[S-CG55] 機械学習による固体地球科学の牽引

[SCG55-P03] 深層学習を用いたテクトニック微動波形の抽出：南海沈み込み帯Hi-net観測点への応用

*陣出 湧也¹、杉井 天音¹、平松 良浩¹ (1.金沢大学)

キーワード：畳み込みニューラルネットワーク、テクトニック微動

近年，地震学の分野においても深層学習を用いた研究が行われている．テクトニック微動波形の識別にも深層学習は応用されているが(e.g. Nakano et al., 2019)，広範囲での系統的な微動波形の抽出は行われていない．本研究では，南海沈み込み帯のHi-net観測点で記録された波形データを用いてパラメータの学習を行ったCNN（Convolutional Neural Network）モデルを使用し，南海沈み込み帯全域を対象にした微動波形の抽出を行った．
本研究で用いるCNNモデルでは入力データとしてスペクトログラムを使用し，ノイズ，微動および地震の確率値を出力する．CNNモデルは入力する周波数領域により，その性能は変化し，2 – 30 Hzの周波数領域で作成した入力データを使用するモデルが最も良い性能を示した．テストデータやモデル構築に使用していない観測点，高周波数成分に乏しい遠地地震への適用いずれにおいても，このCNNモデルは高い識別性能と汎化性能を示し，本モデルが微動抽出に用いる手法として適当であることが示された．ハイブリッドカタログ（Maeda and Obara, 2009）に記載され，ハイブリッド・クラスタリング処理(Obara et al., 2010)が行われた時刻のイベントとの比較の結果，対象とするカタログ記載イベントの80.1 %が微動として抽出されたことが判明した．使用する観測点や観測点の組み合わせを変えることで，より多くの微動を抽出できると考えられる．カタログに微動が記載されていない時間帯への適用結果から，CNNモデルを用いた微動抽出では，従来手法のセンブランス値を基準にしたカタログ作成では未検出となることが多い，微動活動が活発な時期の波形を微動として抽出できることが明らかになった．今後，新たに抽出された微動の震源決定の可否について調査・検討が必要となる．

<謝辞>
本研究では，防災科学技術研究所の高感度地震観測網（Hi-net）の地震観測データ，微動カタログとしてハイブリッド法によるカタログ(Maeda and Obara, 2009)，ハイブリッド・クラスタリング処理(Obara et al., 2010)によるカタログ，地震カタログ作成には，気象庁の検測値データおよび一元化震源カタログを使用しました．記して感謝いたします．