[S-CG52] 機械学習による固体地球科学の牽引

[SCG52-P04] F-netモーメントテンソル解カタログの階層的クラスター解析

*久保 久彦¹、木村 武志¹、汐見 勝彦¹ (1.国立研究開発法人防災科学技術研究所)

キーワード：階層的クラスタリング、モーメントテンソル解、教師なし機械学習、地震活動の地域特性

地震は、背景応力や地下構造などに対応して、空間的に不均質に発生している。そのため、地震カタログから地震活動の地域特性を見出すことは、地震の起こり方に影響する背景応力や地下構造の理解につながる。久保・他（2020, 地震学会）では防災科研F-netのモーメントテンソル解カタログに対して教師なし機械学習による次元削減を適用し、類似した性質を持つ地震が次元削減後の座標空間において同一の領域に再配置できることを示した。本研究では、F-netモーメントテンソル解カタログに対して教師なし機械学習の一種である階層的クラスタリングを行い、地震クラスターの階層構造を調べることで、日本全国における地震活動の地域特性の抽出を試みる。

本研究では久保・他（2020, 地震学会）によるデータセットを用いる。彼らはF-netモーメントテンソル解カタログをベースとしつつ、ダブルカップルおよびCLVDに関する情報を追加したデータセットを作っている。このデータセットのうち、本研究では地震の緯度・経度・深さ・source-mechanism diagramのxとy (Kavernia et al. 1996; Kagan 2005)の計5つをクラスター解析の対象とする。xが大きいと逆断層成分が、xが小さいと正断層成分が卓越していることを意味する。またyが大きいと横ずれ断層成分が卓越していることを意味する。クラスター解析の前処理として、緯度と経度に対して主成分解析による軸変換を行った上で、各成分の正規化を行った。

クラスタリング手法には本研究で用いる階層的クラスタリングとk-meansなどの非階層的クラスタリングの二種類がある。階層的クラスタリングの方が計算のコストは高いが、クラスター間の関係などに関する情報を持ったデータの階層構造を得ることができるという利点を持つ。本研究では凝集型の階層的クラスタリング手法を使用することとし、クラスター間の距離の計算にはWard 法を用いた。解析コードにはscikit-learn のAgglomerative Clusteringを用いた。

階層的クラスタリングで得られた上位10クラスターを調べたところ、断層タイプ（正断層型・逆断層型・横ずれ型）、地域性（東日本・西日本）、地震の深さ（深さ20㎞以下、深さ20－100㎞のプレート境界付近、深さ100㎞以上）が異なる地震グループが上位10クラスターに分類されていることがわかった。この結果はモーメントテンソル解カタログを階層的クラスタリングすることによって、類似した性質を持つ地震のグループが抽出できていることを意味する。さらに下位のクラスターを調べていくことで、よりローカルな地震グループを抽出することが期待される。