[论文解读] QuakeFlow: A Scalable Machine-learning-based Earthquake Monitoring Workflow with Cloud Computing

Weiqiang Zhu, Alvin Brian Hou+5 more|arXiv (Cornell University)|Aug 30, 2022

Seismology and Earthquake Studies被引用 6

一句话总结

QuakeFlow 是一个基于 Kubernetes 的云原生地震监测工作流，集成了深度学习模型（PhaseNet 用于 phase picking，GaMMA 用于 phase 关联），可检测到比传统目录多出显著数量的小型地震。该系统支持在云平台上的可扩展、实时及批量处理大规模地震数据集，在波多黎各实现事件检测数量超过 10 倍增长，在夏威夷则超过 10 倍，揭示了此前未被发现的地震构造特征。

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.

研究动机与目标

• 解决处理大规模连续地震波形数据以实现全面地震目录化的计算瓶颈问题。
• 开发一种可扩展、模块化且可扩展的地震监测工作流，集成最先进的机器学习模型。
• 利用云原生技术（如 Kubernetes 和容器化）实现高效、实时及大规模地震数据处理。
• 提升在构造与火山区域对小型及此前未被探测到的地震事件的检测与表征能力。
• 提供灵活可替换的处理管道，用于地震监测工作流中新机器学习模型的基准测试与部署。

提出的方法

• QuakeFlow 基于 Kubernetes 构建，支持在 AWS、GCP 和 Azure 等云平台上的自动扩展与部署。
• 每个处理组件——phase picking、phase 关联以及可选的后处理——均使用 Docker 容器化，以实现模块化与可移植性。
• 采用 PhaseNet（一种深度神经网络）从连续地震波形中精确拾取 P 波与 S 波到时。
• 采用 GaMMA（高斯混合模型）将拾取的相位关联为地震事件，并估算其大致位置与震级。
• 集成 Kafka 与 Spark Streaming，实现对输入地震数据的实时处理与低延迟监控。
• 系统支持模型的即插即用替换以及新组件（如重定位或震源机制工具）的添加，显著提升可扩展性。

实验结果

研究问题

• RQ1 基于云原生与容器化的工作流能否高效处理多年份的地震数据集，并检测到远超传统目录的小型地震？
• RQ2 深度学习模型（PhaseNet 与 GaMMA）的集成在夏威夷与波多黎各等高地震活动区域，如何提升检测与定位精度？
• RQ3 QuakeFlow 在多大程度上能够通过流式数据管道实现实时地震网络监控？
• RQ4 QuakeFlow 的模块化容器化架构在地震监测中如何支持新机器学习模型的集成与基准测试？
• RQ5 通过检测档案数据与实时数据中此前未被发现的小型事件，QuakeFlow 能揭示哪些关于地震构造与活动的新见解？

主要发现

• QuakeFlow 仅用数小时便处理完波多黎各三年的连续地震数据，检测到的事件数量比标准目录多出十倍以上。
• 在夏威夷，QuakeFlow 检测到的地震事件数量超过官方目录一个数量级以上，包括揭示岩浆系统结构的深部事件。
• 该工作流成功揭示了基拉韦厄火山的迁移性地震活动模式，包括来自 Pāhala 群震区的向上迁移及沿地幔断层带的水平迁移。
• 系统在云平台上展示了自动扩展能力，支持在数千个计算节点上高效并行处理。
• QuakeFlow 的模块化设计支持无缝集成新模型与组件（如用于提升拾取精度的互相关技术），从而增强目录的分辨率。
• 结果表明，QuakeFlow 既能实现实时监测，也能支持大规模地震数据的全面回溯分析，显著提升了地震活动性的表征能力。