[S-CG51] 機械学習による固体地球科学の牽引

[SCG51-P07] 深層学習を用いた深部テクトニック微動の検出手法の開発

*杉井 天音¹、平松 良浩¹、内出 崇彦²、今西 和俊² (1.金沢大学、2.国立研究開発法人産業技術総合研究所)

キーワード：深部テクトニック微動、畳み込みニューラルネットワーク

深部テクトニック微動（以後，微動）は，プレート境界，例えば南海トラフから沈み込むフィリピン海プレートにおいては深さおよそ30〜40 kmの場所で発生し，通常の地震とは異なる特徴（卓越周波数が1〜10 Hz，振動継続時間が数分から数時間）を示す．微動の自動検出には，エンベロープ相関法（Obara, 2002）やセンブランス解析（Neidell and Taner, 1971）などが用いられるが，誤検出によく悩まされる．特に，S/N比の低いデータでは検出精度が良くないという問題がある．
　深層学習を用いてノイズ・微動・地震を分類する研究には，Nakano et al.（2019）やTakahashi et al.（2021）などがあり，テストデータにおいて高精度に各イベントを識別できることが示されている．しかし，学習させたモデルの判断根拠は明らかではない．またTakahashi et al.（2021）では，S/N比の低いデータでモデルを学習させることによって識別精度が低下することを明らかにした．そのため，学習データをスクリーニングする必要があるが，大量のデータに対して目視でスクリーニングを行うことは現実的ではない．本研究の目的は少量のデータでノイズ・微動・地震を分類する深層学習モデルを開発し，モデルの判断根拠を明らかにすることである．
　地震波形データには産業技術総合研究所（AIST）によって三重県松阪市飯高町に設置されたアレイ観測網を使用した．本研究で使用したモデルはスペクトログラム画像を入力データとし，ノイズ・微動・地震を確率によって識別する．モデルは３層の畳み込み層，2層のプーリング層，３層の全結合層から構成されており，モデル内のパラメータを減らすため，畳み込み層と全結合層の間にはGlobalAveragePooling層を使用した．目視で選択したノイズ・微動・地震の各680イベントを使って本モデルを学習させることで，各イベントを99.7 %の精度で分類することが可能となった．また，スペクトログラムを作成する際にスペクトルの下限値を設定し，それ以下の値を設定した下限値で置き換えた．これにより，イベントの特徴を明瞭になり，モデルの分類精度が向上させることができた．さらに，ScoreCam（Wang et al. 2019）を使用することでモデルがイベントを識別する際に重要視している部分を可視化することに成功した，これにより本モデルがノイズ・微動・地震の識別器として適当であることが示された．学習データとは異なるスペクトルの下限値を適用することによりHi-netの観測点にも本モデルが適用可能であることが明らかとなった．複数のAISTの観測点の1時間波形に本モデルを適用した結果，従来手法では微動として検出されなかった波形を新たに微動として認識できることがわかった．