 지역에서 탐지 정확도와 위치 정확도를 어떻게 향상시키는가?
• RQ3 QuakeFlow는 스트리밍 데이터 파이프라인을 활용해 지진망의 실시간 모니터링을 어느 정도 가능하게 하는가?
• RQ4 QuakeFlow의 모듈화된 컨테이너 아키텍처는 지진 모니터링 워크플로우에 새로운 기계학습 모델의 통합과 벤치마킹을 어떻게 지원하는가?
• RQ5 기록된 데이터와 실시간 데이터에서 이전에 발견되지 않았던 소규모 이벤트를 탐지함으로써 어떤 새로운 지진 구조 및 활동에 대한 통찰을 제공할 수 있는가?

주요 결과

• QuakeFlow는 푸에르토리코에서 3년 치 연속 지진파형 데이터를 몇 시간 만에 처리하여 표준 카탈로그보다 10배 이상 많은 사건을 탐지했다.
• 하와이에서는 QuakeFlow가 공식 카탈로그보다 10배 이상 많은 지진 이벤트를 탐지했으며, 마그마 시스템의 구조를 드러내는 깊은 지진도 포함되어 있었다.
• 워크플로우는 킬라우에아에서의 이동하는 지진 활동 패tern을 성공적으로 드러내었으며, 파할라 클러스터에서 상향 이동하는 패턴과 맨틀 단층대를 따라 가로로 이동하는 패턴을 확인했다.
• 시스템은 클라우드 플랫폼에서 자동 스케일링 기능을 입증하여 수천 개의 계산 노드에서 병렬 처리를 효율적으로 수행할 수 있었다.
• QuakeFlow의 모듈화된 설계 덕분에 새로운 모델과 컴포넌트(예: 더 정확한 상전이 추정을 위한 상관관계 분석)의 원활한 통합이 가능해져 카탈로그 해상도가 향상되었다.
• 결과적으로 QuakeFlow는 대규모 지진 데이터에 대한 실시간 모니터링과 종합적인 후행 분석을 모두 가능하게 하여 지진 활동 특성 분석을 크게 향상시켰다.