16:00 〜 16:15
[SCG60-07] 深層学習を用いた南海沈み込み帯テクトニック微動の単一観測点震央推定
キーワード：スロー地震、テクトニック微動、震央推定、単一観測点
・はじめに
テクトニック微動（微動）は、スロー地震の一種であり、スロースリップイベント（SSE）のモニタリング指標として利用される。SSEは、巨大地震発生域に隣接して発生するため、巨大地震発生メカニズムの解明において重要な役割を果たすと考えられている。そのため、微動の震源決定は、SSEの時空間分布の把握に不可欠である。微動の震源決定には、エンベロープ相互相関法（e.g., Obara, 2002）が一般的に用いられてきた。しかし、エンベロープ相互相関法は観測点間のエンベロープ形状のみを利用し、地震波形が持つ多くの特徴を考慮していない。その結果、震源決定に有用な情報を見逃している可能性がある。通常の地震に対しては、深層学習を用いた単一観測点から震源を推定する手法が提案されており、震源を数キロの誤差で推定できることが示されている（e.g., Mousavi et al., 2020; Elsayed et al., 2023）。本研究では、この手法を微動にも適用し、単一観測点波形による震央推定の可能性について検討する。
・データと方法
本研究の対象地域は、南海沈み込み帯全域である。微動が活発な領域およびその周辺のHi-netの129観測点を利用した。使用する3成分速度波形の時間窓は1分間とし、解析対象期間は2008年から2016年9月までとした。まず、微動カタログ（Mizuno et al., 2019）から微動の可能性がより高いイベントを抽出するために、Sugii et al. (2024)と同様の手法により微動・ノイズ・地震を分類するCNNモデル（分類器）を作成した。分類器の学習には2008年から2015年のデータを使用し、2016年のデータを性能評価に用いた。地震の抽出には気象庁一元化震源カタログを利用し、微動カタログから微動が活発な時間帯を参照しつつ、微動およびノイズについては目視選択を行った。次に、微動の震央を推定するモデル（震央推定器）のデータセットを作成するため、観測点ごとに震央距離が50 km以内の微動を微動カタログから抽出し、分類器を用いて微動確率を算出した。微動確率が0.9以上のデータを使用したが、そのデータ数が1000個未満の観測点については、地域的な汎化性能を検証するためにデータセットから除外した。こうして得られたデータを2008–2015年のデータを学習、検証用、2016年をテスト用として分割し、データセットを作成した。震央推定器にはVision Transformer（Dosovitskiy et al., 2021）を採用し、3成分速度波形を入力として観測点から震央までの相対距離の正規分布のパラメータ（相対緯度・経度の平均値、標準偏差、および相関係数）を出力するように設計した。
・結果と考察
震央推定器の性能を評価するため、まずランダムサンプルを用いた評価を行った。各観測点において、テストデータの各データに対し、学習データからランダムに震央をサンプルし、誤差距離（予測震央またはサンプルした震央と実際の震央の距離）を算出した。その結果、誤差距離の平均値は 28.59±19.49 km、中央値は 24.42 km、誤差距離が5 km以下の割合は 6.78% であった。一方、テストデータに対して震央推定器を適用した結果、誤差距離の平均値は 5.35±7.96 km、中央値は 2.96 km、誤差距離が5 km以下の割合は 72.71% であった。これにより、震央推定器は適切に震央を推定可能なモデルであることが示された。しかし、データセットから除外した観測点に対する予測結果では、誤差距離の平均値が 29.28±17.93 km、中央値が25.11 km、誤差距離が5 km以下の割合が 3.1% であり、地域的な汎化性能が低いことが確認された。次に、分類器を作成する際に使用したデータを用いて、ノイズや通常の地震波形を入力した場合の震央推定器の挙動を解析した。その結果、学習データの震央が多く分布する地域に、ノイズや地震の入力時の震央が偏る傾向があるものの、概ね観測点周辺に散布する傾向が見られた。特に、学習データが豊富な観測点ほど、予測震央が観測点を中心に放射状に広がる分布が確認された。また、微動・ノイズ・地震を震央推定器の出力する標準偏差を用いた分離可能性を検証するため、F1スコアを用いて標準偏差の適切な閾値を探索した。その結果、最適な閾値は経度 0.065度、緯度 0.096度 であった。以後、分類器の微動確率が 0.9 以上かつ、震央推定器の出力する標準偏差（緯度・経度）がそれぞれ 0.096度・0.065度未満のものを微動と定義する。この基準を用い、震央推定器によって1分ごとに 160分 の連続波形に対して震央決定を行った結果、微動カタログと整合的なマイグレーションが確認された。また、30秒ごとに適用した場合においても近接した時間の予測震央は近接する位置に集中する傾向が見られた。さらに、同一時刻において複数観測点で震央を推定した結果、異なる観測点による予測震央が集中する傾向が観測された。このことから、単一観測点の予測結果を統合することで、微動の震央を推定するシステムが構築可能であると考えられる。
