[S-TT44] 最先端ベイズ統計学が拓く地震ビッグデータ解析

[STT44-P04] 地震波形の全体・局所領域に対する複数の深層学習モデルを統合した地震検出手法

*徳田 智磯¹、長尾 大道^1,2 (1.東京大学地震研究所、2.東京大学大学院情報理工学系研究科)

キーワード：地震検出、深層学習、ニューラルネットワーク

地震検出は時空間的な地震活動の評価、あるいは地殻・マントル構造推定等ために地震学にとって必要不可欠である。今日、日本各地に張り巡らせた地震計によって、大きな地震だけでなく、日常生活で人が感じないような小さな地震も検出することができるようになった。地震検出のためには、観測された地面の揺れを時系列波形に変換し、地震波特有の波形を同定する必要がある。古典的な検出手法として知られるSTA/LTA手法では、長い時間スパンと短い時間スパンの波形データの振幅比を評価し、それが急減に変化する時刻を推定することにより地震波形を同定する。一方、近年、AI技術を地震検出に取り入れる試みがなされ、畳み込みニューラルネットワーク（CNN）等の深層学習を用いてデータ駆動的に地震波の特徴量を抽出して、精度よく地震波を検測する手法が提案されている。本研究では、CNNを用いた代表的な手法であるGPD法（Generalized phase detection, Ross et al, BSSA, 2018）を発展させ、地震波形全体の情報に加え、波形の局所情報をモデルに取り入れることにより、より精度よく地震を検出できる手法を開発した。まず、学習波形データについてクラスター分析をおこない、波形を複数の局所領域に分割した。次に、波形全体、及び各局所領域に対してCNNを用いた地震波判別モデルを構築し、与えられた波形データに対して、各々のモデルで算出された地震波検出確率の積を最終的な検出確率と定義した。提案手法をテストデータに適用した結果、GPDと比較して頑健性があることがわかった。さらに、米国・カリフォルニア州で起きた群発地震の波形データに適用したところ、他の手法と比較して、提案手法は精度よく地震を検出することができた。最後に、人工データを使って局所モデルの一部を再学習することにより、低周波地震の検出にも有効であることがわかった。