[논문 리뷰] EPick: Multi-Class Attention-based U-shaped Neural Network for Earthquake Detection and Seismic Phase Picking

Wei Li, Megha Chakraborty외 6명|arXiv (Cornell University)|2021. 09. 06.

Seismology and Earthquake Studies참고 문헌 31인용 수 4

한 줄 요약

EPick는 지진 탐지 및 지진파 상점에 적합한 다중 클래스, 주의 메커니즘 강화된 U-형 신경망을 제안한다. 이는 U-Net의 특징 계층과 자기 주의 및 멀티헤드 주의를 결합하여 특징 정제를 향상시킨다. S파 상점에서 최신 기술 수준의 성능을 달성하며, 알려지지 않은 지진 데이터에 대해 강력한 일반화 능력을 보이며, PhaseNet 및 ARRU와 같은 기준 모델보다 노이즈 조건에서 뛰어난 성능을 발휘한다.

ABSTRACT

Earthquake detection and seismic phase picking not only play a crucial role in travel time estimation of body waves(P and S waves) but also in the localisation of the epicenter of the corresponding event. Generally, manual phase picking is a trustworthy and the optimum method to determine the phase arrival time, however, its capacity is restricted by available resources and time. Moreover, noisy seismic data renders an additional critical challenge for fast and accurate phase picking. In this study, a deep learning based model, EPick, is proposed which benefits both from U shaped neural network (also called UNet)and attention mechanism, as a strong alternative for seismic event detection and phase picking. On one hand, the utilization of UNet structure enables addressing different levels of deep features. On the other hand, attention mechanism promotes the decoder in the UNet structure to focus on the efficient exploitation of the low-resolution features learned from the encoder part to achieve precise phase picking. Extensive experimental results demonstrate that EPick achieves better performance over the benchmark method, and show the models robustness when tested on a different seismic dataset.

연구 동기 및 목표

• 낮은 신호 대 잡음비(SNR) 및 소규모 지진 사건에 대해 정확도를 향상시키는 딥 러닝 모델을 개발하는 것.
• 수작업 특징에 의존하고 파rameter 조정에 민감한 전통적 자동 상점기의 한계를 해결하는 것.
• U-Net 아키텍처에 주의 메커니즘을 통합하여 특징 표현을 향상시키고, 상점 도착 시간 탐지 성능을 향상시키는 것.
• 다양한 지진 데이터셋, 특히 노이즈가 많고 실제 환경 데이터를 포함한 데이터에 대해 강력한 일반화 능력을 확보하는 것.

제안 방법

• EPick는 지진파 웨이브폼에서 다중 척도 특징을 추출하기 위해 U-형 인코더-디코더 아키텍처(U-Net)를 사용한다.
• 디코더에 자기 주의 및 멀티헤드 주의 메커니즘을 통합하여 인코더의 관련성이 높은 저해상도 특징에 집중한다.
• 모델은 P- 및 S파 상점 도착을 이산 시간단위 레이블로 예측하기 위해 다중 클래스 분류 손실을 사용하여 엔드 투 엔드로 훈련된다.
• 진짜 레이블은 수동 상점 중심에 위치한 가우시안 모양 마스크를 사용하여 생성되며, P파의 경우 표준편차 0.2초, S파의 경우 0.3초로 설정된다.
• 노이즈에 대한 강건성을 향상시키기 위해 지진 신호뿐만 아니라 비지진 신호도 함께 훈련에 사용된다.
• 일반화 능력 평가에서는 INSTANCE 데이터셋을 사용하여 상점 도착 시간 비교에 ±0.1초의 허용 오차 창을 적용한다.

실험 결과

연구 질문

• RQ1 주목 기반 U-Net 아키텍처가 기존 U-Net보다 지진파 상점에서 더 우수한 성능을 내는가?
• RQ2 EPick의 S파 상점 성능은 PhaseNet 및 ARRU와 같은 최신 기술 수준의 모델과 비교해 어떻게 되는가?
• RQ3 지진 및 비지진 신호를 함께 훈련시킴으로써 모델의 노이즈에 대한 강건성과 알려지지 않은 데이터에 대한 일반화 능력이 향상되는가?
• RQ4 주의 메커니즘이 디코더에서 특징 정제를 어떻게 향상시켜 정확한 상점 도착 시간 탐지에 기여하는가?
• RQ5 레이블 형식(가우시안 마스크 대 창 기반)이 모델 성능과 일반화 능력에 어떤 영향을 미치는가?

주요 결과

• INSTANCE 데이터셋에서 P파 상점에 대해 평균 오차 -0.885초, 표준편차 3.947초를 기록하며, PhaseNet 및 ARRU보다 S파 정확도에서 뛰어난 성능을 보였다.
• S파 상점에서는 평균 오차 0.116초, 표준편차 1.895초를 기록하여, PhaseNet(평균: -0.178초, 표준편차: 2.234초) 및 ARRU(평균: 0.319초, 표준편차: 3.130초)보다 뛰어난 성능을 보였다.
• 약한 동역학 및 강한 동역학 관측소에서의 데이터를 포함한 INSTANCE 데이터셋에서 강력한 일반화 능력을 보이며, 다양한 신호 조건에 대한 강건성을 입증했다.
• 비지진 신호 훈련 덕분에 EPick는 노이즈 환경에서 기준 모델보다 더 안정적이고 정확한 성능을 유지한다.
• 주의 메커니즘이 디코더에서 특징 정제를 크게 향상시켜 저수준 특징을 보다 효과적으로 활용하여 정밀한 상점 탐지가 가능해졌다.
• 다른 신호 특성을 가진 데이터셋에서도 테스트한 결과, 높은 성능을 유지하여 모델의 적응성과 일반화 능력을 확인했다.