Special Research Paper on “Applications of Data Science and Artificial Intelligence in Economic and Environmental Geology”

Split Viewer

Econ. Environ. Geol. 2024; 57(6): 701-708

Published online December 31, 2024

https://doi.org/10.9719/EEG.2024.57.6.701

© THE KOREAN SOCIETY OF ECONOMIC AND ENVIRONMENTAL GEOLOGY

Application of a Deep Learning Phase Picker to Improve the Performance of Deep Borehole Seismic Data Analysis

Yoontaek Hong1, Dong-Hoon Sheen1,2,*

1Department of Geological Sciences, Chonnam National University, Gwangju 61186, Republic of Korea
2Department of Geological Environment, Faculty of Earth Systems and Environmental Sciences, Chonnam National University, Gwangju 61186, Republic of Korea

Correspondence to : *dhsheen@jnu.ac.kr

Received: September 1, 2024; Revised: October 20, 2024; Accepted: November 4, 2024

This is an Open Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/3.0) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided original work is properly cited.

Abstract

Deep learning has demonstrated significant advancements in various fields that previously required human intervention. In particular, artificial intelligence (AI) has shown superior efficiency in areas where it is difficult to define clear rules or theories, outperforming traditional methods. However, these technologies have the drawback of requiring huge amounts of training data. The field of seismology is particularly well-suited for the development and application of deep neural networks due to the vast amount of digital seismic data accumulated alongside the analysis of skilled professionals. In this study, a deep learning method was applied to seismograms recorded at deep borehole seismometers installed for microseismic monitoring, and potential future applications of AI technology were explored. The deep borehole seismometers are installed at depths of 500 m and 1000 m, recording ground motions at a sampling rate of 1,000 sps. Since a deep neural network-based seismic phase picker has been trained on seismic data sampled at 100 sps, the deep borehole seismic data were resampled for phase picking. While 94 % of P-waves and 93 % of S-waves picked by visual inspection could be detected, the technique also detected many more phases that were not identified in the process of visual inspection, and approximately 131 % more earthquakes were detected compared to manual analysis. This indicates that while the existing deep learning-based seismic phase picker performs very well, there is still room for improvement. Furthermore, if deep neural networks trained using deep borehole seismic data to eliminate the preprocessing steps required for resampling, it is expected that earthquakes could be analyzed more rapidly and precisely.

Keywords deep learning, resampling, seismic phase picking, deep borehole seismometer, earthquake

심부 시추공 지진자료 분석 성능 향상을 위한 심층학습 위상발췌 기술의 활용

홍윤택1 · 신동훈1,2,*

1전남대학교 지질환경과학과 박사과정
2전남대학교 지구환경과학부 교수

요 약

심층 학습은 인간의 개입이 필요했던 다양한 분야에서 기술 개발을 통해 상당한 진전을 보여주고 있다. 특히 인공지능은 명확한 규칙을 정하기 어려운 영역에서 기존의 방법보다 뛰어난 효율성을 보여주고 있다. 하지만 이러한 기술은 많은 양의 학습 자료가 있어야 하는 단점이 있다. 지진학 분야는 방대한 양의 디지털 지진자료와 함께 숙련된 전문가의 분석 정보가 함께 축적되고 있어, 심층 신경망의 개발과 활용에 매우 유리한 환경을 제공하고 있다. 본 연구에서는 미소지진 탐지를 위해 설치된 심부 시추공 지진계의 관측 자료에 기존의 심층학습 기술을 적용하고, 향후 인공지능 기술의 효과적인 활용 방안을 검토하였다. 심부 시추공 지진계는 지하 500 m와 1000 m 깊이에 설치되어 있으며, 1,000 sps로 표본화하여 지진동을 기록하고 있다. 기존의 심층 신경망 기반 지진파 위상발췌 기술은 100 sps의 지진자료로 학습되어 있으므로, 심부 시추공 지진자료를 재표본화하여 위상을 발췌하였다. 육안으로 결정한 P파의 94 %와 S파의 93 %를 탐지할 수 있지만 육안으로 탐지하지 못한 더 많은 위상을 탐지하였으며, 수동으로 분석한 결과에 비해 31 % 정도 더 많은 지진을 탐지할 수 있었다. 이는 기존 심층학습기반 지진파 위상발췌 기술이 충분히 높은 성능을 보이지만, 아직 개선의 여지가 있음을 나타낸다. 또한 재표본화에 소요되는 전처리 과정을 생략할 수 있도록 심부 시추공 지진자료를 사용해 심층 신경망 기술을 개발한다면, 더 신속하고 정확하게 지진을 분석할 수 있을 것으로 기대한다.

주요어 심층학습, 재표본화, 지진파 위상발췌, 심부 시추공 지진계, 지진

  • Applying a deep learning-based seismic phase picker to seismograms from deep borehole seismometers resulted in detecting 31% more earthquakes compared to manual analysis.

  • The picker accurately detected 94% of P-waves and 93% of S-waves, but there is still room for improvement.

  • If deep neural networks are trained directly on deep borehole seismic data, it is expected that earthquakes could be analyzed more rapidly and precisely.

심층학습은 많은 양의 자료를 이용해 여러 층의 인공 신경망을 학습시켜, 복잡한 패턴을 효과적으로 인식하고예측하는 능력을 향상시키는 기술이다. 이러한 심층학습기술의 발전은 기존에 인간의 개입이 많이 필요했던 여러 분야에서 일관되고 신속하며 정확한 분석을 가능하게하여 큰 도움을 주고 있다(LeCun et al., 2015). 특히, 명확한 패턴이 없어 규칙을 정하기 어려웠던 영역에서 심층학습 기술을 활용하면서 효율성 측면에서 많은 변화가일어났다(Schmidhuber, 2015). 따라서 심층 신경망의 학습에 필요한 많은 자료가 가용하고 기존 분석 기술의 한계가 드러나는 분야에서는 심층학습 기술의 도입이 적합하다.

디지털 지진계가 개발된 이후, 지진학 분야에서는 지진파형 자료가 지속적으로 확보되어 왔으며, 이 자료는지진파 위상 도달시간, 초동 극성 등과 같은 전문가에 의해 분석된 정보와 함께 활용될 수 있다. 그러나 지진파형은 지진의 발생기작, 전파 매질의 특성, 다양한 잡음 등의 영향을 받아 특정 패턴을 이용한 자동화된 분석에한계가 있었다. 이에 따라 신뢰할 수 있는 정밀한 분석에는 숙련된 전문가의 개입이 필수적이었다. 하지만 지진 분석에 사용할 자료가 급격히 증가하면서, 전문가를보조하거나 대체할 수 있는 기술의 필요성이 대두되었고,이에 따라 지진학 분야에서도 심층학습 기술의 개발과활용이 보편화 되고 있다. 특히 지진파 위상의 도달시간결정(Ross et al., 2018b; Zhu and Beroza, 2019; Mousavi et al., 2020; Liao et al., 2021; Hong et al., 2023), 초동극성 결정(Ross et al., 2018a; Hara et al., 2019; Tian et al., 2020; Uchide, 2020, Byun et al., 2022)과 지진파 위상 조합(Ross et al., 2019; McBrearty et al., 2019) 등의지진 분석 과정에 적용시켜 기존의 지진 분석 과정을 대체하려는 기계학습 분야의 연구 개발이 활발하게 진행되고 있다.

지진파형은 지진의 발생기작, 규모, 진원의 위치, 지진파가 전파하는 매질의 지질학적 특성 등에 따라 차이를보일 수 있다. 지진 발생기작이 같아도 관측 방위각에 따라 지진파 방사양상의 차이로 인해 파형이 서로 다르며,지진 규모가 증가할수록 진폭이 커지면서 지진파의 지속시간도 함께 증가한다. 일반적으로 판 내부 지진은 판 경계에서 발생하는 지진에 비해 고주파수 특성이 강하며,진원 깊이가 얕으면 표면파가 잘 발달한다. 지진파가 전파하는 매질에 따라 주파수별 감쇠특성이 다르기 때문에모멘트 텐서 역산과 같이 지진파를 정량적으로 분석하는연구에서는 이와 같은 다양한 요인을 고려해야하는 어려움이 있다. 게다가 최근에는 DAS (Distributed Acoustic Sensing)와 같은 새로운 형태의 지진관측 기법이 도입되면서 지반 진동을 측정하는 단위가 변위, 속도, 가속도에서 변형률까지로 확장되고 있으며, 지표면, 20~100 m 정도깊이의 시추공에 주로 설치하던 지진계를 500~1000 m로설치하거나 해저면에 설치하는 등 다양한 방식으로 지진을 관측하고 있다(Ajo-Franklin et al., 2019; Lee et al., 2021; Romanowicz et al., 2023).

인공지능 기술은 다양한 분야에서 뛰어난 활용성과 성능을 보여주고 있지만, 일부 사례에서 입력 자료에 미세한 변화를 민감하게 반응하여 오분석하는 문제점이 보고되고 있다(Szegedy et al., 2013; Goodfellow et al., 2014).이러한 심층학습 기술의 일반화의 한계는 심층학습을 활용한 지진파 위상발췌 기술에서도 확인할 수 있었으며,예측에 사용되는 입력 지진자료에 지진파가 위치하는 시점에 따라 위상발췌에 대한 확률 변화를 확인할 수 있었다(Heck et al., 2022; Hong et al., 2023). 따라서 학습에사용되지 않은 종류의 자료에 심층 신경망 모델을 적용하려면 주의가 요구되며, 때로는 예상하는 성능을 얻지못할 수도 있다.

