[S21P-11] Construction of a high-performance volcanic earthquake phase detection model using deep learning and examination of its transfer learning
火山地帯では度々火山活動に関連した活発な群発地震が発生し、それらの迅速な検出、検測は火山防災において非常に重要である。しかし現在、これらのプロセスは最終的には人間の判断に委ねられ、膨大な時間とコストを要し、リアルタイムでの詳細な検証は不可能である。この問題を解決するため、近年多くの地震観測で機械学習モデルが開発されその有用性が確かめらおり、すでに膨大な訓練データを用いた学習済みモデルがいくつか公開されている。それらをそのまま適用して問題無い事例もあるが、学習データの地域依存性も報告されている（ Münchmeyer et al., 2022）。特に本研究のターゲットは火山地帯という特殊な地域で発生する地震であるので、主に地殻内地震の波形で学習した既存の学習済みモデルは適用が難しい可能性が指摘されている（Kim et al., 2023）。本研究では箱根火山で発生する地震をより精度良く検測できるモデルの構築を目指し、U-Net の構造に再帰残差ユニットと注意機構の両方を追加したR2AU-Net を用いた学習モデルを構築し、箱根火山で発生した1999 年から2020 年までの約30,000 イベント（波形数約170,000）の地震波形に対して性能評価を行った。結果として箱根火山の地震データで学習したモデルのP 波検測のPresicion, Recall はそれぞれは93.0%, 94.8%となり、既存のPhaseNet（ Zhu and Beroza, 2018）のアーキテクチャを使用して本研究と同じ箱根の観測データを用いて学習したモデル(Kim et al., 2023)の検出性能（P 波 Presicion＝90.9%, Recall＝86.5%）と比較して大幅に向上した。また、本研究の学習済みモデル(modelHKN)前半のエンコーダ部分の重みを固定し、後半のデコーダ部分の重みを初期化することで、学習済みモデルの転移学習を行う事が可能である。転移学習ではイベント数が2,300 程度とデータ数が箱根の13 分の1 である霧島火山の地震を用いた(ModelKSM)。それらを学習に用いていない霧島の観測データに適用した結果、modelKSM ではP 波のpresicion、Recall がそれぞれが98.6%, 96.2%となり、modelHKN をそのまま適用（P 波 Presicion＝96.8%, Recall＝95.5%）するより地震波検測の精度が向上した