[S-SS14] 地殻変動

[SSS14-09] 余効変動の特性化に関する２つの萌芽的研究：ニューラルネットワークによる学習・改良大森則

*三井 雄太¹、山佳 典史²、森上 竣介³ (1.静岡大学理学部地球科学科、2.静岡大学大学院総合科学技術研究科、3.元・静岡大学大学院総合科学技術研究科)

キーワード：余効変動、GNSS、機械学習

大きな地震後に地表が動き続ける「余効変動」の時空間発展は、アフタースリップ・粘弾性緩和などの物理メカニズムによってある程度説明可能である。一方で、これらの構成則やパラメータ分布を仮定した物理モデルは、研究間の差異が大きい。一例として、東北地方の沈み込み帯マントルウェッジの粘性率について、およそ10¹⁸-10¹⁹ [Pa s]の範囲で1桁のバラつきが見られる。このことは、観測データを説明するためのモデルパラメータ間のトレードオフが大きいことを示唆する。このため、地表変位の時系列データの説明・予測に的を絞り、シンプルな対数・指数関数を仮定した回帰分析による余効変動の特性化(Nishimura, 2014; Tobita, 2016)も重要な研究である。

本発表では、このような余効変動の特性化について、2つの異なったアプローチを紹介する。2011年東北地震をテストケースとし、国土地理院GEONETのGNSS時系列データを使用する。1つのアプローチ(Yamaga and Mitsui, 2019)では、機械学習の一手法である再帰型ニューラルネットワーク(RNN)を用いた。地震後1年の余効変動時系列データをRNNに学習させた上で、学習に使用していない観測点での2018年末までの余効変動を予測し、実際のデータと比較した。もう1つのアプローチでは、余効変動の変位を速度に直し、余震の改良大森則と同様のべき乗則での特性化(Ingleby and Wright, 2018)を試みた。30秒サンプリングのハイレートデータも使用して、東北地震直後から2018年までの余効変動速度の時間減衰を回帰したところ、べき指数pが0.7程度という小さな推定値を得た。双方のアプローチに共通して、2013年頃に余効変動の支配的な物理メカニズムが変わったことが示唆された。