[S-CG60] 機械学習による固体地球科学の牽引

[SCG60-P03] 深層学習を利用したT相の自動検出

*河上 洋輝¹、須田 直樹¹ (1.広島大学)

キーワード：T相、深層学習、Hi-net、海底火山

T相は、地震や海底火山の噴火で発生した地震波が海中音波としてSOFARチャネルと呼ばれる低速度層を伝搬し、沿岸の海底で再び地震波に変換されたものである。そのためT相は、海底地震計だけでなく陸上に設置された地震計でもしばしば観測される。2023年10月に伊豆諸島の孀婦（そうふ）海山付近で発生した地震では、P波及びS波が不明瞭であった一方で、T相が複数の陸上観測点で明瞭に記録されていた。T相は通常、地震が発生した際の解析には利用されないが、2023年10月の地震のようにP波およびS波が不明瞭な場合には、震源の推定や津波注意報の早期発令のためにT相の観測が重要となる。しかし、T相を即時検出するシステムは未だに開発されていない。本研究ではシステム開発の第1段階として、Hi-netの連続波形データを使用し、深層学習モデルによるT相の自動検出を試みた。その結果、非常に高精度なT相の検出が可能になった。

本研究ではHi-net観測点のうち日本列島の太平洋沿岸に設置された250か所を選択し、上下動成分の連続波形記録を解析に使用した。また、深層学習の教師データを作成するために、GCMTカタログに掲載されている2006年から2023年に発生したMw７以上の地震について、選択したHi-net観測点でT相が観測された44イベントを抽出した。

深層学習ではスペクトログラム画像を学習させた。2011年から2023年に発生した30個のイベントについて、各観測点においてT相を観測した時間を含む10分間長のスペクトログラム画像を作成し、画素サイズを256px×256pxにリサイズした。スペクトログラムは、周波数0.5Hzから20Hzの範囲において、サンプリング周波数100Hzで、窓長5秒を50％のオーバーラップで作成した。次に、①任意の観測点、➁その観測点に最も距離が近い観測点、③2番目に近い観測点、の3観測点におけるリサイズしたスペクトログラム画像をRGBの平均値をとることで均等に合成し、深層学習の教師データを作成した。同様に、実体波、ノイズを含む合成スペクトログラム画像を作成することで、T相を含まない場合の教師データを作成した。最終的に、「T相」、「実体波」、「ノイズ」のそれぞれについて2800枚ずつ、計8400枚の画像を作成した。本研究ではPythonの深層学習ライブラリKerasを用いて畳み込みニューラルネットワーク（CNN）のモデルを作成し、8400枚の画像データを学習用75％、検証用25％の割合で配分してモデルの学習を行った。さらに、未知データへのテストとして2006年から2010年に発生した14個のイベントについて、同様に合成スペクトログラム画像を作成し、学習済みモデルを適用することで、T相の検出精度を評価した。

モデルを学習させた結果、検証データに対して正解率が98.6％、適合率が98.3％、再現率が97.6%と非常に高い精度で分類できていることが明らかになった。また、未知データに対して学習済みモデルを適用した場合でも、正解率が92.4％、適合率が87.0％、再現率が93.2%と高精度を維持していた。発表では、T相の自動検出をもとにT相の発生イベントの自動検出及び発生源推定についても議論する予定である。

謝辞：本研究は、JST 次世代研究者挑戦的研究プログラム JPMJSP2132の支援を受けています。また、解析においてHi-netの記録、GCMTカタログを利用し、CNNモデルの構築にはKerasを利用しました。関係各位に感謝します。