17:15 〜 19:15
[SCG60-P06] 複数観測点の波形振幅画像を用いた機械学習による神奈川県周辺での地震活動検知
キーワード：機械学習、箱根火山、神奈川県西部の地震
近年，機械学習技術の発展が進み，地震学でも機械学習がよく利用されるようになった (例えばPhaseNet(Zhu and Beroza, 2019))．近年の機械学習を用いた地震学の研究においては，各観測点のデータからPhaseNet等を使用してP波・S波をピックしたのちに，それらのピックを合わせるPhase associationと呼ばれる作業をするプロセス(例えばREAL(Zhang et al. , 2019)やGaMMA(Zhu et al., 2022)など)や震源再決定(Hypo DD, Waldhauser and Ellsworth, 2002)を実施することで高品質なカタログを作成している(QuakeFlow, Zhu et al., 2023)．
一方で，スロー地震や火山性の特殊な地震など微小な地震を目視で検出する場合，ノイズの誤検出等との区別のため，複数観測点で波形を確認することが一般的である．神奈川県温泉地学研究所では，従来から通常の地震検測に加えて複数観測点を並べた波形画像の目視による地震検出を実施しており，検測により震源決定された数の約4倍の地震を記録している(板寺, 2023温泉地学研究所観測だより73号)．また、箱根山大涌谷周辺ではP波、S波の不鮮明な地震を発見しており(Kurihara et al., 2025 in prep.) 、このような地震の検出には複数観測点のデータを同時に分析する目視確認と同等のプロセスが有効であると考えられる。2024年8月9日には神奈川県西部を震源とするM5.4の地震が発生し、その翌日にはその地震の余震が頻発する中に箱根火山を震源とする地震も同時に頻発する事象があり、即時的に震源域の判定の重要性も明らかとなった。そこで本研究では、複数観測点の地震振幅画像を入力し、1.箱根の地震・2.その他神奈川県周辺の地震・3.遠地地震・4. ノイズの4つに分類する機械学習を実装した。
入力データは0.5秒毎のRMS振幅を30秒分とした．過去のデータから，4つの分類に当たるデータをそれぞれ4000個ずつ合計16000個のデータを用意して，そのうち12000個を学習用，4000個を検証用として分類を行った．モデルは単純な畳み込みニューラルネットワークを使用したモデルとvision transformerを利用したモデルを作成した。
この結果、検証用データではどちらのモデルでもほぼ同等の96%程度の高い精度が得られた。誤答には入力データのラベルが不適切であったものや，箱根とその他の地震とした境界付近で発生した地震が多く含まれ，明らかに分類が誤っているものは皆無であった．
そこで次にvision transformerを利用したモデルを使って連続データへの適用を試みた。適用期間は2024年1月1日からとする。この期間には、箱根の地震として4月29日から30日にかけて群発地震が観測されており, 前述の8月9日の神奈川県西部地震の余震も多数含まれている。連続データの解析では、連続データを30秒の時間窓に分割し、15秒ずつずらしながら各時間窓に1~4の確率を計算する。計算結果として、箱根または神奈川県西部の確率が90%を超えた時間窓を検出とした。
連続検出の結果、本期間では箱根で1195個、神奈川県周辺(箱根除く)で5344個の地震が検出された。個々の検出結果を見ると、時間窓に後続波の一部だけが含まれるケースで箱根と神奈川県周辺の結果が入れ替わる例などがあったが、概ね正しく検出できていた。特に箱根の群発地震、神奈川県西部地震の余震発生時にそれぞれ箱根の地震、神奈川県周辺の地震の増加が確認できており, 手動検測のカタログと増加の傾向が共通していることから、この方法で震源位置区分もある程度できることがわかった。今後はモデルや教師データの改良により、さらなる精度の向上や震源位置区分の細分化を実施していく予定である。
その結果，畳み込みニューラルネットワークを使用したモデルで正答率96%と高い精度が得られた．また，誤答には入力データのラベルが不適切であったものや，箱根とその他の地震とした境界付近で発生した地震が多く含まれ，明らかに分類が誤っているものは皆無であった．一方，このデータを2024年7月8日の1日分のデータに適用したところ，目視で発見されている地震の見逃しは無かったものの，風などによる単観測点のノイズに対する誤検出が発生した．これらの結果は，複数観測点のRMS振幅データを入力とした機械学習モデルが微小な地震の検出を可能にできることを示すが，学習データの精査が非常に重要であることも示す結果となった．そのため，今後は学習データの確認を進め，また風などのノイズの学習データをより多く用意することで精度の改善を目指す．また，モデルをVision transformerのモデルにした場合との比較や，入力データをRMS振幅から波形データに変更可能かなどについても検証を行う．