본 연구에서는 우리나라를 비롯한 전 세계에서 지표 또는 100 m 내외의 깊이에 설치된 지진계에 기록된 자료를 활용하여 학습시킨 심층 신경망 위상발췌 기술인KFpicker (Hong et al., 2023)을 활용하여, 500 m, 1,000 m에서 기록한 심부 시추공 지진자료를 분석하였다. 특히KFpicker는 100 sps (samples per second)로 표본화된 30초 길이의 입력 자료를 사용해 신경망을 학습시켰는데,심부 시추공 지진자료는 1,000 sps로 표본화된 자료이다.따라서 학습에 사용된 자료와 다른 특성을 가지는 자료에 KFpicker의 효과적인 적용 방법을 살펴보고 지진파위상 탐지 성능과 개선점에 관해 고찰해 보고자 한다.

2.1. 심부 시추공 지진자료

한국지질자원연구원에서는 2020년부터 2023년까지 한반도 동남권 심부 복합지구물리 모니터링 시스템의 일환으로, 양산단층과 울산단층 주변부에 총 6개의 관측소로구성된 관측망을 구축하였다(Fig. 1). 각 관측소는 복합지구물리 모니터링 장비가 포함된 1 km 급 심부 시추공형태로, 500 m와 1,000 m 깊이에 각각 속도계와 가속도계지진계를 한 쌍씩 설치하여 관측소마다 총 4개의 센서가1,000 sps로 지진동을 관측하고 있다. 각 시추공에는 가속도 센서와 속도 센서가 일체형 형태로 탑재되어 있는ASIR (Advanced Seismic Instrumentation and Research)사의 AFB4.5 시추공 지진계와 REFTEK (Refraction Technology)사의 Wrangler 기록계가 설치되었다. 본 연구에서는 2023년 10월부터 2024년 5월까지 8개월간의 속도계 센서에 기록된 지진자료를 활용하였으며, 유금(TEYG)관측소는 시각 동기화 오류로 인해 본 연구에서 제외하였다.

Fig. 1. Distribution of deep borehole seismic stations in Lee et al. (2021) used in this study (triangles). The circle represents a 35 km radius from the center of the stations. The 2016 Gyeongju earthquake and 2017 Pohang earthquake and fault structures (Miryang Fault; MiRF, Moryang Fault; MoRF, Yangsan Fault; YSF, Ulsan Fault; USF) are marked.

2.2. 심층학습 기반 지진파 위상발췌 기술

본 연구에서 사용한 복합지구물리 모니터링 시스템의지진자료는 1,000 sps의 표본화율(sampling rate)을 가지고 있어, 일반적으로 사용하는 상시지진관측망의 표본화율보다 10배나 높다. 이로 인해 심부 지진계 한 대가 한달 동안 생산하는 자료의 크기가 약 20 GB 정도로 달해,자료의 양이 매우 방대하다. 관측소의 수는 적지만 각 관측소에서 생산하는 많은 양의 자료를 분석할 수 있는 효과적인 방법이 필요하여, 인공지능의 일종인 심층 학습된 위상발췌 모델을 적용하였다.

지진파 위상발췌는 가장 기본적인 지진 자료처리 과정중 하나로, 지진파형으로부터 P파와 S파 위상이 관측소에 도달한 시간을 결정하는 과정이다. 대부분의 심층학습 기반 위상발췌 기술은 정해진 길이의 입력 지진파형에 대해 지진파 위상의 도달 예측 확률을 반환하며, 이확률이 기준치를 초과하는 시점을 위상 도달시간으로 결정한다(Ross et al., 2018b; Zhu and Beroza, 2019; Mousavi et al., 2020; Liao et al., 2021; Hong et al., 2023).

본 연구에서는 전 세계적으로 수집된 지진자료와 국내지진자료를 사용하여 학습시킨 KFpicker (Hong et al., 2023)를 활용하였다. 이 인공지능 기술에는 지진파의 특징을 효과적으로 학습시킬 수 있도록, 의미론적 이미지인식(semantic image segmentation) 분야에서 높은 성능을 보인 심층 신경망 구조인 R2U-net (Recurrent Residual U-net; Alom et al., 2019)이 사용된다. 3,000개의 시계열신호로 구성된 3성분 지진 파형에서 위상을 발췌하도록심층 신경망이 구성되었으며, 전 세계 지진자료인 STEAD (Mousavi et al. 2019)자료와 이탈리아 국지지진자료인INSTANCE (Michelini et al. 2021)자료 중에서 진앙거리130 km 이내의 천부 지진자료를 활용하여 기저모델을 학습시켰다. 이후 약 2만 개의 국내 지진자료로 미세조정을 통해 분석 성능을 향상시킨 모델이다(Hong et al., 2023). 이때 100 sps로 기록된 30초 길이의 3성분 지진파형을 심층 신경망의 학습을 위한 입력 자료로 사용하였다.

KFpicker의 지진파 위상발췌 방법은 Fig. 2에 제시되어있다. 2~40 Hz의 주파수 대역에서 필터링된 3,000개의표본 길이를 가진 3성분 지진자료는 각 성분별 표준편차로 정규화(Zhu and Beroza, 2019)되어 입력자료로 사용된다. KFpicker는 입력자료로부터 잡음, P파 위상, S파위상의 확률을 합산하여 매 표본마다 그 합이 1이 되도록 예측한 후, 각각의 시계열을 반환한다. P파 위상과 S파 위상의 확률이 임계값을 초과했을 때의 시간을 위상도달시간으로 결정하여 위상발췌를 수행한다. 그림의 제일 아래에 P파와 S파의 예측 확률이 제시되었으며, 임계값을 초과한 P파와 S파의 도달 위치를 지진파형에 원과사각형 기호로 표현하였다.

Fig. 2. Example of phase picking using a deep learning picker for the 2024 ML 4.8 Buan earthquake. The figure shows 30 seconds of three-component seismic data (station MSMB) along with the predicted probabilities of the P and S phases. The arrival times are marked by circles (P phase) and squares (S phase).

2.3. 심층학습 기술을 이용한 심부 시추공 지진자료의 위상발췌

본 연구에서 사용한 심부 시추공 지진자료는 약 500 m와 1,000 m 깊이에 설치된 지진계에서 관측한 신호를1,000 sps 로 기록한 지진 파형이다. 이 자료는 KFpicker의 학습에 활용된 자료와 표본 간격이 다르다. 심층 신경망의 입력 자료로는 100 sps의 표본화율로 획득된 30초 길이의 지진자료, 즉 3,000개의 연속된 표본이 사용되었다. 반면, 1,000 sps 로 기록된 심부 시추공 지진자료에서는 3,000개의 표본이 3초 길이의 관측 자료에 해당된다. 따라서 표본화율을 변경하지 않은 상태에서 KFpicker를 사용할 경우, 지진파 위상발췌가 잘 수행될 수 있을지 검토가 필요하였다.

지진자료에서 KFpicker를 이용해 위상발췌 하려면 3,000개의 표본이 필요하며 물리적인 시간의 길이는 중요하지않다. 따라서 표본화율이 1,000 sps로 표본화된 30초 길이의 원시 지진자료를 500, 200, 100 sps로 재표본화하고,각 재표본화된 자료를 3,000개의 표본에 해당하는 시간길이로 분할하였다(Fig. 3). 분할된 자료는 각각 표준화과정을 거쳤으며, 1,000 sps인 자료는 3,000개의 표본에해당하는 3초 길이씩 잘랐으며, 각각의 분절에 대해 표준화하였다. 그림에서 흰색 세로 점선은 나뉘어진 시간분절의 구간을 의미한다. 3,000개의 표본을 포함한 각각의 분절마다 KFpicker를 이용해 위상을 발췌하였는데, 1,000, 500, 200, 100 sps의 표본화율을 가지는 30초 길이의 자료는 각각 열 개, 다섯 개, 두 개, 한 개의 분절로나누었으며, 각 시간분절마다 예측된 P파와 S파 위상의확률을 그림에 지진파형 자료와 함께 나타내었다.

Fig. 3. Seismic phase picking results using a deep learning picker for 30 seconds of three-component seismic data recorded at the deep borehole station TEBD2 at 1,000 sps. (a)-(d) show the prediction results for data with sampling rates of 1,000, 500, 200, and 100, respectively. The white vertical dashed lines indicate the boundaries of the 3,000-sample input data used for the deep learning predictions.

3초 시간창으로 분절된 1,000 sps 자료(Fig. 3a)와 6초시간창을 가진 500 sps 자료(Fig. 3b)를 살펴보면, 일부분절에서는 큰 진폭을 가진 지진파 위상이 포함되지 않았고 분절된 자료의 표준화 과정을 통해 잡음의 진폭이크게 증폭된 것을 확인할 수 있다. 특히 1,000 sps 자료에서는 P파와 S파 위상이 하나의 분절된 시간창에 포함되지 못하였고 P파와 S파의 코다(coda)파가 입력자료의대부분을 차지하여 위상발췌가 이루어지지 못하는 것을알 수 있다. 반면에 표본화율을 500, 200, 100 sps로 낮춘 자료에서는 두 위상의 코다파와 잡음이 잘 구분되면서 위상발췌가 잘 이루어 졌다.

