11:00 〜 13:00
[SCG51-P05] 機械学習を用いた箱根火山における地震波検測: 同一判定窓内に複数の地震波がある場合の検測精度の向上に向けて
キーワード：ニューラルネットワーク、機械学習、位相検測
金他（2021, SSJ）では箱根火山で発生する地震をより精度良く検測できるモデルの構築を目指し、Zhu and Beroza(2018)によって構築されたPhaseNetの学習済みモデル（model0）と、そのアーキテクチャを利用して、箱根火山で発生した1999年から2020年までの約3万個のイベントから約22万個の地震波形データを用い、ゼロから学習を行ったモデル（model1）とmodel0を初期値に前述の箱根データでファインチューニングしたモデル（model2）を作成し、その性能評価を行った。その結果model1とmodel2でmodel0を大きく上回る再現率と適合率が示された。また訓練にも検証にも用いていない群発地震の連続データについてもmodel1とmodel2において検出率が大幅に向上した。しかしながら、判定するtime windowの中に複数の地震波がある場合、model0では全く反応が無い小さな振幅にもmodel1とmodel2は検出には至らずともP波、S波の確率がややあがる一方、大きな振幅を見逃してしまうという傾向が多々見られた。本研究ではこの課題を克服し、よりモデルの検測精度を上げるため二つの実験を行った。一つは検測するtime windowの長さを変更すること。もう一つは複数の地震波形を含むデータを学習データに加えて訓練しなおす事である。１つ目のtime windowを変更する実験では金(2021, SSJ)で使用した活発な群発地震のあった2019年5月１８日から２０日までの連続波形を１時間、30分、１０分、１分、３０秒と区切って判定した。それらの検出結果をZhang et al. (2019)の方法でPhase associationを行ったところ、time windowの長い順にmodel1では461, 509, 691, 875, 1028個のイベントが検出され、time windowを長くする事でイベント数の検出率が大幅に向上した。しかし、やはり短い時間間隔で複数の地震が発生している場合は上記課題と同様の傾向が見られた。次に金他（2021, SSJ）で検証データとして用いた55000個の波形のうち複数の波形が入っている25000個を取り出し、そのうちの10000個に複数の検測値のラベルを付け直してmodel1のファインチューニングを行い残りの検証データで検証を行った。その結果、今ままで見逃していた大きな振幅と小さな振幅を同一タイムウィンドウ内で検測できる確率がやや向上した。今後はさらに複数の地震を含むデータを増やし、これらを連続データに当てはめることで、最適な訓練方法、time window、訓練データの組み合わせ等ついて検証する。