一方で，スロー地震や火山性の特殊な地震など微小な地震を目視で検出する場合，ノイズの誤検出等との区別のため，複数観測点で波形を確認することが一般的である．神奈川県温泉地学研究所では，従来から通常の地震検測に加えて複数観測点を並べた波形画像の目視による地震検出を実施しており，検測により震源決定された数の約4倍の地震を記録している(板寺, 2023温泉地学研究所観測だより73号)．また、箱根山大涌谷周辺ではP波、S波の不鮮明な地震を発見しており(Kurihara et al., 2025 in prep.) 、このような地震の検出には複数観測点のデータを同時に分析する目視確認と同等のプロセスが有効であると考えられる。2024年8月9日には神奈川県西部を震源とするM5.4の地震が発生し、その翌日にはその地震の余震が頻発する中に箱根火山を震源とする地震も同時に頻発する事象があり、即時的に震源域の判定の重要性も明らかとなった。そこで本研究では、複数観測点の地震振幅画像を入力し、1.箱根の地震・2.その他神奈川県周辺の地震・3.遠地地震・4. ノイズの4つに分類する機械学習を実装した。
入力データは0.5秒毎のRMS振幅を30秒分とした．過去のデータから，4つの分類に当たるデータをそれぞれ4000個ずつ合計16000個のデータを用意して，そのうち12000個を学習用，4000個を検証用として分類を行った．モデルは単純な畳み込みニューラルネットワークを使用したモデルとvision transformerを利用したモデルを作成した。
この結果、検証用データではどちらのモデルでもほぼ同等の96%程度の高い精度が得られた。誤答には入力データのラベルが不適切であったものや，箱根とその他の地震とした境界付近で発生した地震が多く含まれ，明らかに分類が誤っているものは皆無であった．
そこで次にvision transformerを利用したモデルを使って連続データへの適用を試みた。適用期間は2024年1月1日からとする。この期間には、箱根の地震として4月29日から30日にかけて群発地震が観測されており, 前述の8月9日の神奈川県西部地震の余震も多数含まれている。連続データの解析では、連続データを30秒の時間窓に分割し、15秒ずつずらしながら各時間窓に1~4の確率を計算する。計算結果として、箱根または神奈川県西部の確率が90%を超えた時間窓を検出とした。
連続検出の結果、本期間では箱根で1195個、神奈川県周辺(箱根除く)で5344個の地震が検出された。個々の検出結果を見ると、時間窓に後続波の一部だけが含まれるケースで箱根と神奈川県周辺の結果が入れ替わる例などがあったが、概ね正しく検出できていた。特に箱根の群発地震、神奈川県西部地震の余震発生時にそれぞれ箱根の地震、神奈川県周辺の地震の増加が確認できており, 手動検測のカタログと増加の傾向が共通していることから、この方法で震源位置区分もある程度できることがわかった。今後はモデルや教師データの改良により、さらなる精度の向上や震源位置区分の細分化を実施していく予定である。
その結果，畳み込みニューラルネットワークを使用したモデルで正答率96%と高い精度が得られた．また，誤答には入力データのラベルが不適切であったものや，箱根とその他の地震とした境界付近で発生した地震が多く含まれ，明らかに分類が誤っているものは皆無であった．一方，このデータを2024年7月8日の1日分のデータに適用したところ，目視で発見されている地震の見逃しは無かったものの，風などによる単観測点のノイズに対する誤検出が発生した．これらの結果は，複数観測点のRMS振幅データを入力とした機械学習モデルが微小な地震の検出を可能にできることを示すが，学習データの精査が非常に重要であることも示す結果となった．そのため，今後は学習データの確認を進め，また風などのノイズの学習データをより多く用意することで精度の改善を目指す．また，モデルをVision transformerのモデルにした場合との比較や，入力データをRMS振幅から波形データに変更可能かなどについても検証を行う．