2.4. 연속지진자료를 활용한 심층학습 위상 발췌 기술 기반의 지진탐지

심부시추공 지진계에 기록된 연속지진자료로부터 효과적으로 지진을 탐지하기 위해 KFpicker를 이용하여 지진파 위상을 발췌하였다. 이를 위해 1,000 sps의 원시 지진자료를 100 sps로 재표본화하고, 평균값과 선형기울기를제거하고 테이퍼 함수를 적용한 다음, 2-40Hz 대역통과필터를 적용하는 전처리과정을 수행하였다. 심층학습 기반 지진파 위상발췌 결과의 일관성을 높이기 위해 Hong et al. (2023)에서 제시한 방법에 따라, 30초(3,000개 표본)길이의 입력 자료에서 위상을 예측하고 5초 간격으로 시간창을 이동시키면서 지진파 위상을 반복적으로 예측하였다. 시간이 겹치는 부분의 위상 예측확률을 중앙값으로 병합하여 P파와 S파 위상 예측확률 시계열로 만들고, 예측 확률이 0.2 이상인 지점을 위상 도달시간으로 결정하였다.

발췌된 지진파 도달시간을 이용해 지진을 탐지하는 과정을 지진파 위상조합이라 하며, 본 연구에서는 비지도학습 기반의 군집화를 통해 위상조합하는 GaMMA (Zhu et al., 2022) 를 활용하였다. 위상 조합에 필요한 최소 위상 개수는 미소지진 탐지와 관측소 개수를 고려하여, P파와 S파 각 3개로 설정하였다.

3.1. 심층학습 기반 위상발췌 기술의 최적화

심부시추공 자료에서 효과적으로 미소지진을 탐지하기 위한 KFpicker 기술의 최적의 활용 방안을 도출하기 위해, 2023년 10월부터 12월까지 5 개소의 심부시추공에설치된 10개의 속도계 센서에서 기록한 지진자료를 이용해 표본화율 변화에 따른 위상발췌 성능을 비교하였다.육안으로 검토한 지진자료에서 위상을 발췌하여, 3개월동안 심부 시추공 인근에서 107개 자연지진을 탐지하였다. 각 센서에서 107개 지진을 모든 지진파 위상을 발췌할 수는 없으므로, 진원에서 각 관측소까지 P파와 S파 주시를 계산하고, 이론적인 지진파 도달시간과 비교하여 신호대 잡음비(signal to noise ratio)가 3 이상인 570개의 P파와 787개의 S파 위상을 기준으로 삼았다. 본 연구에서는 이론적인 지진파 도달시간의 0.5초 전부터 3초 동안의 신호에서 최대 진폭을 측정하고, 진원시 이전 3초 동안 잡음의 최대 진폭과의 비율로 신호 대 잡음비를 계산하였으며, 분석자의 주관에 영향을 받지 않고 일관된 위상 식별이 가능한 수준을 기준으로 삼았다. 이론적인 지진파 주시 계산에는 Kim et al. (2011)의 1 차원 경상분지 속도 모델을 사용하였다.

속도계 센서에서 관측한 787개의 3성분 지진파형에서진원시를 기준으로 -5초에서 25초 범위의 30초 길이 지진자료를 준비하고, 표본화율을 변경하면서 3,000개의 표본을 대상으로 KFpicker를 사용해 지진파 위상을 발췌하였다. Fig. 4는 각각의 표본화율에 따라 육안으로 분석한신호대 잡음비가 3 이상인 지진파 위상을 KFpicker가 얼마나 발췌하였는지를 나타낸 것이다. 심부 시추공 지진자료의 원래 표본화율에서 P파는 26 % 정도만 발췌하였으며, S파는 2 %에 지나지 않는 매우 낮은 성능을 보였다. 그러나 표본화율을 낮춰 학습에 사용한 표본화율에가까워질수록 더 많은 위상을 발췌할 수 있었고, 100 sps로 낮추었을 때 94 %의 P파와 93 %의 S파 위상을 발췌할 수 있음을 확인하였다. 따라서 심층학습 기술을 활용할 때에는 학습에 사용한 자료와 동일한 속성의 자료를 사용해야 기대한 만큼의 성능을 발휘할 수 있는 것으로 판단된다.

Fig. 4. True pick rate of phase picking using a deep learning picker as a function of sampling rate (1,000, 500, 200, 100) for both P and S phases, A true pick is defined as a phase picked within ±1 second of the theoretical arrival time.

육안으로 결정했던 지진파 위상들 중에서 심층학습 기반 위상발췌 기술로 발췌하지 못한 지진파 위상들로 인해 107개 지진 중에서 14개의 지진을 탐지하지 못하였다.하지만 3개월 동안의 연속 지진파형에서 KFpicker는 육안으로 식별하지 못했던 더 많은 지진파 위상을 발췌하였으며, 이에 따라 3개월 동안의 자료에서 탐지한 지진은 총 140개로 31 % 정도 지진을 더 많이 발견할 수 있었다.

3.2. 심층학습 기반 위상발췌 기술을 활용한 미소지진 탐지

심부시추공 지진자료를 100 sps로 재표본화하여 KFpicker로 지진파 위상을 발췌하고, GaMMA를 사용해 관측망인근에서 발생한 미소지진을 탐지하였다. 앞서 성능 검토에 사용했던 기간을 포함하여 2023년 10월부터 2024년 5월까지, 총 8개월 동안 심부 시추공 지진계에 기록된 자료를 분석하였으며, 이를 위해 AMD 2.30 GHz의24 코어 CPU를 기반으로 768 GB의 메모리(RAM), 40 GB의 메모리를 가진 2개의 NVIDIA A100 GPU 환경에서자료처리를 수행하였다.

2024년 5월 한 달 동안 10개의 지진계에서 기록한 약200 GB 정도의 지진자료에서 위상을 발췌하는데 118분정도 소요되었는데, 재표본화 과정을 포함하는 전처리 과정에 95분, 위상발췌에는 23분 정도 소요되었다. 총 8개월 기간 동안 발췌된 지진파 위상들을 GaMMA를 사용해 645개의 지진을 탐지하였다. 각 지진마다 위상조합된 지진파 위상들과 Kim et al. (2011)의 1차원 경상분지 속도 모델을 입력으로 하여 Hypoinverse (Klein, 2002)를 사용해 지진의 정확한 진원위치를 결정하였으며, 35 km 반경의 범위에서 총 526개의 지진을 탐지하였다. 1개월 동안의 자료에서 위상 조합과 진원 결정에는 20초 정도 소요되었다.

탐지된 526개 지진을 진앙 위치와 지진파형의 육안 검토를 통해 388개의 자연지진과 67개의 인공지진을 발견하였다. 위상발췌 과정에서 잡음이 잘못 탐지되어 부정확한 위상조합 결과가 발생하기도 하였으며, 이로 인해탐지한 지진 중에서 71개는 오분석된 것으로 해석하였다.이때 탐지된 지진의 진원시가 발파가 가능한 주간 시간(7시~18시)이고 위성사진에서 확인했을 때 진앙 위치가공사 현장이나 채석장이며 지진파형에서 Rg 파가 잘 관찰되었을 때, 인공지진으로 분류하였다. 기상청 지진목록에는 8개월 동안 이 지역에서 67개의 자연지진이 보고되었는데(Korea Meteorological Administration, 2024), 본 연구에서는 기상청 목록에 포함된 지진을 모두 탐지하였으며 321개의 자연지진을 더 탐지하였다. 이는 지표형 관측소에 비해 상대적으로 높은 신호대 잡음비를 가지는심부 시추공 관측소 자료와 심층학습 기반의 위상 발췌기술의 활용으로 인해, 기존에 탐지하지 못했던 미소지진을 추가 탐지할 수 있었던 것으로 확인하였다. 또한 좁은 지역에 밀집된 형태로 구축된 심부 시추공 지진관측망은 기존 상시지진관측망을 사용하는 기상청에 비해 관측소 주변에서 발생한 미소지진의 지진파 위상조합에 필요한 최소 위상 개수 조건을 더 수월하게 충족시킬 수있었기 때문에 더 많은 미소지진을 탐지할 수 있었던 것으로 판단된다.

지진의 진앙 분포를 보면, 밀양단층, 양산단층과 울산단층 부근에서 다수의 미소지진이 밀집되어 분포하며2016년 경주지진과 2017년 포항지진의 여진이 다수 탐지된 것을 확인할 수 있다(Fig. 5). 인공지진은 특정 지점의 채석장에서 집중적으로 발생한 것으로 분석되었다.

Fig. 5. Distribution of epicenters of earthquakes and explosions found in this study.

본 연구에서는 1,000 sps의 지진자료를 심층학습 기술의 적용을 위해 100 sps로 재표본화하여 지진탐지를 수행하였으나, 일부 지진 신호를 탐지하지 못하는 문제를발견할 수 있었다. Fig. 6에서는 100 sps로 재표본화된 지진자료에서 지진파 위상을 예측하지 못하지만 200 sps로재표본화한 지진자료에서는 P파와 S파 위상을 모두 높은확률로 발췌한 것을 확인할 수 있다. 이 경우에도 500 sps와 1,000 sps의 표본화율을 가진 자료에서는 위상을 발췌하지 못하였다. Hong et al. (2023)에서 설명한 것처럼,위상발췌에 사용하는 지진파형의 시간창을 조금씩 이동시키면서 위상을 발췌한다면, 지진파 위상발췌 성능을 향상시킬 수 있을 것으로 기대할 수 있다. 하지만 지진자료의 재표본화에 소요되는 시간을 고려한다면, 방대한 자료에서 신속하고 정확하게 지진파 위상을 발췌하여 지진을 분석하기 위해서는 입력자료에 최적화된 심층 신경망모델을 사용하는 것이 바람직할 것으로 판단된다.

