17:15 〜 18:45
[SCG50-P06] 畳み込みニューラルネットワークを用いたテクトニック微動の検出と震源決定の自動化
キーワード：畳み込みニューラルネットワーク、テクトニック微動、震源決定、センブランス解析
・はじめに
微動解析において一般的に用いられるセンブランス解析（Neidell and Taner, 1971）は、ノイズや地震を微動として誤検出することがある。また、ノイズレベルが高い微動波形では、センブランス値が閾値を超えず、微動として検出されないことがある。近年、大量の地震波形データに含まれる微動の高精度かつ効率的な処理に、畳み込みニューラルネットワーク（CNN）が活用されている。CNNの使用により、ノイズ、微動、地震を高精度に分類できる（例：Nakano et al., 2019）。Rouet-Leduc et al. (2020)は、深層学習の解釈手法を用いて微動の特徴的な時間周波数成分を抽出できることを示した。本研究では、Hulbert et al. (2022)の微動の特徴的な時間周波数成分の抽出方法とエンベロープ相互相関のアプローチを参考に、微動、地震、ノイズの分類および微動の震源決定の自動化手法を開発した。
・データと方法
本研究では、産業技術総合研究所が紀伊半島に設置したアレイ観測網から得られた3成分速度波形データを使用した。このデータは2011年4月から2015年12月までの間に記録されたものである。2-8 Hzのバンドパスフィルターを適用し、1分間のスペクトログラムをCNNの入力データとして用いた。学習データとテストデータは、それぞれ162,100個（2011年4月〜2014年3月）、16,300個（2014年4月〜2015年12月）とした。微動確率が0.9以上の観測点を選定し、解釈マップを作成した後、これを平均化してスペクトログラムと組み合わせ、波形を再構成した。再構成波形を用いてセンブランス解析を行い、最大センブランス値が0.3以上のグリッドをテクトニック微動の震源と定義した。
・結果と考察
学習したCNNモデルは、適合率と再現率がともに97%を超える高い精度を達成した。2011年4月から2015年12月までの微動カタログ(Imanishi et al., 2011)と気象庁一元化震源カタログに記載されたイベントを分類した結果、震央距離が200 km以上の地震の約70%を正しく分類できた。震央距離が40 km以上の微動の識別精度は低下することが観測されたが、震央距離が80 km以上であっても、S/N比が高い場合は微動として識別可能であり、信号対雑音比（SN比）が2以上であれば正しく識別された。CNNの解釈手法としてIntegrated Gradients（IG）（Sundararajan et al., 2017）とScore-CAM（SC）（Wang et al., 2020）を使用し比較した結果、両手法は振幅値が大きい部分を根拠としていることが分かった。これは、Liu et al., (2019)が示した、k近傍法におけるノイズと微動の識別において最大振幅やピーク数が重要であるという結果と一致している。2014年7月1日から7月15日までの15日間で行ったセンブランス解析では、IGを使用した場合、2-8Hzのバンドパスフィルタのみを使用した場合と比較して4倍の数の震源を決定できた。観測点間で生成した解釈マップを足し合わせ、観測点数で割る平均化を行った場合のSCやIGは、平均化しなかった場合と比較して微動の個数が2倍以上になり、平均化したフィルターにより再構成した波形の使用が微動の震源決定に効果的であることが示された。しかし、CNNで微動と分類されたにも関わらず震源決定ができないケースも約20%存在した。本発表では、これらの微動の特徴や震源を決定する方法についてさらに議論を行う。
微動解析において一般的に用いられるセンブランス解析（Neidell and Taner, 1971）は、ノイズや地震を微動として誤検出することがある。また、ノイズレベルが高い微動波形では、センブランス値が閾値を超えず、微動として検出されないことがある。近年、大量の地震波形データに含まれる微動の高精度かつ効率的な処理に、畳み込みニューラルネットワーク（CNN）が活用されている。CNNの使用により、ノイズ、微動、地震を高精度に分類できる（例：Nakano et al., 2019）。Rouet-Leduc et al. (2020)は、深層学習の解釈手法を用いて微動の特徴的な時間周波数成分を抽出できることを示した。本研究では、Hulbert et al. (2022)の微動の特徴的な時間周波数成分の抽出方法とエンベロープ相互相関のアプローチを参考に、微動、地震、ノイズの分類および微動の震源決定の自動化手法を開発した。
・データと方法
本研究では、産業技術総合研究所が紀伊半島に設置したアレイ観測網から得られた3成分速度波形データを使用した。このデータは2011年4月から2015年12月までの間に記録されたものである。2-8 Hzのバンドパスフィルターを適用し、1分間のスペクトログラムをCNNの入力データとして用いた。学習データとテストデータは、それぞれ162,100個（2011年4月〜2014年3月）、16,300個（2014年4月〜2015年12月）とした。微動確率が0.9以上の観測点を選定し、解釈マップを作成した後、これを平均化してスペクトログラムと組み合わせ、波形を再構成した。再構成波形を用いてセンブランス解析を行い、最大センブランス値が0.3以上のグリッドをテクトニック微動の震源と定義した。
・結果と考察
学習したCNNモデルは、適合率と再現率がともに97%を超える高い精度を達成した。2011年4月から2015年12月までの微動カタログ(Imanishi et al., 2011)と気象庁一元化震源カタログに記載されたイベントを分類した結果、震央距離が200 km以上の地震の約70%を正しく分類できた。震央距離が40 km以上の微動の識別精度は低下することが観測されたが、震央距離が80 km以上であっても、S/N比が高い場合は微動として識別可能であり、信号対雑音比（SN比）が2以上であれば正しく識別された。CNNの解釈手法としてIntegrated Gradients（IG）（Sundararajan et al., 2017）とScore-CAM（SC）（Wang et al., 2020）を使用し比較した結果、両手法は振幅値が大きい部分を根拠としていることが分かった。これは、Liu et al., (2019)が示した、k近傍法におけるノイズと微動の識別において最大振幅やピーク数が重要であるという結果と一致している。2014年7月1日から7月15日までの15日間で行ったセンブランス解析では、IGを使用した場合、2-8Hzのバンドパスフィルタのみを使用した場合と比較して4倍の数の震源を決定できた。観測点間で生成した解釈マップを足し合わせ、観測点数で割る平均化を行った場合のSCやIGは、平均化しなかった場合と比較して微動の個数が2倍以上になり、平均化したフィルターにより再構成した波形の使用が微動の震源決定に効果的であることが示された。しかし、CNNで微動と分類されたにも関わらず震源決定ができないケースも約20%存在した。本発表では、これらの微動の特徴や震源を決定する方法についてさらに議論を行う。