[S-CG55] 機械学習による固体地球科学の牽引

[SCG55-04] CNNを用いたGNSS-acoustic観測で得られた音響波形からの自動走時検出手法の構築

*黒須 直樹¹、木戸 元之² (1.東北大学理学研究科、2.東北大学災害科学国際研究所)

キーワード：GNSS-Acoustic 観測、機械学習、畳み込みニューラルネットワーク

日本海溝のように海洋プレートが大陸プレートの下に沈み込む場所では、しばしば巨大地震が発生し、それに伴う津波により、大災害が生じることがある。これらの現象を把握・予測するためには、地震の震源域となる海底で地殻変動観測が重要である。しかしGNSSによる電子基準点網が整備された陸上に対し、海底の地殻変動観測には特別な手法が必要となる。その一つであるGNSS-Acoustic観測は、海上の船のグローバル座標を決定するGNSS測位と、GNSSの電波に代わりに音波を用いて船と海底基準点の相対位置を決定する海中音響測距とを組み合わて、cmの精度で海底基準点のグローバル座標を決定する手法である。このうち音響測距では、船から発信した音波を、海底基準点を構成する複数の海底局が受信・録音し、船に対し再生する。これを船で受信することで音波の往復時間から両者間の距離を求める。船の位置を変えながら１分間隔で測距を繰り返し１日程度のデータを統合することで海底基準局の位置を推定する。最大で10kmに達する音響測距には海水の吸収減衰が少ない10kHz、波長にすると約15cmの比較的低い周波数の超音波を使用する必要がる。波長の1/10に相当する0.01msの精度で往復走時を計測するため、10kHzの搬送波をM系列に従う疑似乱数のタイミングで位相変調した音響信号を用い、送信波・受信波間の相互相関関数（相関波形）にサイドローブの少ない明瞭なピークがたつように設計してある。しかし、実際の相関波形の形状は、反射波の混入などの影響で多くのサイドローブが現れ、最大ピークが真の走時でない場合が殆どである。現状ではこの問題に対して、熟練者が正しいピークをサイドローブの中から選定し、それをテンプレートと定めた後、マッチング処理により走時を自動で検出していた。しかし、テンプレートは船と海底基準局の位置関係で決まる射出角と距離ごとに作成する必要があり、作成者によって結果が異なることがある。また波形のバリエーションが大きかったりするとテンプレートマッチングが十分機能しないことがあるなどの課題があった。そこで、本研究では機械学習の一つであるConvolutional Neural Network (CNN) を利用し、相関波形から音波の往復走時を自動決定する仕組みを作ることを目的とした。
本研究では、三陸沖の海底に設置された18ヶ所の観測点で2020〜2022年に実施された、計6回の観測で得られたデータを使用した。相関波形の１波長相当を便宜上8サンプルで表現して解析を実施した。CNNへの入力値には、最大相関となるサンプル位置を中心とした前後120サンプルずつ（データ長：241サンプル=241×10^-5 s）を、最大相関値で規格化した相関波形データを使用した。正解値は、従来のテンプレートマッチング手法により決定されたピークの位置とした。観測で得られたデータのうち、1〜4回目の観測で得られたデータの8割をCNNの学習用に、2割をCNNの精度の検証に使用した。さらに、学習を終えたCNNに最新の2回の観測で得られたデータを流した結果についても調べた。
学習を終えたCNNに2割の検証用データを流した結果、従来手法とCNNによる走時検出の差異のRMSは2.10サンプル（= 2.10×10^-5 s）となり、両者でほとんど同じピークを検出することが分かった。また、最新の2回の観測で得られたデータをCNNに流した結果についてもおおむね同様な結果であったが、一部で異なるピークを検出するデータも見られた。この違いについて、CNNと従来手法どちらの結果が正しいのか、また結果が大きく異なった要因について発表を行う。