Fig. 6. Example of phase picking using a deep learning picker to illustrate the limitation that the picker's performance depends on the data's sampling rate. The white vertical dashed lines indicate the boundaries of the 3,000-sample input data used for the deep learning predictions.

본 연구에서는 심부 시추공 지진계에서 관측한 지진자료의 효과적인 분석을 위해 심층학습 기술을 활용하였다.심층 신경망의 학습에 사용된 자료는 100 sps의 표본화율로 기록되었지만 심부 시추공 자료는 1,000 sps로 표본화되었기 때문에 표본화율을 낮추면서 지진파 위상을발췌하여 성능을 비교하였다.

2023년 10월부터 12월까지 기록된 자료를 육안으로 식별하여 발췌한 지진파 위상을 기준으로 삼았다. 심부 시추공 자료의 표본화율을 학습 자료와 동일하도록 조정했을 때, 심층학습 기반 위상발췌 기술의 성능이 가장 우수했으며, 육안으로 식별한 위상의 93 % 이상을 발췌할수 있었다. 이로 인해 수동으로 분석된 지진의 87 % 정도만 인공지능 기반의 분석에서 탐지할 수 있었다. 하지만 탐지하지 못했던 지진을 더 많이 발견하여, 지진 탐지 횟수는 31 % 정도 증가하였으며, 심층학습 기반 지진파 위상발췌 기술의 우수성을 확인할 수 있었다. 2023년10월부터 2024년 5월까지의 자료에서 심층학습 기술을활용하여 388개의 지진을 발견하였으며, 이는 기존에 알려진 것에 비해 5배 이상의 지진을 더 많이 탐지한 것이다.

자료 분석에 소요된 시간의 관점에서 본다면 학습 자료와 관측 자료의 표본화율 불일치로 인해 전처리 과정에서 재표본화에 많은 시간이 소요되었다. 또한 자료의표본화율이 위상발췌 성능에 영향을 미칠 수 있음을 확인하였다. 따라서 자료의 특성에 맞는 심층 신경망을 구성하여 학습시킨다면 더 많은 지진을 신속하게 탐지할수 있을 것으로 기대한다.

심부 시추공 지진자료의 수동 분석 결과를 제공해 주신 한국지질자원연구원 박은진 박사님께 감사드립니다.또한 논문의 세심한 검토와 제안을 주신 심사위원들께감사드립니다. 이 연구는 한국지질자원연구원의 “한반도동남권 지진·단층 활동 평가를 위한 심부 복합지구물리모니터링 시스템 구축(GP2018-009)”과제의 지원으로 수행되었습니다.

  1. Ajo-Franklin, J.B., Dou, S., Lindsey, N.J., Monga, I., Tracy, C., Roberston, M., Tribaldos, V.R., Ulrich, C., Freifeld, B., Daley, T. and Li, X. (2019) Distributed acoustic sensing using dark fiber for near-surface characterization and broadband seismic event detection. Sci. Rep., v.9, https://doi.org/10.1038/s41598-018-36675-8.
    Pubmed KoreaMed CrossRef
  2. Alom, M.Z., Yakopcic, C., Hasan, M., Taha, T.M. and Asari, V.K. (2019) Recurrent residual U-Net for medical image segmentation. J. Med. Imag., v.6, https://doi.org/10.1117/1.JMI.6.1.014006.
    Pubmed KoreaMed CrossRef
  3. Byun, A.-H., Kim, B. and Sheen, D.-H. (2022) Determination of focal mechanism of local earthquakes in the Korean Peninsula using deep learning based P-wave first-motion polarity determination. 2022 Joint Fall Meeting of Korean Geological Societies (Abstracts), Changwon, October 25-28, p.176 (in Korean).
  4. Goodfellow, I.J., Shlens, J. and Szegedy, C. (2014) Explaining and harnessing adversarial examples. https://doi.org/10.48550/arXiv.1412.6572.
    CrossRef
  5. Hara, S., Fukahata, Y. and Iio, Y. (2019) P-wave first-motion polarity determination of waveform data in western Japan using deep learning. Earth, Planets and Space, v.71, p.1-11. doi: 10.1186/s40623-019-1111-x
    CrossRef
  6. Heck, S.L., Young, C.J. and Brogan, R. (2022) Comparing traditional and deep learning signal features for event detection in the Utah region. Bull. Seismol. Soc. Am., v.112, p.2344-2363. doi: 10.1785/0120210275
    CrossRef
  7. Hong, Y., Byun, A. H., Kim, S. and Sheen, D.-H. (2023) Customization of a deep neural network using local data for seismic phase picking. Front. Earth Sci., v.11, https://doi.org/10.3389/feart.20263.1306488.
    CrossRef
  8. Korea Meteorological Administration (2024) National earthquake comprehensive information system, http://necis.kma.go.kr/.
  9. Kim, S., Rhie, J. and Kim, G. (2011) Forward waveform modelling procedure for 1-D crustal velocity structure and its application to the southern Korean Peninsula. Geophys. J. Int., v.185, p.453-468. doi: 10.1111/j.1365-246X.2011.04949.x
    CrossRef
  10. Klein, F.W. (2002) User’s guide to HYPOINVERSE-2000, a Fortran program to solve for earthquake locations and magnitudes. U.S. Geol. Surv., https://pubs.usgs.gov/of/2002/0171.
    CrossRef
  11. LeCun, Y., Bengio, Y. and Hinton, G. (2015) Deep learning. Nature, v.521, p.436-444.
    Pubmed CrossRef
  12. Lee, et al. (2021) Development of integrated geophysical monitoring system at depth for assessing earthquake and fault activities at south-eastern Korea. KIGAM, p.231.
  13. Liao, W.Y., Lee, E.J., Mu, D., Chen, P. and Rau, R.J. (2021) ARRU phase picker: Attention recurrent-residual U-Net for picking seismic P- and S-phase arrivals. Seismol. Res. Lett., v.92, p.2410-2428. doi: 10.1785/0220200382
    CrossRef
  14. McBrearty, I.W., Gomberg, J., Delorey, A.A. and Johnson, P.A. (2019) Earthquake arrival association with backprojection and graph theory. Bull. Seismol. Soc. Am., v.109, p.2510-2531. doi: 10.48550/arXiv.1904.00980
    CrossRef
  15. Michelini, A., Cianetti, S., Gaviano, S., Giunchi, C., Jozinović, D. and Lauciani, V. (2021) INSTANCE; the Italian seismic dataset for machine learning. Earth Syst. Sci. Data, v.13, p.5509-5544. doi: 10.5194/essd-13-5509-2021
    CrossRef
  16. Mousavi, S.M., Ellsworth, W.L., Zhu, W., Chuang, L.Y. and Beroza, G.C. (2020) Earthquake transformer; an attentive deep-learning model for simultaneous earthquake detection and phase picking. Nat. commun., v.11, https://doi.org/10.1038/s41467-020-17591-w.
    Pubmed KoreaMed CrossRef
  17. Mousavi, S.M., Sheng, Y., Zhu, W. and Beroza, G.C. (2019) STanford EArthquake Dataset (STEAD): A global data set of seismic signals for AI. IEEE Access, v.7, p.179464-179476. doi: 10.1109/ACCESS.2019.2947848
    CrossRef
  18. Romanowicz, B., Allen, R., Brekke, K., Chen, L.W., Gou, Y., Henson, I., Marty, J., Neuhauser, D., Pardini, B., Taira, T.A., Thompson, S., Zhang, J. and Zuzlewski, S. (2023) SeaFOAM: A Year‐Long DAS Deployment in Monterey Bay, California. Seismol. Res. Lett., v.94, p.2348-2359. doi: 10.1785/0220230047
    CrossRef
  19. Ross, Z.E., Meier, M.A., Hauksson, E. and Heaton, T.H. (2018) Generalized seismic phase detection with deep learning short note. Bull. Seismol. Soc. Am., v.108, p.2894-2901. doi: 10.1785/0120180080
    CrossRef
  20. Ross, Z.E., Yue, Y., Meier, M.A., Hauksson, E. and Heaton, T.H. (2019) PhaseLink: A deep learning approach to seismic phase association. J. Geophys. Res. Solid Earth, v.124, p.856-869. doi: 10.1029/2018JB016674
    CrossRef
  21. Schmidhuber, J. (2015) Deep learning in neural networks: An overview. Neural Netw., v.61, p.85-117. doi: 10.1016/j.neunet.2014.09.003
    Pubmed CrossRef
  22. Szegedy, C., Zaremba, W., Sutskever, I., Bruna, J., Erhan, D., Goodfellow, I. and Fergus, R. (2013) Intriguing properties of neural networks. https://doi.org/10.48550/arXiv.1312.6199.
    CrossRef
  23. Tian, X., Zhang, W., Zhang, X., Zhang, J., Zhang, Q., Wang, X. and Guo, Q. (2020) Comparison of single-trace and multiple-trace polarity determination for surface microseismic data using deep learning. Seismol. Res. Lett., v.91, p.1794-1803. doi: 10.1785/0220190353
    CrossRef
  24. Uchide, T. (2020) Focal mechanisms of small earthquakes beneath the Japanese islands based on first-motion polarities picked using deep learning. Geophys. J. Int., v.223, p.1658-1671. doi: 10.1093/gji/ggaa401
    CrossRef
  25. Zhu, W. and Beroza, G.C. (2019) PhaseNet: a deep-neural-networkbased seismic arrival-time picking method. Geophys. J. Int., v.216, p.261-273. doi: 10.1093/gji/ggy423
    CrossRef

Article

Special Research Paper on “Applications of Data Science and Artificial Intelligence in Economic and Environmental Geology”

Econ. Environ. Geol. 2024; 57(6): 701-708

Published online December 31, 2024 https://doi.org/10.9719/EEG.2024.57.6.701

Copyright © THE KOREAN SOCIETY OF ECONOMIC AND ENVIRONMENTAL GEOLOGY.

