1:30 PM - 4:00 PM
[S21P-09] Towards Real-Time Seismic Intensity Prediction Using Deep Learning:Developing a Prediction Model with Relatively Little Observed Data
地震発生時、速やかに震度の空間分布を予測することは防災上非常に重要である。予測精度向上のため、地震計を高密度に設置し多数の観測データを得る必要があるが、人的、経済的コストの面から難しい。また、観測データに加えて地質情報等の先験的知識を用いる手法もあるが、地質情報の精度等課題が多々ある。そのような背景から地質情報を用いない深層学習を用いた震度予測が提案されその有用性が示されている(Otake et al., 2020）。本研究では先行研究よりも格段に学習データの少ない横浜市の周辺において、深層学習の一種であるLong-short term memory(LSTM)を用いたリアルタイム震度（功刀, 2008, 以降Ir）の予測モデルの構築を試み、そのパフォーマンスの検証を行った。
本研究では、2つの手法を検証し比較を行った。1つ目の手法では、Otake et al. (2020)と同様に既存の防災科学技術研究所強震観測網K-NETの観測点を予測ターゲットとして、その周辺の4つのK-NET観測点のデータと共に学習し、学習に用いていないターゲットのIrとIrの立ち上がり順を予測するモデルを作成した。入力観測点4つにはKNG004、KNG012、TKY007、TKY021を選択し、ターゲットとしてKNG002を選択した。先行研究では東北地方の観測点を用いたため、2011年東北地方太平洋沖地震の余震が数多く確保でき、学習に用いる地震の数が約1000個にも登ったが、本研究では全観測点で共有する地震数は1996年から2021年までで249個と4分の1である。データの前処理として、記録開始から60秒の３成分の地震波形をIrに変換後、100Hzにリサンプリングした。学習における入力データは入力観測点のIrである。正解データにはKNG002のIrを用いた。モデルはマスク層、3層のLSTM層、LSTM層の間に存在するドロップアウト層、全結合層で構成される。損失関数はMSE、全結合層の活性化関数はlinearを使用した。今回学習したモデルは、LSTMのユニット数を50、バッチサイズ1000、学習率0.001とし、エポック20で学習した。データ全体の1割をテストデータ、残りの9割のうち1割を検証データ、9割を教師データに利用した。
初めにt-1秒からt秒までの観測データを使い、予測地点のt秒目のリアルタイム震度を予測し、加重平均と最大入力値を用いて比較を行った。加重平均は予測地点から入力観測点までの距離を重みとして算出した。最大入力値はPLUM法（Kodera et al., 2018）を模倣した値であり、各時刻で入力観測点4つのうち最も大きい値を予測地点の震度としIrを算出した。時系列全体での予測値と観測値のMAE値はLSTMモデルが1.62であり、加重平均の1.41、最大入力値の2.22と比べると、LSTMより加重平均の方が良い値を示した。次に、t-1秒からt秒までの観測データを使い、入力観測点からターゲット観測点までのS波到達までの時間を考慮しt+8秒目のIr予測を行った。入力観測点と予測地点の平均距離が32kmであるため、入力観測点の最初のトリガー時刻から約8秒でS波が到達するという仮定でt+8秒目の予測を行った。MAE値は1.60となった。Irの時系列に加えて立ち上がり順を予測していることから十分に学習させることができなかったため、2つ目の手法では時系列の形状のみを予測するモデルを作成した。
2つ目の手法では、入力観測点をTKY007、TKY021の2点、ターゲット観測点をKNG002とし、Ir時系列の形状のみを予測した。Irの立ち上がり順を考慮しないため、ターゲット観測点がトリガーした時点から予測を行うと仮定し、ターゲット観測点より先にトリガーすることができる2点を入力観測点として使用した。使用する地震数は、使用観測点3点全てが共有し、かつKNG002が最後にトリガーしている、1996年から2021年までの312個である。データの前処理やモデルは1つ目の手法と同様である。t秒目の予測ではMAE値が0.56、t+8秒目の予測では0.58と、入力観測点数が異なるため単純な比較はできないが、観測点数が2点と少ない学習データで、1つ目の手法と比べて良い値を示した。
