[S-CG51] 機械学習による固体地球科学の牽引

[SCG51-P02] 深層学習による地震波検測の検討：2011年東北地方太平洋沖地震前後への適用

*溜渕 功史¹ (1.気象研究所)

キーワード：地震波検測、震源決定、深層学習

地震波検測は，地震波形の連続記録からP波，S波を読み取る最も基本的な地震波解析である．気象庁の一元化処理システムでは，従来，自己回帰モデルによる時系列解析（AR-AIC法）を用いて検測を行ってきた．AR-AIC法は地震波形の不連続点を検出するため，地震波以外の非定常ノイズも検測してしまうことがある．一方，近年深層学習を用いることで，P波，S波の相判別も含めた地震波検測手法がいくつか提案されている．そこで本発表では，従来の自動処理において，地震波検測を深層学習に置き換え，多チャネル長期連続波形への適用及び評価を行ったので報告する．
ここでは，最近提案された地震波検測手法のうち，PhaseNet (Zhu and Beroza 2019) とEQTransformer (Mousavi et al. 2020) を用いた．いずれもグローバルな地震波形を用いて訓練し，P波，S波を判別した検測を行う．得られた多数の観測点の検測時刻を入力として，地震判別（Phase association），震源決定を行った．地震判別と震源決定は，現在気象庁の自動震源決定に採用されているPF法 (溜渕・他 2016, 2018) を用いた．
平常時と地震多発時の性能をそれぞれ評価するため，データは，2011年3月1日0時および2011年3月11日12時からそれぞれ12時間，日本全国約1300地点の連続地震波形を用いた．WINフォーマットの波形データを直接pythonで読み込むと時間がかかるため，mini SEEDフォーマットに変換してから深層学習による検測処理を行った．その結果，12時間分の波形に対して，フォーマット変換，検測，震源決定処理を合計して2時間30分程度で処理が行うことができた．これは実用上十分な処理速度である．震源決定の際には観測点の欠測も考慮した．
EQTransformerを用いた場合，2011年3月1日0時からの12時間の適用結果は，一元化震源196個に対して，自動震源は278個決定された．同様に，2011年3月11日12時からの12時間の適用結果は，一元化震源1192個に対して，自動震源決定数は862個であった．これらは暫定的な結果ではあるが，ノイズ等の誤決定は減少し，カタログに掲載されていない地震を新たに検出することができた．しかし，従来のPF法による自動震源と比較すると，地震の決定数は減少している．PhaseNetを用いた場合も同様の傾向であった．より最適なパラメータの検討や日本付近の学習データの追加によるファインチューニング等を検討する予定である．

謝辞
PhaseNet, EQTransformer，SeisBenchライブラリを使用しました．気象庁，防災科研，大学等の一元化関係機関の波形および一元化震源を利用しました．