Application of a Deep Learning Phase Picker to Improve the Performance of Deep Borehole Seismic Data Analysis

Yoontaek Hong1, Dong-Hoon Sheen1,2,*

1Department of Geological Sciences, Chonnam National University, Gwangju 61186, Republic of Korea
2Department of Geological Environment, Faculty of Earth Systems and Environmental Sciences, Chonnam National University, Gwangju 61186, Republic of Korea

Correspondence to:*dhsheen@jnu.ac.kr

Received: September 1, 2024; Revised: October 20, 2024; Accepted: November 4, 2024

This is an Open Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/3.0) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided original work is properly cited.

Abstract

Deep learning has demonstrated significant advancements in various fields that previously required human intervention. In particular, artificial intelligence (AI) has shown superior efficiency in areas where it is difficult to define clear rules or theories, outperforming traditional methods. However, these technologies have the drawback of requiring huge amounts of training data. The field of seismology is particularly well-suited for the development and application of deep neural networks due to the vast amount of digital seismic data accumulated alongside the analysis of skilled professionals. In this study, a deep learning method was applied to seismograms recorded at deep borehole seismometers installed for microseismic monitoring, and potential future applications of AI technology were explored. The deep borehole seismometers are installed at depths of 500 m and 1000 m, recording ground motions at a sampling rate of 1,000 sps. Since a deep neural network-based seismic phase picker has been trained on seismic data sampled at 100 sps, the deep borehole seismic data were resampled for phase picking. While 94 % of P-waves and 93 % of S-waves picked by visual inspection could be detected, the technique also detected many more phases that were not identified in the process of visual inspection, and approximately 131 % more earthquakes were detected compared to manual analysis. This indicates that while the existing deep learning-based seismic phase picker performs very well, there is still room for improvement. Furthermore, if deep neural networks trained using deep borehole seismic data to eliminate the preprocessing steps required for resampling, it is expected that earthquakes could be analyzed more rapidly and precisely.

Keywords deep learning, resampling, seismic phase picking, deep borehole seismometer, earthquake

심부 시추공 지진자료 분석 성능 향상을 위한 심층학습 위상발췌 기술의 활용

홍윤택1 · 신동훈1,2,*

1전남대학교 지질환경과학과 박사과정
2전남대학교 지구환경과학부 교수

Received: September 1, 2024; Revised: October 20, 2024; Accepted: November 4, 2024

요 약

심층 학습은 인간의 개입이 필요했던 다양한 분야에서 기술 개발을 통해 상당한 진전을 보여주고 있다. 특히 인공지능은 명확한 규칙을 정하기 어려운 영역에서 기존의 방법보다 뛰어난 효율성을 보여주고 있다. 하지만 이러한 기술은 많은 양의 학습 자료가 있어야 하는 단점이 있다. 지진학 분야는 방대한 양의 디지털 지진자료와 함께 숙련된 전문가의 분석 정보가 함께 축적되고 있어, 심층 신경망의 개발과 활용에 매우 유리한 환경을 제공하고 있다. 본 연구에서는 미소지진 탐지를 위해 설치된 심부 시추공 지진계의 관측 자료에 기존의 심층학습 기술을 적용하고, 향후 인공지능 기술의 효과적인 활용 방안을 검토하였다. 심부 시추공 지진계는 지하 500 m와 1000 m 깊이에 설치되어 있으며, 1,000 sps로 표본화하여 지진동을 기록하고 있다. 기존의 심층 신경망 기반 지진파 위상발췌 기술은 100 sps의 지진자료로 학습되어 있으므로, 심부 시추공 지진자료를 재표본화하여 위상을 발췌하였다. 육안으로 결정한 P파의 94 %와 S파의 93 %를 탐지할 수 있지만 육안으로 탐지하지 못한 더 많은 위상을 탐지하였으며, 수동으로 분석한 결과에 비해 31 % 정도 더 많은 지진을 탐지할 수 있었다. 이는 기존 심층학습기반 지진파 위상발췌 기술이 충분히 높은 성능을 보이지만, 아직 개선의 여지가 있음을 나타낸다. 또한 재표본화에 소요되는 전처리 과정을 생략할 수 있도록 심부 시추공 지진자료를 사용해 심층 신경망 기술을 개발한다면, 더 신속하고 정확하게 지진을 분석할 수 있을 것으로 기대한다.

주요어 심층학습, 재표본화, 지진파 위상발췌, 심부 시추공 지진계, 지진

Research Highlights

  • Applying a deep learning-based seismic phase picker to seismograms from deep borehole seismometers resulted in detecting 31% more earthquakes compared to manual analysis.

  • The picker accurately detected 94% of P-waves and 93% of S-waves, but there is still room for improvement.

  • If deep neural networks are trained directly on deep borehole seismic data, it is expected that earthquakes could be analyzed more rapidly and precisely.

1. 서론

심층학습은 많은 양의 자료를 이용해 여러 층의 인공 신경망을 학습시켜, 복잡한 패턴을 효과적으로 인식하고예측하는 능력을 향상시키는 기술이다. 이러한 심층학습기술의 발전은 기존에 인간의 개입이 많이 필요했던 여러 분야에서 일관되고 신속하며 정확한 분석을 가능하게하여 큰 도움을 주고 있다(LeCun et al., 2015). 특히, 명확한 패턴이 없어 규칙을 정하기 어려웠던 영역에서 심층학습 기술을 활용하면서 효율성 측면에서 많은 변화가일어났다(Schmidhuber, 2015). 따라서 심층 신경망의 학습에 필요한 많은 자료가 가용하고 기존 분석 기술의 한계가 드러나는 분야에서는 심층학습 기술의 도입이 적합하다.

디지털 지진계가 개발된 이후, 지진학 분야에서는 지진파형 자료가 지속적으로 확보되어 왔으며, 이 자료는지진파 위상 도달시간, 초동 극성 등과 같은 전문가에 의해 분석된 정보와 함께 활용될 수 있다. 그러나 지진파형은 지진의 발생기작, 전파 매질의 특성, 다양한 잡음 등의 영향을 받아 특정 패턴을 이용한 자동화된 분석에한계가 있었다. 이에 따라 신뢰할 수 있는 정밀한 분석에는 숙련된 전문가의 개입이 필수적이었다. 하지만 지진 분석에 사용할 자료가 급격히 증가하면서, 전문가를보조하거나 대체할 수 있는 기술의 필요성이 대두되었고,이에 따라 지진학 분야에서도 심층학습 기술의 개발과활용이 보편화 되고 있다. 특히 지진파 위상의 도달시간결정(Ross et al., 2018b; Zhu and Beroza, 2019; Mousavi et al., 2020; Liao et al., 2021; Hong et al., 2023), 초동극성 결정(Ross et al., 2018a; Hara et al., 2019; Tian et al., 2020; Uchide, 2020, Byun et al., 2022)과 지진파 위상 조합(Ross et al., 2019; McBrearty et al., 2019) 등의지진 분석 과정에 적용시켜 기존의 지진 분석 과정을 대체하려는 기계학습 분야의 연구 개발이 활발하게 진행되고 있다.

지진파형은 지진의 발생기작, 규모, 진원의 위치, 지진파가 전파하는 매질의 지질학적 특성 등에 따라 차이를보일 수 있다. 지진 발생기작이 같아도 관측 방위각에 따라 지진파 방사양상의 차이로 인해 파형이 서로 다르며,지진 규모가 증가할수록 진폭이 커지면서 지진파의 지속시간도 함께 증가한다. 일반적으로 판 내부 지진은 판 경계에서 발생하는 지진에 비해 고주파수 특성이 강하며,진원 깊이가 얕으면 표면파가 잘 발달한다. 지진파가 전파하는 매질에 따라 주파수별 감쇠특성이 다르기 때문에모멘트 텐서 역산과 같이 지진파를 정량적으로 분석하는연구에서는 이와 같은 다양한 요인을 고려해야하는 어려움이 있다. 게다가 최근에는 DAS (Distributed Acoustic Sensing)와 같은 새로운 형태의 지진관측 기법이 도입되면서 지반 진동을 측정하는 단위가 변위, 속도, 가속도에서 변형률까지로 확장되고 있으며, 지표면, 20~100 m 정도깊이의 시추공에 주로 설치하던 지진계를 500~1000 m로설치하거나 해저면에 설치하는 등 다양한 방식으로 지진을 관측하고 있다(Ajo-Franklin et al., 2019; Lee et al., 2021; Romanowicz et al., 2023).

