17:15 〜 18:30
[STT37-P01] 半教師あり学習による地動ノイズ波形分類
キーワード：地動ノイズ、半教師あり学習、分類
地震動の観測データには様々な地震活動(通常地震・微動) や様々なノイズが含まれている. ノイズの例として, 大気圧変動[1], 温度変化[2] などの弱い地動を生ずる自然発生的信号がある. また, 波や風によってもノイズ信号が生成される[3]. 人間活動によっても波形は揺らぎ, 自動車, 電車, 航空機, 風力発電なども大きな影響を与える[3]. 多種多様な地震活動やノイズを適切に分類することは，地震検知精度の向上や周囲の地盤特性・観測点特性の理解につながる[4].
ノイズは通常地震と違ってラベルデータを作ることが難しいため, 教師なし学習を用いることで分類することになる. Johnson ら[5] は, 通常地震を含む波形記録を除去した上で, K-means 法を用いノイズのクラスタリングを行なった. しかしJohnson らの手法で学習したモデルを除去した通常地震波形記録に適用すると, 一様に散らばってしまうことがわかった. 本来，データには通常地震の見逃しが混入しており[6], それらはパワーや卓越周波数に大きな特徴を持つためクラスタを形成する.
そこで本研究では, 既知の地震記録を教師データとして用いることで, 地震データをクラスタにまとめつつ,そのほかの微弱ノイズ波形を適切にクラスタリングできるような半教師あり学習手法を提案する. Johnsonらは特徴量データを主成分分析によって圧縮したが, 通常地震データがよりまとまるように, 提案手法ではt-Distributed Stochastic Neighbor Embedding(t-SNE) を用いて次元削減を行う. その後, 半教師あり混合ガウスモデルを適用し, 出力された尤度から分類を行なった.
首都圏地震観測網(MeSO-net) の地震計アレイで取得された鉛直方向加速度波形記録を用い, 提案手法の精度検証を行なった. 結果として, 地震波形がよりまとまってクラスタリングされることを対数尤度の観点から確認した. それぞれのクラスタ毎に属しているデータの周波数と振幅の特性について, 当日報告する.
参考文献
[1] Lei Qin, Frank L. Vernon, Christopher W. Johnson, and Yehuda Ben-Zion. Spectral characteristics of daily to seasonal ground motion at the Pi˜non Flats Observatory from coherence of seismic data. Bulletin of the Seismological Society of America, Vol. 109, No. 5, pp. 1948–1967, 2019.
[2] Gregor Hillers and Y. Ben-Zion. Seasonal variations of observed noise amplitudes at 2–18 hz in southern California. Geophysical Journal International, Vol. 184, No. 2, pp. 860–868, 2011.
[3] 川北優子, 酒井慎一. 首都圏地震観測網(meso-net) で見られる様々なノイズ. 地震研究所彙報, Vol. 84, No. 2, pp. 127–139, 2009.
[4] Qingkai Kong, Daniel T. Trugman, Zachary E. Ross, Michael J. Bianco, Brendan J. Meade, and Peter Gerstoft. Machine learning in seismology: Turning data into insights. Seismological Research Letters, Vol. 90, No. 1, pp. 3–14, 2019.
[5] Christopher W. Johnson, Yehuda Ben-Zion, Haoran Meng, and Frank Vernon. Identifying different classes of seismic noise signals using unsupervised learning. Geophysical Research Letters, Vol. 47, No. 15, p. e2020GL088353, 2020.
[6] Zachary E Ross, Daniel T Trugman, Egill Hauksson, and Peter M Shearer. Searching for hidden earthquakes in southern california. Science, Vol. 364, No. 6442, pp. 767–771, 2019.
ノイズは通常地震と違ってラベルデータを作ることが難しいため, 教師なし学習を用いることで分類することになる. Johnson ら[5] は, 通常地震を含む波形記録を除去した上で, K-means 法を用いノイズのクラスタリングを行なった. しかしJohnson らの手法で学習したモデルを除去した通常地震波形記録に適用すると, 一様に散らばってしまうことがわかった. 本来，データには通常地震の見逃しが混入しており[6], それらはパワーや卓越周波数に大きな特徴を持つためクラスタを形成する.
そこで本研究では, 既知の地震記録を教師データとして用いることで, 地震データをクラスタにまとめつつ,そのほかの微弱ノイズ波形を適切にクラスタリングできるような半教師あり学習手法を提案する. Johnsonらは特徴量データを主成分分析によって圧縮したが, 通常地震データがよりまとまるように, 提案手法ではt-Distributed Stochastic Neighbor Embedding(t-SNE) を用いて次元削減を行う. その後, 半教師あり混合ガウスモデルを適用し, 出力された尤度から分類を行なった.
首都圏地震観測網(MeSO-net) の地震計アレイで取得された鉛直方向加速度波形記録を用い, 提案手法の精度検証を行なった. 結果として, 地震波形がよりまとまってクラスタリングされることを対数尤度の観点から確認した. それぞれのクラスタ毎に属しているデータの周波数と振幅の特性について, 当日報告する.
参考文献
[1] Lei Qin, Frank L. Vernon, Christopher W. Johnson, and Yehuda Ben-Zion. Spectral characteristics of daily to seasonal ground motion at the Pi˜non Flats Observatory from coherence of seismic data. Bulletin of the Seismological Society of America, Vol. 109, No. 5, pp. 1948–1967, 2019.
[2] Gregor Hillers and Y. Ben-Zion. Seasonal variations of observed noise amplitudes at 2–18 hz in southern California. Geophysical Journal International, Vol. 184, No. 2, pp. 860–868, 2011.
[3] 川北優子, 酒井慎一. 首都圏地震観測網(meso-net) で見られる様々なノイズ. 地震研究所彙報, Vol. 84, No. 2, pp. 127–139, 2009.
[4] Qingkai Kong, Daniel T. Trugman, Zachary E. Ross, Michael J. Bianco, Brendan J. Meade, and Peter Gerstoft. Machine learning in seismology: Turning data into insights. Seismological Research Letters, Vol. 90, No. 1, pp. 3–14, 2019.
[5] Christopher W. Johnson, Yehuda Ben-Zion, Haoran Meng, and Frank Vernon. Identifying different classes of seismic noise signals using unsupervised learning. Geophysical Research Letters, Vol. 47, No. 15, p. e2020GL088353, 2020.
[6] Zachary E Ross, Daniel T Trugman, Egill Hauksson, and Peter M Shearer. Searching for hidden earthquakes in southern california. Science, Vol. 364, No. 6442, pp. 767–771, 2019.