PhaseNet: a deep-neural-network-based seismic arrival-time picking method
Abstract
研究目的
地震モニタリングの基本である地震相の手動での選択が、地震センサーの増加に伴いますます困難になっている問題を解決するため、深層ニューラルネットワークを用いた地震到達時間の推定方法「PhaseNet」を開発した。
方法
PhaseNetは、3成分の地震波形を入力とし、P波到着、S波到着、ノイズの確率分布を出力する。確率分布のピークがP波とS波の正確な到着時間を提供するようにPhaseNetを設計した。PhaseNetは、北カリフォルニア地震データセンターから提供されたアナリストによるP波とS波の到着時間のラベル付けされた大量のデータセットで訓練された。
結果：
既知の地震の波形に適用した場合、PhaseNetは既存の方法よりもはるかに高い選択精度と再現率を達成し、現在利用可能なものよりもS波観測の数を大幅に増加させる可能性があることを示した。
結論：
これにより、地震の位置情報の改善と、S波速度モデルの改善が可能になる。
INTRODUCTION
- 地震の検出と位置特定は地震学の基本であり、地震カタログの品質は到着時間測定の数と精度に大きく依存する。しかし、地震計の設置が急速に進む中で、データ処理の量が増え、解析が困難となっている。
- S波の到着時間は、P波だけに基づく地震位置の深度-起源のトレードオフを減らすため、また強い地震動予測においてS波構造が重要であるため、特に有用である。
- 自動フェーズピッキングには数十年の研究が費やされてきたが、自動フェーズピッキングアルゴリズムの精度は経験豊富なアナリストには及ばない。これは、地震波形が複数の要因により高度に複雑であるためである。
- 本論文では、地震フェーズピッキングのための深層ニューラルネットワークアルゴリズム、PhaseNetを紹介する。PhaseNetは、手動で定義された特徴を使用する代わりに、深層ニューラルネットワークがラベル付けされたデータから特徴を学習する。
- PhaseNetは、P波とS波の到着時間を予測するために設計されたP波とS波の確率分布のピークを出力するように訓練されている。PhaseNetは、P波とS波のピックの高い精度と再現率を提供し、伝統的なSTA/LTA方法と比較して大幅な改善を達成している。
DATA
- 地震学のアーカイブには、手動で選択されたP波とS波の到着が大量に含まれており、これは深層学習に理想的なラベル付きデータの豊富なトレーニングセットを提供する（図1）。
- 本研究では、北カリフォルニア地震データセンターカタログ（NCEDC 2014）に基づくデジタル地震波形データを収集しました。このデータセットの複雑さは自動フェーズピッキングにとっては難題ですが、より包括的なパフォーマンス評価を提供する。
- トレーニングデータには最小限の前処理とした。PhaseNetの入力としてP波とS波の到着時間を含む30秒間の時間窓をランダムに選択する。すべてのデータは100Hzでサンプリングされ、30秒の入力波形は各成分について3001のデータポイントを持つ。
- データセット内の手動で選択された時間点は真のP/S到着ではないかもしれないが、手動選択の周囲にガウス分布の形状のマスクを適用することで、地震波の到着時間を中心に予測する。
- マスクはP波とS波の選択に対するノイズの情報量を増加させ、収束を加速させる。ノイズはP波またはS波の最初の到着でないすべてのデータポイントを含む。
METHOD
- PhaseNetのアーキテクチャは、1-D時系列データを扱うためにU-Netから改変されている。U-netは、画像内の特性を局所化することを目指す生物医学画像処理で使用される深層ニューラルネットワークアプローチである。
- 入力は既知の地震の三成分地震計で、出力はP波、S波、ノイズの確率分布である。実験では、入力と出力のシーケンスはそれぞれの成分について3001のデータポイントを含む。
- 入力地震データは4つのダウンサンプリングステージと4つのアップサンプリングステージを経る。各ステージ内で、1-Dの畳み込みとReLU活性化を適用する。
