[S-CG51] 機械学習による固体地球科学の牽引

[SCG51-05] 機械学習を用いた火山性地震の検測と震源決定―霧島火山への適用例―

*行竹 洋平¹、金 亜伊² (1.東京大学地震研究所、2.横浜市立大学)

キーワード：機会学習、火山性地震

火山性地震はマグマや熱水の移動やそれに伴う応力場の変化などに反応し活発化すると考えられており、火山内部状況を評価するうえで重要な情報となる。従来の手法では、STA/LTAなどの指標を用いて地震を検知し、地震波の到達時刻や振幅値などの検測結果に基づき震源位置や規模が決定される。精度の高い震源カタログを得るには、最終的に走時情報を目視により確認する必要があり、膨大な時間を要するためリアルタイムで迅速に処理するには困難を伴う。近年、機械学習のフレームワークを用いて、地震の検出及び検測を行う手法が多く開発されている(例えば、Ross et al., 2018; Zhu & Beroza, 2018)。しかしながら、これらの手法は主に地殻内地震を訓練データに用いて構築された学習モデルに基づいており、火山性地震の検出や走時検測には適用が難しい可能性がある。
金ほか（2021、地震学会）では、Zhu & Beroza(2018)によって構築されたPhaseNetのアーキテクチャを利用し、さらに箱根火山において人力で整備された1999年から2020年までの約3万イベントの火山性地震の検測情報から得られた訓練データを用いて学習モデルを構築、その性能評価を行った。本研究では、この金ほか（2021）のフレームワークを、他の火山にどこまで適用できるかを検証するとともに、火山地震の活動特性の理解につなげるため、霧島火山の地震観測網データに適用し、火山性地震の検出と震源決定を行った。
本研究では、霧島火山に展開された東京大学地震研究所、九州大学、気象庁、防災科学技術研究所の定常観測点30か所で、2017年から2020年までの3年間に取得された連続波形記録を使用した。PhaseNetと上記の学習モデルにより得られた検測情報に対して、Zhang et al. (2019)のアルゴリズムを使用し、Phase associationを行った後、Hirata and Matsu’ura (1987)の手法により震源位置を決定し、さらに最大振幅情報から渡辺(1971)の経験式を用いてマグニチュード推定を行った。決定された震源位置に対して、Double-difference法（Waldhauser and Ellsworth, 2000)による相対震源決定を実施した。その際、機械学習による検測情報に基づいた走時差データに加えて、波形相関処理により得られた走時差データも使用した。機械学習により確度の高い検測情報が得られなかった観測点は理論走時をもとに相関処理を実施した。
その結果3年間で約17000イベントの火山性地震の震源を決定することができた。これは気象庁火山地震カタログの約7倍に相当し、推定された震源分布は、気象庁火山カタログと調和的であり、このフレームワークによる震源情報の信頼性が示唆される。新燃岳や硫黄山浅部においてごく微小な火山性地震が多数検出され、2017年から2018年の噴火に数か月先行して、火口浅部で地震活動の高まりがみられることが明らかになった。今回の手法が、火山性地震のリアルタイムモニタリングにも有用であることを示唆している。

謝辞
本研究では、気象庁、防災科学技術研究所、九州大学、東京大学地震研究所により取得された地震波形記録を使用しました。気象庁から火山震源カタログを提供していただきました。本研究は文部科学省「次世代火山研究・人材育成総合プロジェクト」の助成を受けたものです。