S22P

[S22P-03] Development of neural network to locate hypocenter with theoretical seismograms as learning data II

*Seiji Tsuboi¹, Daisuke Sugiyama¹ (1. Japan Agency for Marine-Earth Science and Technology)

我々は、昨年の地震学会秋季大会において、現実的な3次元地球モデルを用いた理論地震波形記録を教師データとして機械学習を行うことにより、震源パラメータの推定を行うニューラルネットワークを構築する試みについて報告した。
前回の発表では、仮定した地震に対して計算した理論地震波形記録から、ある時刻における地表の変位分布を表し、そのような画像を基にした機械学習から、震源パラメータを推定するニューラルネットワークを構築することが出来ることを示した。地表の変位分布を理論地震波形記録から構築する際には、関東地方規模の領域を選び、地表における変位を0.05°毎に計算して変位分布を作成したが、関東地方では、観測点の分布も十分稠密であるため、観測データから変位分布を構築することは比較的容易に実施可能であった。一方、日本列島規模の領域を考えた場合は、観測点は陸上に限定されるため、観測データから構築する変位分布は偏ったものになることが予想される。ここでは、日本列島規模の領域について、陸上の観測点を想定した理論地震波形記録に基づく地表の変位分布画像を用いて、機械学習によりニューラルネットワークを構築することを試みた。

理論地震波形記録は、前回と同様にスペクトル要素法のSPECFEM3D_GLOBE(https://geodynamics.org/cig/software/specfem3d_globe/)を用い、256コアを使って1 chunkを用いて計算した。モデルの精度を表すパラメータであるNEXは256で、用いた3次元地球モデルはS20RTS、精度は周期17秒である。2分間の理論地震波形を約4200個の地震に対して計算し、約300万枚の地震波伝播画像を生成した。教師データとして用いた画像の例を図1に示す。

生成した画像を基に、震源パラメータを推定するニューラルネットワークの構築を試みた。ニューラルネットワークは深層学習でよく使われるConvolutional Neural Network (CNN)で、convolutionは2層とし、86x86の画像から，各パラメータを推定するネットワークを機械学習により生成した。ニューラルネットワークのフレームワークはTensorFlow (https://github.com/tensorflow)を用いた。機械学習は画像の85%を用い、学習のパラメータ設定を海洋研究開発機構・地球情報基盤センターが運用するDAシステムのGPGPUノードを使用して行った。学習により構築したニューラルネットワークに対して残り15%の画像を用いて検証を行った。検証結果は推定した緯度と経度の誤差の標準偏差がそれぞれ0.045°と0.063°であり、日本列島規模の陸上観測点分布による地表の速度分布画像から震源パラメータを推定するニューラルネットワークを構築することが可能であることが分かった。

構築したニューラルネットワークを実際の観測データに適用した場合の推定の結果および、構築したニューラルネットワークの応用の可能性については発表の際に述べる。

　

謝辞

この研究では海洋研究開発機構・地球情報基盤センターの計算機システムを用いました。記して感謝いたします。本研究は科研費19K12011の助成を受けました。