[S-CG55] 機械学習による固体地球科学の牽引

[SCG55-P07] 深層学習によるテクトニック微動・地震・ノイズの分類手法とテクトニック微動の震源決定法の開発

*杉井 天音¹、平松 良浩¹、内出 崇彦²、今西 和俊² (1.金沢大学、2.国立研究開発法人産業技術総合研究所)

キーワード：テクトニック微動、畳み込みニューラルネットワーク、センブランス解析、Score-CAM

世界中の沈み込み帯（例えば，南海トラフ）で観測されているテクトニック微動（以後，微動）は通常の地震とは異なる特徴を示す．微動の検出手法としては，エンベロープ相互相関法（Obara, 2002）やセンブランス解析（Neidell and Taner, 1971）などが知られている．しかし，これらの手法は地震やノイズを微動として検出する問題を抱えている．特にS/N比が低い波形データでは微動の検出精度が低下する．このような課題の解決に向けて，深層学習を利用したイベント分類の研究が近年盛んに行われている．深層学習を利用したノイズ・微動・地震の分類手法では，分析者によって選択されたテストデータに対してイベントを高精度に識別できることが示されている（Nakano et al. 2019; Takahashi et al. 2021）．しかし，S/N比の低い微動波形に対してはその識別精度が低下する問題や高周波数成分が減衰した地震波形は，その特徴が類似する微動に誤分類される問題が指摘されている（Nakano et al. 2019）．また，微動と分類された波形を用いて新たに震源決定を行っている研究は少ない．そこで，本研究では，遠地地震を含めたノイズ・微動・地震の識別モデルの開発および微動と分類された波形に対してセンブランス解析を行う．

地震波形データには産業技術総合研究所（AIST）によって紀伊半島に設置されたアレイ観測網の3成分速度波形を使用した．本研究で使用したモデルはスペクトログラム画像を入力データとして，ノイズ・微動・地震を確率によって識別する．モデルは順に2層の畳み込み層とプーリング層，1層の畳み込み層とGlobalAveragePooling層，3層の全結合層から構成されている．ノイズ・微動・地震それぞれの特徴が明瞭である20400波形のスペクトラム画像を学習させたところ，テストデータに対して識別精度は98.2 ％であった．また，高周波数成分が減衰した地震波形を含めて学習を行った結果，ノイズ・微動・地震をより正しく識別できることがわかった．さらにScore-CAM（Wang et al. 2019）を使用することでモデルがイベントを識別する際に重要視している部分を可視化することに成功した．これにより本モデルが微動や地震の特徴を人が目視で行うのと同様に把握することが分かった．2013年4月から2014年3月までの1年間の連続波形に対して本モデルを適用した結果，8851個の微動波形を検出した．これらの中には，微動カタログ（Imanishi et al. 2011）にイベントの記載がない時間帯の波形も含まれており，目視でもこれらの波形は微動である可能性が高いことを確認した．本発表では，8851個の微動についてセンブランス解析を行った結果およびScore-CAMとセンブランス解析を併用した新たな微動の震源決定法についても報告する