[S21P-03] Ateempt of detection of small earthquakes in Hakone volcano based on machine larning using multi-station data
近年，機械学習技術の発展が進み，社会の様々な箇所で機械学習が使用されるようになった．地震学についても例外ではなく， PhaseNet(Zhu and Beroza, 2019)の開発や，機械学習を使用した網羅的なカタログが作成されている(例えばRoss et al., 2020)．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)を実施し，その後にHypo DD (Waldhauser and Ellsworth, 2020)により震源再決定するような流れが一般化しつつあり，実際この結果として非常に良質なカタログ作成ができている(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)．本研究では，複数観測点を入力して機械学習により地震波形が検出可能であるか検証を行った． 今回実装したのは，温泉地学研究所14観測点および防災科学技術研究所Hi-net1観測点の合計15観測点3成分の波形から，1.箱根の地震・2.その他周辺の地震・3.遠地地震・4. ノイズの4つに分類する学習モデルである．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． 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．