時系列の形状のみを予測するモデルでは精度が向上した。しかしリアルタイムでの震度予測を行う場合、1つ目のように立ち上がり順を考慮する必要がある。そのためにはデータ数を増やす事が不可欠であるので、本研究では解決策としてリアルタイム震度の立ち上がり部分の予測式（久保・功刀, 2022)を用いて訓練データを増やし、その性能について検証する予定である。
本研究では、2つの手法を検証し比較を行った。1つ目の手法では、Otake et al. (2020)と同様に既存の防災科学技術研究所強震観測網K-NETの観測点を予測ターゲットとして、その周辺の4つのK-NET観測点のデータと共に学習し、学習に用いていないターゲットのIrとIrの立ち上がり順を予測するモデルを作成した。入力観測点4つにはKNG004、KNG012、TKY007、TKY021を選択し、ターゲットとしてKNG002を選択した。先行研究では東北地方の観測点を用いたため、2011年東北地方太平洋沖地震の余震が数多く確保でき、学習に用いる地震の数が約1000個にも登ったが、本研究では全観測点で共有する地震数は1996年から2021年までで249個と4分の1である。データの前処理として、記録開始から60秒の３成分の地震波形をIrに変換後、100Hzにリサンプリングした。学習における入力データは入力観測点のIrである。正解データにはKNG002のIrを用いた。モデルはマスク層、3層のLSTM層、LSTM層の間に存在するドロップアウト層、全結合層で構成される。損失関数はMSE、全結合層の活性化関数はlinearを使用した。今回学習したモデルは、LSTMのユニット数を50、バッチサイズ1000、学習率0.001とし、エポック20で学習した。データ全体の1割をテストデータ、残りの9割のうち1割を検証データ、9割を教師データに利用した。
初めにt-1秒からt秒までの観測データを使い、予測地点のt秒目のリアルタイム震度を予測し、加重平均と最大入力値を用いて比較を行った。加重平均は予測地点から入力観測点までの距離を重みとして算出した。最大入力値はPLUM法（Kodera et al., 2018）を模倣した値であり、各時刻で入力観測点4つのうち最も大きい値を予測地点の震度としIrを算出した。時系列全体での予測値と観測値のMAE値はLSTMモデルが1.62であり、加重平均の1.41、最大入力値の2.22と比べると、LSTMより加重平均の方が良い値を示した。次に、t-1秒からt秒までの観測データを使い、入力観測点からターゲット観測点までのS波到達までの時間を考慮しt+8秒目のIr予測を行った。入力観測点と予測地点の平均距離が32kmであるため、入力観測点の最初のトリガー時刻から約8秒でS波が到達するという仮定でt+8秒目の予測を行った。MAE値は1.60となった。Irの時系列に加えて立ち上がり順を予測していることから十分に学習させることができなかったため、2つ目の手法では時系列の形状のみを予測するモデルを作成した。
2つ目の手法では、入力観測点をTKY007、TKY021の2点、ターゲット観測点をKNG002とし、Ir時系列の形状のみを予測した。Irの立ち上がり順を考慮しないため、ターゲット観測点がトリガーした時点から予測を行うと仮定し、ターゲット観測点より先にトリガーすることができる2点を入力観測点として使用した。使用する地震数は、使用観測点3点全てが共有し、かつKNG002が最後にトリガーしている、1996年から2021年までの312個である。データの前処理やモデルは1つ目の手法と同様である。t秒目の予測ではMAE値が0.56、t+8秒目の予測では0.58と、入力観測点数が異なるため単純な比較はできないが、観測点数が2点と少ない学習データで、1つ目の手法と比べて良い値を示した。
時系列の形状のみを予測するモデルでは精度が向上した。しかしリアルタイムでの震度予測を行う場合、1つ目のように立ち上がり順を考慮する必要がある。そのためにはデータ数を増やす事が不可欠であるので、本研究では解決策としてリアルタイム震度の立ち上がり部分の予測式（久保・功刀, 2022)を用いて訓練データを増やし、その性能について検証する予定である。