[S-CG55] 機械学習による固体地球科学の牽引

[SCG55-P05] 機械学習による津波誘導磁場検出の試み

*美田 千璃¹、南 拓人¹、杉岡 裕子¹ (1.神戸大学)

地球主磁場中を良導体である海水が津波として運動する際に電磁場が生じることが知られている(e.g., Tyler, 2005)。この津波の発生に伴って生じる電磁場は、津波誘導磁場と呼ばれる。津波誘導磁場については、近年、津波波高よりも先に観測されること、また、津波誘導磁場が津波の波高や伝播方向の推定に利用できることが明らかになってきており(Lin et al., 2021)、津波早期警戒への応用が期待されている。しかし、津波誘導磁場現象はこれまで解析例が巨大津波イベントに限定されており、観測の報告例は少ない。これは、小規模の津波による津波誘導磁場のS/N比が小さく、目視による津波誘導成分の同定が困難であることによる。また、津波誘導磁場の検出は、ウェーブレット解析を用いて周波数領域で実施された事例もあるが(e.g. Schnepf et al. 2016)、時間領域での検出と同様に津波成分の同定は目視で行う必要があり、状況が大きく改善したとはいえない。
　本研究では、津波誘導磁場の観測事例が少ないという現状を打開するために、磁場データ中の津波誘導磁場の有無を判別する機械学習モデルの作成に取り組んだ。機械学習モデルの学習用教師データのうち、津波誘導磁場無しデータは、海底観測点で得られた磁場データから任意の期間を抽出して作成した。一方、津波誘導磁場を含む磁場データの準備においては、シミュレーション計算を用いることで津波誘導磁場データを大量に作成し、磁場計算結果にノイズとして海底観測点での磁場データを加えて作成した。シミュレーションでは、COMCOT (Wang & Liu, 2006)で計算した津波波高計算結果を、TMTGEM (Minami et al. 2017)に与えることで津波誘導磁場の計算結果を得ている。結果として、津波誘導磁場無しデータ12000個と津波誘導磁場有りデータ12000個を合わせて、計24000個の入力データと正解ラベルの組み合わせを準備し、モデルの学習と性能の検証に使用した。機械学習モデルには、pythonで記述されたニューラルネットワークライブラリKerasの最も単純なSequentialモデルを使用した。モデルの層の数は3から5層、各層のニューロンの数には16から64を試し、学習後のモデルの性能を比較検討した。その結果、これまでにニューロン16個の層が5層で構成されるモデルによって、約57%の判別精度を実現している。本研究では、より高精度な機械学習モデルを用いた津波誘導磁場の自動検出の研究を進めており、本発表では上記の報告に加えて、Sequentialモデルと異なる学習モデルとの比較検討も行う予定である。