인공지능 기술은 다양한 분야에서 뛰어난 활용성과 성능을 보여주고 있지만, 일부 사례에서 입력 자료에 미세한 변화를 민감하게 반응하여 오분석하는 문제점이 보고되고 있다(Szegedy et al., 2013; Goodfellow et al., 2014).이러한 심층학습 기술의 일반화의 한계는 심층학습을 활용한 지진파 위상발췌 기술에서도 확인할 수 있었으며,예측에 사용되는 입력 지진자료에 지진파가 위치하는 시점에 따라 위상발췌에 대한 확률 변화를 확인할 수 있었다(Heck et al., 2022; Hong et al., 2023). 따라서 학습에사용되지 않은 종류의 자료에 심층 신경망 모델을 적용하려면 주의가 요구되며, 때로는 예상하는 성능을 얻지못할 수도 있다.

본 연구에서는 우리나라를 비롯한 전 세계에서 지표 또는 100 m 내외의 깊이에 설치된 지진계에 기록된 자료를 활용하여 학습시킨 심층 신경망 위상발췌 기술인KFpicker (Hong et al., 2023)을 활용하여, 500 m, 1,000 m에서 기록한 심부 시추공 지진자료를 분석하였다. 특히KFpicker는 100 sps (samples per second)로 표본화된 30초 길이의 입력 자료를 사용해 신경망을 학습시켰는데,심부 시추공 지진자료는 1,000 sps로 표본화된 자료이다.따라서 학습에 사용된 자료와 다른 특성을 가지는 자료에 KFpicker의 효과적인 적용 방법을 살펴보고 지진파위상 탐지 성능과 개선점에 관해 고찰해 보고자 한다.

2. 연구 방법

2.1. 심부 시추공 지진자료

한국지질자원연구원에서는 2020년부터 2023년까지 한반도 동남권 심부 복합지구물리 모니터링 시스템의 일환으로, 양산단층과 울산단층 주변부에 총 6개의 관측소로구성된 관측망을 구축하였다(Fig. 1). 각 관측소는 복합지구물리 모니터링 장비가 포함된 1 km 급 심부 시추공형태로, 500 m와 1,000 m 깊이에 각각 속도계와 가속도계지진계를 한 쌍씩 설치하여 관측소마다 총 4개의 센서가1,000 sps로 지진동을 관측하고 있다. 각 시추공에는 가속도 센서와 속도 센서가 일체형 형태로 탑재되어 있는ASIR (Advanced Seismic Instrumentation and Research)사의 AFB4.5 시추공 지진계와 REFTEK (Refraction Technology)사의 Wrangler 기록계가 설치되었다. 본 연구에서는 2023년 10월부터 2024년 5월까지 8개월간의 속도계 센서에 기록된 지진자료를 활용하였으며, 유금(TEYG)관측소는 시각 동기화 오류로 인해 본 연구에서 제외하였다.

Figure 1. Distribution of deep borehole seismic stations in Lee et al. (2021) used in this study (triangles). The circle represents a 35 km radius from the center of the stations. The 2016 Gyeongju earthquake and 2017 Pohang earthquake and fault structures (Miryang Fault; MiRF, Moryang Fault; MoRF, Yangsan Fault; YSF, Ulsan Fault; USF) are marked.

2.2. 심층학습 기반 지진파 위상발췌 기술

본 연구에서 사용한 복합지구물리 모니터링 시스템의지진자료는 1,000 sps의 표본화율(sampling rate)을 가지고 있어, 일반적으로 사용하는 상시지진관측망의 표본화율보다 10배나 높다. 이로 인해 심부 지진계 한 대가 한달 동안 생산하는 자료의 크기가 약 20 GB 정도로 달해,자료의 양이 매우 방대하다. 관측소의 수는 적지만 각 관측소에서 생산하는 많은 양의 자료를 분석할 수 있는 효과적인 방법이 필요하여, 인공지능의 일종인 심층 학습된 위상발췌 모델을 적용하였다.

지진파 위상발췌는 가장 기본적인 지진 자료처리 과정중 하나로, 지진파형으로부터 P파와 S파 위상이 관측소에 도달한 시간을 결정하는 과정이다. 대부분의 심층학습 기반 위상발췌 기술은 정해진 길이의 입력 지진파형에 대해 지진파 위상의 도달 예측 확률을 반환하며, 이확률이 기준치를 초과하는 시점을 위상 도달시간으로 결정한다(Ross et al., 2018b; Zhu and Beroza, 2019; Mousavi et al., 2020; Liao et al., 2021; Hong et al., 2023).

본 연구에서는 전 세계적으로 수집된 지진자료와 국내지진자료를 사용하여 학습시킨 KFpicker (Hong et al., 2023)를 활용하였다. 이 인공지능 기술에는 지진파의 특징을 효과적으로 학습시킬 수 있도록, 의미론적 이미지인식(semantic image segmentation) 분야에서 높은 성능을 보인 심층 신경망 구조인 R2U-net (Recurrent Residual U-net; Alom et al., 2019)이 사용된다. 3,000개의 시계열신호로 구성된 3성분 지진 파형에서 위상을 발췌하도록심층 신경망이 구성되었으며, 전 세계 지진자료인 STEAD (Mousavi et al. 2019)자료와 이탈리아 국지지진자료인INSTANCE (Michelini et al. 2021)자료 중에서 진앙거리130 km 이내의 천부 지진자료를 활용하여 기저모델을 학습시켰다. 이후 약 2만 개의 국내 지진자료로 미세조정을 통해 분석 성능을 향상시킨 모델이다(Hong et al., 2023). 이때 100 sps로 기록된 30초 길이의 3성분 지진파형을 심층 신경망의 학습을 위한 입력 자료로 사용하였다.

KFpicker의 지진파 위상발췌 방법은 Fig. 2에 제시되어있다. 2~40 Hz의 주파수 대역에서 필터링된 3,000개의표본 길이를 가진 3성분 지진자료는 각 성분별 표준편차로 정규화(Zhu and Beroza, 2019)되어 입력자료로 사용된다. KFpicker는 입력자료로부터 잡음, P파 위상, S파위상의 확률을 합산하여 매 표본마다 그 합이 1이 되도록 예측한 후, 각각의 시계열을 반환한다. P파 위상과 S파 위상의 확률이 임계값을 초과했을 때의 시간을 위상도달시간으로 결정하여 위상발췌를 수행한다. 그림의 제일 아래에 P파와 S파의 예측 확률이 제시되었으며, 임계값을 초과한 P파와 S파의 도달 위치를 지진파형에 원과사각형 기호로 표현하였다.

Figure 2. Example of phase picking using a deep learning picker for the 2024 ML 4.8 Buan earthquake. The figure shows 30 seconds of three-component seismic data (station MSMB) along with the predicted probabilities of the P and S phases. The arrival times are marked by circles (P phase) and squares (S phase).

2.3. 심층학습 기술을 이용한 심부 시추공 지진자료의 위상발췌

본 연구에서 사용한 심부 시추공 지진자료는 약 500 m와 1,000 m 깊이에 설치된 지진계에서 관측한 신호를1,000 sps 로 기록한 지진 파형이다. 이 자료는 KFpicker의 학습에 활용된 자료와 표본 간격이 다르다. 심층 신경망의 입력 자료로는 100 sps의 표본화율로 획득된 30초 길이의 지진자료, 즉 3,000개의 연속된 표본이 사용되었다. 반면, 1,000 sps 로 기록된 심부 시추공 지진자료에서는 3,000개의 표본이 3초 길이의 관측 자료에 해당된다. 따라서 표본화율을 변경하지 않은 상태에서 KFpicker를 사용할 경우, 지진파 위상발췌가 잘 수행될 수 있을지 검토가 필요하였다.

지진자료에서 KFpicker를 이용해 위상발췌 하려면 3,000개의 표본이 필요하며 물리적인 시간의 길이는 중요하지않다. 따라서 표본화율이 1,000 sps로 표본화된 30초 길이의 원시 지진자료를 500, 200, 100 sps로 재표본화하고,각 재표본화된 자료를 3,000개의 표본에 해당하는 시간길이로 분할하였다(Fig. 3). 분할된 자료는 각각 표준화과정을 거쳤으며, 1,000 sps인 자료는 3,000개의 표본에해당하는 3초 길이씩 잘랐으며, 각각의 분절에 대해 표준화하였다. 그림에서 흰색 세로 점선은 나뉘어진 시간분절의 구간을 의미한다. 3,000개의 표본을 포함한 각각의 분절마다 KFpicker를 이용해 위상을 발췌하였는데, 1,000, 500, 200, 100 sps의 표본화율을 가지는 30초 길이의 자료는 각각 열 개, 다섯 개, 두 개, 한 개의 분절로나누었으며, 각 시간분절마다 예측된 P파와 S파 위상의확률을 그림에 지진파형 자료와 함께 나타내었다.

Figure 3. Seismic phase picking results using a deep learning picker for 30 seconds of three-component seismic data recorded at the deep borehole station TEBD2 at 1,000 sps. (a)-(d) show the prediction results for data with sampling rates of 1,000, 500, 200, and 100, respectively. The white vertical dashed lines indicate the boundaries of the 3,000-sample input data used for the deep learning predictions.