- ダウンサンプリングプロセスは、生の地震データから有用な情報を抽出し、数個のニューロンに縮小するように設計されている。アップサンプリングプロセスは、この情報を各時間点でのP波、S波、ノイズの確率分布に拡大・変換する。
- 各深度でのスキップ接続は、左側の出力を深層を経ずに右側の層に直接連結する。これにより、訓練中の収束性が向上する。
- 1-Dの畳み込みサイズは7データポイントに設定されている。ダウンサンプリングのストライドステップは4データポイントに設定されているため、各ストライド後のチャネル長は元の次元の4分の1に縮小される。
- 最後の層での確率を設定するために指数関数が使用され、損失関数は真の確率分布と予測分布の間のクロスエントロピーを用いて定義される。P波とS波の到着時間は、出力確率分布のピークから抽出される。
EXPERIMENTS
- 評価指標として精度、再現率、F1スコア、時間残差の平均（μ）と標準偏差（σ）を選択し、PhaseNetの性能をテストした。
- 真陽性、偽陽性、偽陰性の数を用いて精度、再現率、F1スコアを定義した。
- ピーク確率が0.5以上のものを陽性とし、到着時間残差が0.1秒未満のものを真陽性とした。
- F1スコアは精度と再現率のバランスを示す指標であり、閾値の選択に対する感度が低く、アルゴリズムの性能評価がより正確になる。
- PhaseNetの結果をオープンソースの"AR picker"と比較し、特にS波について大幅な改善が見られた。
- PhaseNetは異なる受振器のタイプに対しても頑健な性能を示し、SNRが改善するにつれて評価指標が増加した。
- PhaseNetはP波とS波の到着を正確に予測し、予測分布のピークがアナリストがラベル付けしたP波とS波のピークと正確に一致した。
- PhaseNetはP波とS波の確率分布を予測し、地震検出のために連続データに適用可能である。
DISCUSSION
- PhaseNetは地震波形内でP波とS波の到着を効果的に検出・選択できることを示しました。F1スコアは精度と再現率の両方でアルゴリズムの性能をバランス良く評価します。PhaseNetはP波の到着に対して0.896、S波の到着に対して0.801のF1スコアを達成し、これはARピッカー（P波の到着に対して0.558、S波の到着に対して0.165）よりも大幅に優れている。
- PhaseNetは、P波とS波を区別するために、明示的にスペクトラム解析を使用しない点で、Ross & Ben-Zion（2014）が提案した方法とは異なります。PhaseNetは自動的に特徴を学習し、それには暗黙的にスペクトラムが含まれる可能性がある。
- STA/LTA法は波形振幅の急激な変化を検出することに基づいていますが、S波の相は常にP波の余韻によって隠され、STA/LTA比を選択するためのSピックを劣化させる。PhaseNetはここで優位性を持ち、振幅以外の特徴を学習してS波を検出し、P波とS波を区別している。
- PhaseNetは、入力波形と同じ長さの確率シーケンスを予測するため、一つの時間窓内の地震の数に制約されません。図13に示すように、PhaseNetは60秒の波形をP波とS波の到着のいくつかのスパイクを持つ確率分布に変換します。
- 正確な相到着時間は、絶対的な地震位置を取得し、地震速度モデルを開発するために使用できる。PhaseNetは、より良いS波速度モデルを開発し、地震位置を改善するために有用な、正確なS波の到着を取得する改善された方法を提供する。
CONCLUSION
- ディープラーニング手法は急速に進化しており、その改善には大規模なラベル付きデータセットの存在が重要である。
- 地震学では、何十年にもわたる到着時間とそれに伴う波形という形で大規模なデータセットが手元にある。
- 人間の分析者を上回る能力を持つ「超人的」なニューラルネットワークの閾値に達しているかもしれない。
- 本研究では、北カリフォルニア地震ネットワークカタログから手動で選択したP波とS波の到着時間を使用して訓練データセットを作成し、P波、S波、ノイズの確率分布を予測するために3成分波形データを使用する深層ニューラルネットワークアルゴリズム「PhaseNet」を開発した。
- さらなるテストが必要だが、地震監視のための急速に増え続ける波形データセットから可能な限り多くの情報を抽出し続けるために、正確なP波とS波の到着時間の増加が役立つであろう。
