[논문 리뷰] Slow slip detection with deep learning in multi-station raw geodetic time series validated against tremors in Cascadia

Giuseppe Costantino, Sophie Giffard‐Roisin외 4명|arXiv (Cornell University)|2023. 05. 31.

earthquake and tectonic studies인용 수 4

한 줄 요약

이 연구는 물리학에 기반한 합성 훈련 데이터셋과 하이브리드 CNN-Transformer 아키텍처를 사용하여 원시 다중 지점 GNSS 시계열에서 느린 슬립 사건(SSEs)에 대한 처음으로 종단간 딥러닝 검출기를 제시한다. 캐스케이디아 지역(2007–2022)에서 78개의 SSE를 검출하였으며, 기존에 알려진 사건의 87.5%를 복원하였고, 느린 변형과 진동 활동 사이에 하루의 시간 지연이 있음을 확인하여 SSE가 인근 비지각적 파손을 유도할 수 있음을 시사한다.

ABSTRACT

Slow slip events (SSEs) originate from a slow slippage on faults that lasts from a few days to years. A systematic and complete mapping of SSEs is key to characterizing the slip spectrum and understanding its link with coeval seismological signals. Yet, SSE catalogues are sparse and usually remain limited to the largest events, because the deformation transients are often concealed in the noise of the geodetic data. Here we present the first multi-station deep learning SSE detector applied blindly to multiple raw geodetic time series. Its power lies in an ultra-realistic synthetic training set, and in the combination of convolutional and attention-based neural networks. Applied to real data in Cascadia over the period 2007-2022, it detects 78 SSEs, that compare well to existing independent benchmarks: 87.5% of previously catalogued SSEs are retrieved, each detection falling within a peak of tremor activity. Our method also provides useful proxies on the SSE duration and may help illuminate relationships between tremor chatter and the nucleation of the slow rupture. We find an average day-long time lag between the slow deformation and the tremor chatter both at a global- and local-temporal scale, suggesting that slow slip may drive the rupture of nearby small asperities.

연구 동기 및 목표

• 원시 지질학적 시계열에서 느린 슬립 사건(SSEs)을 체계적이고 자동화된 방법으로 검출하기 위한 방법을 개발하여 수동 및 사전 처리에 의존하는 기존 접근법의 한계를 극복한다.
• SSE 검출을 위한 레이블이 부족한 문제를 해결하기 위해 공간 상관관계와 데이터 누락을 포함한 현실적인 물리 기반의 합성 GNSS 데이터셋을 생성한다.
• 기존 지질학적 분석에서 잡음에 의해 가려지는 경우가 많은 저강도 SSE(Mw < 6)의 검출을 향상시킨다.
• 독립된 진동 카탈로그와의 비교를 통해 모델의 타당성을 검증하고, SSE와 진동 활동 간의 시간적 관계를 평가한다.

제안 방법

• SSEgenerator는 고장면에서의 느린 슬립 변형을 모델링하고, 공간 상관관계, 계절 신호, 현실적인 데이터 누락을 포함하여 현실적인 다중 지점 GNSS 시계열을 합성한다.
• SSEdetector는 국소적 특징 추출을 위한 1차원 합성곱 신경망(CNNs)과 스테이션 간 장거리 시간적 의존성을 다루기 위한 자기주의 기반 메커니즘(Transformer)을 조합한 하이브리드 딥러닝 아키텍처를 사용한다.
• 모델은 사전 필터링 없이 원시로 처리되지 않은 GNSS 위치 시계열을 종단간으로 훈련시켜 잡음 특징을 학습하고 진짜 변형 전이를 식별할 수 있도록 한다.
• 신호의 공간적 스택은 SSE에 대한 물리적 지식에 따라 지도되며, 하부 탄도대와 기대되는 변형 패턴에 따라 지점 데이터를 그들의 위치에 따라 정렬한다.
• 모델은 각 시간 단위에서 SSE 발생 가능성을 나타내는 확률 시계열을 출력하며, 이후 임계값 설정을 통해 사건을 식별한다.
• 검증은 SSE 검출 결과와 일일 진동 수의 상관관계를 사용하며, 통계적 필터링(상관계수 > 0.4)을 통해 의미 있는 연관성을 확보한다.

Figure 1: Schematic architecture of SSEgenerator and SSEdetector. (a) Overview of the synthetic data generation (SSEgenerator). In the matrix, each row represents the GNSS position time series for a given station, color-coded by the value of the position. The 135 GNSS stations considered in this stu

실험 결과

연구 질문

• RQ1 합성 물리 기반 GNSS 데이터로 훈련된 딥러닝 모델이 사전 처리 없이 원시로 처리되지 않은 시계열에서 실제 느린 슬립 사건을 검출할 수 있는가?
• RQ2 캐스케이디아에서 느린 슬립 변형과 진동 활동 간의 시간적 관계는 글로벌 및 국지적 시간 척도에서 어떻게 변화하는가?
• RQ3 기존 카탈로그에서 알려진 SSE를 얼마나 잘 복원할 수 있으며, 수동 또는 필터 기반 검출 방법과의 성능 비교는 어떻게 되는가?
• RQ4 모델은 SSE 지속 기간과 다른 사건과의 시간적 중첩을 신뢰할 수 있는 추정치로 제공할 수 있는가? 그리고 이러한 추정치는 독립적인 관측과 어떻게 비교되는가?
• RQ5 느린 슬립과 진동 활동 간의 관찰된 시간 지연이, SSE가 인근 비지각적 파손을 유도하는 인과관계를 시사하는가?

주요 결과

• 모델은 2007년에서 2022년 사이 캐스케이디아 지역에서 78개의 느린 슬립 사건을 성공적으로 검출하였으며, 이는 이전에 카탈로그화된 사건의 87.5%를 복원한 것이다.
• 모든 검출된 SSE는 진동 활동의 피크 기간 내에서 발생하여 느린 슬립과 진동 신호 간의 강력한 시공간적 상관관계를 확인한다.
• 글로벌 및 국지적 시간 척도에서 느린 변형의 시작과 진동 활동 피크 사이에 일관된 하루의 시간 지연이 관찰된다.
• 모델은 SSE 지속 기간에 대해 신뢰할 수 있는 대체 측정치를 제공하며, 통계적 유의성 기준을 충족하는 경우 관측된 진동 펄스 폭과 일치하는 추정 지속 기간을 제공한다.
• 검출된 사건 간의 중첩 비율을 분석한 결과, 26%의 사건이 유의미한 시간적 중첩을 보이며, 이는 복잡하고 상호작용 가능성이 있는 변형 과정을 시사한다.
• 본 연구는 현실적인 합성 데이터로 훈련된 딥러닝 모델이 전통적 방법의 신호 대 잡음 한계를 극복하고 원시 지질학적 데이터에서 저강도 SSE를 검출할 수 있음을 입증한다.

Figure 2: Performance of SSEdetector on synthetic data . (a) The blue curve represents the true positive rate (probability that an actual positive will test positive), computed on synthetic data, as a function of the magnitude. (b) Map showing the spatial distribution of the magnitude threshold for