3초 시간창으로 분절된 1,000 sps 자료(Fig. 3a)와 6초시간창을 가진 500 sps 자료(Fig. 3b)를 살펴보면, 일부분절에서는 큰 진폭을 가진 지진파 위상이 포함되지 않았고 분절된 자료의 표준화 과정을 통해 잡음의 진폭이크게 증폭된 것을 확인할 수 있다. 특히 1,000 sps 자료에서는 P파와 S파 위상이 하나의 분절된 시간창에 포함되지 못하였고 P파와 S파의 코다(coda)파가 입력자료의대부분을 차지하여 위상발췌가 이루어지지 못하는 것을알 수 있다. 반면에 표본화율을 500, 200, 100 sps로 낮춘 자료에서는 두 위상의 코다파와 잡음이 잘 구분되면서 위상발췌가 잘 이루어 졌다.

2.4. 연속지진자료를 활용한 심층학습 위상 발췌 기술 기반의 지진탐지

심부시추공 지진계에 기록된 연속지진자료로부터 효과적으로 지진을 탐지하기 위해 KFpicker를 이용하여 지진파 위상을 발췌하였다. 이를 위해 1,000 sps의 원시 지진자료를 100 sps로 재표본화하고, 평균값과 선형기울기를제거하고 테이퍼 함수를 적용한 다음, 2-40Hz 대역통과필터를 적용하는 전처리과정을 수행하였다. 심층학습 기반 지진파 위상발췌 결과의 일관성을 높이기 위해 Hong et al. (2023)에서 제시한 방법에 따라, 30초(3,000개 표본)길이의 입력 자료에서 위상을 예측하고 5초 간격으로 시간창을 이동시키면서 지진파 위상을 반복적으로 예측하였다. 시간이 겹치는 부분의 위상 예측확률을 중앙값으로 병합하여 P파와 S파 위상 예측확률 시계열로 만들고, 예측 확률이 0.2 이상인 지점을 위상 도달시간으로 결정하였다.

발췌된 지진파 도달시간을 이용해 지진을 탐지하는 과정을 지진파 위상조합이라 하며, 본 연구에서는 비지도학습 기반의 군집화를 통해 위상조합하는 GaMMA (Zhu et al., 2022) 를 활용하였다. 위상 조합에 필요한 최소 위상 개수는 미소지진 탐지와 관측소 개수를 고려하여, P파와 S파 각 3개로 설정하였다.

3. 연구 결과 및 토의

3.1. 심층학습 기반 위상발췌 기술의 최적화

심부시추공 자료에서 효과적으로 미소지진을 탐지하기 위한 KFpicker 기술의 최적의 활용 방안을 도출하기 위해, 2023년 10월부터 12월까지 5 개소의 심부시추공에설치된 10개의 속도계 센서에서 기록한 지진자료를 이용해 표본화율 변화에 따른 위상발췌 성능을 비교하였다.육안으로 검토한 지진자료에서 위상을 발췌하여, 3개월동안 심부 시추공 인근에서 107개 자연지진을 탐지하였다. 각 센서에서 107개 지진을 모든 지진파 위상을 발췌할 수는 없으므로, 진원에서 각 관측소까지 P파와 S파 주시를 계산하고, 이론적인 지진파 도달시간과 비교하여 신호대 잡음비(signal to noise ratio)가 3 이상인 570개의 P파와 787개의 S파 위상을 기준으로 삼았다. 본 연구에서는 이론적인 지진파 도달시간의 0.5초 전부터 3초 동안의 신호에서 최대 진폭을 측정하고, 진원시 이전 3초 동안 잡음의 최대 진폭과의 비율로 신호 대 잡음비를 계산하였으며, 분석자의 주관에 영향을 받지 않고 일관된 위상 식별이 가능한 수준을 기준으로 삼았다. 이론적인 지진파 주시 계산에는 Kim et al. (2011)의 1 차원 경상분지 속도 모델을 사용하였다.

속도계 센서에서 관측한 787개의 3성분 지진파형에서진원시를 기준으로 -5초에서 25초 범위의 30초 길이 지진자료를 준비하고, 표본화율을 변경하면서 3,000개의 표본을 대상으로 KFpicker를 사용해 지진파 위상을 발췌하였다. Fig. 4는 각각의 표본화율에 따라 육안으로 분석한신호대 잡음비가 3 이상인 지진파 위상을 KFpicker가 얼마나 발췌하였는지를 나타낸 것이다. 심부 시추공 지진자료의 원래 표본화율에서 P파는 26 % 정도만 발췌하였으며, S파는 2 %에 지나지 않는 매우 낮은 성능을 보였다. 그러나 표본화율을 낮춰 학습에 사용한 표본화율에가까워질수록 더 많은 위상을 발췌할 수 있었고, 100 sps로 낮추었을 때 94 %의 P파와 93 %의 S파 위상을 발췌할 수 있음을 확인하였다. 따라서 심층학습 기술을 활용할 때에는 학습에 사용한 자료와 동일한 속성의 자료를 사용해야 기대한 만큼의 성능을 발휘할 수 있는 것으로 판단된다.

Figure 4. True pick rate of phase picking using a deep learning picker as a function of sampling rate (1,000, 500, 200, 100) for both P and S phases, A true pick is defined as a phase picked within ±1 second of the theoretical arrival time.

육안으로 결정했던 지진파 위상들 중에서 심층학습 기반 위상발췌 기술로 발췌하지 못한 지진파 위상들로 인해 107개 지진 중에서 14개의 지진을 탐지하지 못하였다.하지만 3개월 동안의 연속 지진파형에서 KFpicker는 육안으로 식별하지 못했던 더 많은 지진파 위상을 발췌하였으며, 이에 따라 3개월 동안의 자료에서 탐지한 지진은 총 140개로 31 % 정도 지진을 더 많이 발견할 수 있었다.

3.2. 심층학습 기반 위상발췌 기술을 활용한 미소지진 탐지

심부시추공 지진자료를 100 sps로 재표본화하여 KFpicker로 지진파 위상을 발췌하고, GaMMA를 사용해 관측망인근에서 발생한 미소지진을 탐지하였다. 앞서 성능 검토에 사용했던 기간을 포함하여 2023년 10월부터 2024년 5월까지, 총 8개월 동안 심부 시추공 지진계에 기록된 자료를 분석하였으며, 이를 위해 AMD 2.30 GHz의24 코어 CPU를 기반으로 768 GB의 메모리(RAM), 40 GB의 메모리를 가진 2개의 NVIDIA A100 GPU 환경에서자료처리를 수행하였다.

2024년 5월 한 달 동안 10개의 지진계에서 기록한 약200 GB 정도의 지진자료에서 위상을 발췌하는데 118분정도 소요되었는데, 재표본화 과정을 포함하는 전처리 과정에 95분, 위상발췌에는 23분 정도 소요되었다. 총 8개월 기간 동안 발췌된 지진파 위상들을 GaMMA를 사용해 645개의 지진을 탐지하였다. 각 지진마다 위상조합된 지진파 위상들과 Kim et al. (2011)의 1차원 경상분지 속도 모델을 입력으로 하여 Hypoinverse (Klein, 2002)를 사용해 지진의 정확한 진원위치를 결정하였으며, 35 km 반경의 범위에서 총 526개의 지진을 탐지하였다. 1개월 동안의 자료에서 위상 조합과 진원 결정에는 20초 정도 소요되었다.

탐지된 526개 지진을 진앙 위치와 지진파형의 육안 검토를 통해 388개의 자연지진과 67개의 인공지진을 발견하였다. 위상발췌 과정에서 잡음이 잘못 탐지되어 부정확한 위상조합 결과가 발생하기도 하였으며, 이로 인해탐지한 지진 중에서 71개는 오분석된 것으로 해석하였다.이때 탐지된 지진의 진원시가 발파가 가능한 주간 시간(7시~18시)이고 위성사진에서 확인했을 때 진앙 위치가공사 현장이나 채석장이며 지진파형에서 Rg 파가 잘 관찰되었을 때, 인공지진으로 분류하였다. 기상청 지진목록에는 8개월 동안 이 지역에서 67개의 자연지진이 보고되었는데(Korea Meteorological Administration, 2024), 본 연구에서는 기상청 목록에 포함된 지진을 모두 탐지하였으며 321개의 자연지진을 더 탐지하였다. 이는 지표형 관측소에 비해 상대적으로 높은 신호대 잡음비를 가지는심부 시추공 관측소 자료와 심층학습 기반의 위상 발췌기술의 활용으로 인해, 기존에 탐지하지 못했던 미소지진을 추가 탐지할 수 있었던 것으로 확인하였다. 또한 좁은 지역에 밀집된 형태로 구축된 심부 시추공 지진관측망은 기존 상시지진관측망을 사용하는 기상청에 비해 관측소 주변에서 발생한 미소지진의 지진파 위상조합에 필요한 최소 위상 개수 조건을 더 수월하게 충족시킬 수있었기 때문에 더 많은 미소지진을 탐지할 수 있었던 것으로 판단된다.

지진의 진앙 분포를 보면, 밀양단층, 양산단층과 울산단층 부근에서 다수의 미소지진이 밀집되어 분포하며2016년 경주지진과 2017년 포항지진의 여진이 다수 탐지된 것을 확인할 수 있다(Fig. 5). 인공지진은 특정 지점의 채석장에서 집중적으로 발생한 것으로 분석되었다.

