[S-CG53] 地震動・地殻変動・津波データの即時把握・即時解析・即時予測

[SCG53-P01] 機械学習による早期地震警報における単独観測点処理の改善

*野田 俊太¹、岩田 直泰¹、山下 貴志² (1.（公財）鉄道総合技術研究所、2.アドバンスソフト（株）)

キーワード：機械学習、早期地震警報、単独観測点処理、深層学習、畳み込みニューラルネットワーク、勾配ブースティング決定木

気象庁の緊急地震速報や新幹線の早期地震警報システムでは，地震を観測した観測点が独立して処理を行う単独観測点処理が行われる（Yamamoto & Tomori, 2013）。複数観測点処理と比較して警報の精度が劣るものの，他の観測点からの情報を待つ必要が無いため，即時性が高いというメリットがある。鉄道では，列車に危険性がある場合に速やかに停車させ，安全が確認されれば即座に運行を再開することが可能であるため，単独観測点処理との親和性が高い。しかしながら，様々な地震を経験する中で，警報の精度等の性能向上が求められている。そこで本研究では，近年発展が目覚ましい機械学習技術を単独観測点処理に適用し，その有効性について検討を行った。
野田・他（2023，日本地震工学シンポジウム）では，深層学習の典型的手法である畳み込みニューラルネットワーク（CNN）を用いた検討を行った。また，Noda（2024，BSSA [in press]）では，CNNをベースとした構造自動探索法を利用し，それぞれにおいてその有効性を確認した。構造自動探索法を用いると，それによって得られる多数の深層学習モデルから，地震計ハードウェアの計算リソースに応じた演算負荷を持つモデルを選択することが可能であるが，より高い精度を持つモデルは演算負荷が高くなる。このように，CNNに代表される深層学習は推論実行時の演算負荷が高くなりやすい傾向があり，計算リソースに制限がある各地震計における単独観測点処理への適用には，実装時の課題があった。そこで本研究では，演算負荷が比較的低い勾配ブースティング決定木（Gradient Boosting Decision Tree: GBDT）を用いた検討を行った。学習に使用したデータは，（国研）防災科学技術研究所の強震観測網K-NETで観測された19,388個の，および各JR会社が運用する新幹線地震計で記録された1659個の地震波形記録である。その結果，得られた地震諸元の推定精度はCNNとGBDTでほぼ同等である。その際，GBDTではCNNと比較して，平均の推論実行時間が3/100程度になる。以上の結果から，GBDTを利用することの有効性を確認した。
新幹線地震計は，新幹線の沿線に設置されることがあるため（沿線地震計），列車が通過するたびにそれに伴う振動を観測する。現行の単独観測点処理ではP波開始から最短1秒のデータで地震諸元推定を行うため，そのような短いデータから，観測中の振動が列車通過等によるものか，あるいは地震によるものかを正確に分類する必要がある。現行の処理手法ではこの分類の正答率は約90%である（岩田・他，2015）。この精度を高めることは，地震時に確実なP波警報を出力し，走行列車の安全性を向上させることに直結する。過去の研究（野田・他，地球惑星科学連合2022年大会）では，この問題にCNNを適用することにより，正答率を約97%に改善できることを報告した。しかしながら，この検討ではデータの時系列的な繋がりを考慮せず，切り出した各タイムウィンドウの振幅データをそのままCNNモデルに学習させていた。そこで本研究では，LSTM（Long Short Time Memory）などの時間的な再帰性を考慮するニューラルネットワーク法を使用し，その結果を報告する。