テクトニック微動（微動）は、スロー地震の一種であり、スロースリップイベント（SSE）のモニタリング指標として利用される。SSEは、巨大地震発生域に隣接して発生するため、巨大地震発生メカニズムの解明において重要な役割を果たすと考えられている。そのため、微動の震源決定は、SSEの時空間分布の把握に不可欠である。微動の震源決定には、エンベロープ相互相関法（e.g., Obara, 2002）が一般的に用いられてきた。しかし、エンベロープ相互相関法は観測点間のエンベロープ形状のみを利用し、地震波形が持つ多くの特徴を考慮していない。その結果、震源決定に有用な情報を見逃している可能性がある。通常の地震に対しては、深層学習を用いた単一観測点から震源を推定する手法が提案されており、震源を数キロの誤差で推定できることが示されている（e.g., Mousavi et al., 2020; Elsayed et al., 2023）。本研究では、この手法を微動にも適用し、単一観測点波形による震央推定の可能性について検討する。
・データと方法
本研究の対象地域は、南海沈み込み帯全域である。微動が活発な領域およびその周辺のHi-netの129観測点を利用した。使用する3成分速度波形の時間窓は1分間とし、解析対象期間は2008年から2016年9月までとした。まず、微動カタログ（Mizuno et al., 2019）から微動の可能性がより高いイベントを抽出するために、Sugii et al. (2024)と同様の手法により微動・ノイズ・地震を分類するCNNモデル（分類器）を作成した。分類器の学習には2008年から2015年のデータを使用し、2016年のデータを性能評価に用いた。地震の抽出には気象庁一元化震源カタログを利用し、微動カタログから微動が活発な時間帯を参照しつつ、微動およびノイズについては目視選択を行った。次に、微動の震央を推定するモデル（震央推定器）のデータセットを作成するため、観測点ごとに震央距離が50 km以内の微動を微動カタログから抽出し、分類器を用いて微動確率を算出した。微動確率が0.9以上のデータを使用したが、そのデータ数が1000個未満の観測点については、地域的な汎化性能を検証するためにデータセットから除外した。こうして得られたデータを2008–2015年のデータを学習、検証用、2016年をテスト用として分割し、データセットを作成した。震央推定器にはVision Transformer（Dosovitskiy et al., 2021）を採用し、3成分速度波形を入力として観測点から震央までの相対距離の正規分布のパラメータ（相対緯度・経度の平均値、標準偏差、および相関係数）を出力するように設計した。
・結果と考察
震央推定器の性能を評価するため、まずランダムサンプルを用いた評価を行った。各観測点において、テストデータの各データに対し、学習データからランダムに震央をサンプルし、誤差距離（予測震央またはサンプルした震央と実際の震央の距離）を算出した。その結果、誤差距離の平均値は 28.59±19.49 km、中央値は 24.42 km、誤差距離が5 km以下の割合は 6.78% であった。一方、テストデータに対して震央推定器を適用した結果、誤差距離の平均値は 5.35±7.96 km、中央値は 2.96 km、誤差距離が5 km以下の割合は 72.71% であった。これにより、震央推定器は適切に震央を推定可能なモデルであることが示された。しかし、データセットから除外した観測点に対する予測結果では、誤差距離の平均値が 29.28±17.93 km、中央値が25.11 km、誤差距離が5 km以下の割合が 3.1% であり、地域的な汎化性能が低いことが確認された。次に、分類器を作成する際に使用したデータを用いて、ノイズや通常の地震波形を入力した場合の震央推定器の挙動を解析した。その結果、学習データの震央が多く分布する地域に、ノイズや地震の入力時の震央が偏る傾向があるものの、概ね観測点周辺に散布する傾向が見られた。特に、学習データが豊富な観測点ほど、予測震央が観測点を中心に放射状に広がる分布が確認された。また、微動・ノイズ・地震を震央推定器の出力する標準偏差を用いた分離可能性を検証するため、F1スコアを用いて標準偏差の適切な閾値を探索した。その結果、最適な閾値は経度 0.065度、緯度 0.096度 であった。以後、分類器の微動確率が 0.9 以上かつ、震央推定器の出力する標準偏差（緯度・経度）がそれぞれ 0.096度・0.065度未満のものを微動と定義する。この基準を用い、震央推定器によって1分ごとに 160分 の連続波形に対して震央決定を行った結果、微動カタログと整合的なマイグレーションが確認された。また、30秒ごとに適用した場合においても近接した時間の予測震央は近接する位置に集中する傾向が見られた。さらに、同一時刻において複数観測点で震央を推定した結果、異なる観測点による予測震央が集中する傾向が観測された。このことから、単一観測点の予測結果を統合することで、微動の震央を推定するシステムが構築可能であると考えられる。