Figure 5. Distribution of epicenters of earthquakes and explosions found in this study.

본 연구에서는 1,000 sps의 지진자료를 심층학습 기술의 적용을 위해 100 sps로 재표본화하여 지진탐지를 수행하였으나, 일부 지진 신호를 탐지하지 못하는 문제를발견할 수 있었다. Fig. 6에서는 100 sps로 재표본화된 지진자료에서 지진파 위상을 예측하지 못하지만 200 sps로재표본화한 지진자료에서는 P파와 S파 위상을 모두 높은확률로 발췌한 것을 확인할 수 있다. 이 경우에도 500 sps와 1,000 sps의 표본화율을 가진 자료에서는 위상을 발췌하지 못하였다. Hong et al. (2023)에서 설명한 것처럼,위상발췌에 사용하는 지진파형의 시간창을 조금씩 이동시키면서 위상을 발췌한다면, 지진파 위상발췌 성능을 향상시킬 수 있을 것으로 기대할 수 있다. 하지만 지진자료의 재표본화에 소요되는 시간을 고려한다면, 방대한 자료에서 신속하고 정확하게 지진파 위상을 발췌하여 지진을 분석하기 위해서는 입력자료에 최적화된 심층 신경망모델을 사용하는 것이 바람직할 것으로 판단된다.

Figure 6. Example of phase picking using a deep learning picker to illustrate the limitation that the picker's performance depends on the data's sampling rate. The white vertical dashed lines indicate the boundaries of the 3,000-sample input data used for the deep learning predictions.

4. 결론

본 연구에서는 심부 시추공 지진계에서 관측한 지진자료의 효과적인 분석을 위해 심층학습 기술을 활용하였다.심층 신경망의 학습에 사용된 자료는 100 sps의 표본화율로 기록되었지만 심부 시추공 자료는 1,000 sps로 표본화되었기 때문에 표본화율을 낮추면서 지진파 위상을발췌하여 성능을 비교하였다.

2023년 10월부터 12월까지 기록된 자료를 육안으로 식별하여 발췌한 지진파 위상을 기준으로 삼았다. 심부 시추공 자료의 표본화율을 학습 자료와 동일하도록 조정했을 때, 심층학습 기반 위상발췌 기술의 성능이 가장 우수했으며, 육안으로 식별한 위상의 93 % 이상을 발췌할수 있었다. 이로 인해 수동으로 분석된 지진의 87 % 정도만 인공지능 기반의 분석에서 탐지할 수 있었다. 하지만 탐지하지 못했던 지진을 더 많이 발견하여, 지진 탐지 횟수는 31 % 정도 증가하였으며, 심층학습 기반 지진파 위상발췌 기술의 우수성을 확인할 수 있었다. 2023년10월부터 2024년 5월까지의 자료에서 심층학습 기술을활용하여 388개의 지진을 발견하였으며, 이는 기존에 알려진 것에 비해 5배 이상의 지진을 더 많이 탐지한 것이다.

자료 분석에 소요된 시간의 관점에서 본다면 학습 자료와 관측 자료의 표본화율 불일치로 인해 전처리 과정에서 재표본화에 많은 시간이 소요되었다. 또한 자료의표본화율이 위상발췌 성능에 영향을 미칠 수 있음을 확인하였다. 따라서 자료의 특성에 맞는 심층 신경망을 구성하여 학습시킨다면 더 많은 지진을 신속하게 탐지할수 있을 것으로 기대한다.

Acknowledgements

심부 시추공 지진자료의 수동 분석 결과를 제공해 주신 한국지질자원연구원 박은진 박사님께 감사드립니다.또한 논문의 세심한 검토와 제안을 주신 심사위원들께감사드립니다. 이 연구는 한국지질자원연구원의 “한반도동남권 지진·단층 활동 평가를 위한 심부 복합지구물리모니터링 시스템 구축(GP2018-009)”과제의 지원으로 수행되었습니다.

Fig 1.

Figure 1.Distribution of deep borehole seismic stations in Lee et al. (2021) used in this study (triangles). The circle represents a 35 km radius from the center of the stations. The 2016 Gyeongju earthquake and 2017 Pohang earthquake and fault structures (Miryang Fault; MiRF, Moryang Fault; MoRF, Yangsan Fault; YSF, Ulsan Fault; USF) are marked.
Economic and Environmental Geology 2024; 57: 701-708https://doi.org/10.9719/EEG.2024.57.6.701

Fig 2.

Figure 2.Example of phase picking using a deep learning picker for the 2024 ML 4.8 Buan earthquake. The figure shows 30 seconds of three-component seismic data (station MSMB) along with the predicted probabilities of the P and S phases. The arrival times are marked by circles (P phase) and squares (S phase).
Economic and Environmental Geology 2024; 57: 701-708https://doi.org/10.9719/EEG.2024.57.6.701

Fig 3.

Figure 3.Seismic phase picking results using a deep learning picker for 30 seconds of three-component seismic data recorded at the deep borehole station TEBD2 at 1,000 sps. (a)-(d) show the prediction results for data with sampling rates of 1,000, 500, 200, and 100, respectively. The white vertical dashed lines indicate the boundaries of the 3,000-sample input data used for the deep learning predictions.
Economic and Environmental Geology 2024; 57: 701-708https://doi.org/10.9719/EEG.2024.57.6.701

Fig 4.

Figure 4.True pick rate of phase picking using a deep learning picker as a function of sampling rate (1,000, 500, 200, 100) for both P and S phases, A true pick is defined as a phase picked within ±1 second of the theoretical arrival time.
Economic and Environmental Geology 2024; 57: 701-708https://doi.org/10.9719/EEG.2024.57.6.701

Fig 5.

Figure 5.Distribution of epicenters of earthquakes and explosions found in this study.
Economic and Environmental Geology 2024; 57: 701-708https://doi.org/10.9719/EEG.2024.57.6.701

Fig 6.

Figure 6.Example of phase picking using a deep learning picker to illustrate the limitation that the picker's performance depends on the data's sampling rate. The white vertical dashed lines indicate the boundaries of the 3,000-sample input data used for the deep learning predictions.
Economic and Environmental Geology 2024; 57: 701-708https://doi.org/10.9719/EEG.2024.57.6.701

References

  1. Ajo-Franklin, J.B., Dou, S., Lindsey, N.J., Monga, I., Tracy, C., Roberston, M., Tribaldos, V.R., Ulrich, C., Freifeld, B., Daley, T. and Li, X. (2019) Distributed acoustic sensing using dark fiber for near-surface characterization and broadband seismic event detection. Sci. Rep., v.9, https://doi.org/10.1038/s41598-018-36675-8.
    Pubmed KoreaMed CrossRef
  2. Alom, M.Z., Yakopcic, C., Hasan, M., Taha, T.M. and Asari, V.K. (2019) Recurrent residual U-Net for medical image segmentation. J. Med. Imag., v.6, https://doi.org/10.1117/1.JMI.6.1.014006.
    Pubmed KoreaMed CrossRef
  3. Byun, A.-H., Kim, B. and Sheen, D.-H. (2022) Determination of focal mechanism of local earthquakes in the Korean Peninsula using deep learning based P-wave first-motion polarity determination. 2022 Joint Fall Meeting of Korean Geological Societies (Abstracts), Changwon, October 25-28, p.176 (in Korean).
  4. Goodfellow, I.J., Shlens, J. and Szegedy, C. (2014) Explaining and harnessing adversarial examples. https://doi.org/10.48550/arXiv.1412.6572.
    CrossRef
  5. Hara, S., Fukahata, Y. and Iio, Y. (2019) P-wave first-motion polarity determination of waveform data in western Japan using deep learning. Earth, Planets and Space, v.71, p.1-11. doi: 10.1186/s40623-019-1111-x
    CrossRef
  6. Heck, S.L., Young, C.J. and Brogan, R. (2022) Comparing traditional and deep learning signal features for event detection in the Utah region. Bull. Seismol. Soc. Am., v.112, p.2344-2363. doi: 10.1785/0120210275
    CrossRef
  7. Hong, Y., Byun, A. H., Kim, S. and Sheen, D.-H. (2023) Customization of a deep neural network using local data for seismic phase picking. Front. Earth Sci., v.11, https://doi.org/10.3389/feart.20263.1306488.
    CrossRef
  8. Korea Meteorological Administration (2024) National earthquake comprehensive information system, http://necis.kma.go.kr/.
  9. Kim, S., Rhie, J. and Kim, G. (2011) Forward waveform modelling procedure for 1-D crustal velocity structure and its application to the southern Korean Peninsula. Geophys. J. Int., v.185, p.453-468. doi: 10.1111/j.1365-246X.2011.04949.x
    CrossRef
  10. Klein, F.W. (2002) User’s guide to HYPOINVERSE-2000, a Fortran program to solve for earthquake locations and magnitudes. U.S. Geol. Surv., https://pubs.usgs.gov/of/2002/0171.
    CrossRef
  11. LeCun, Y., Bengio, Y. and Hinton, G. (2015) Deep learning. Nature, v.521, p.436-444.
    Pubmed CrossRef
  12. Lee, et al. (2021) Development of integrated geophysical monitoring system at depth for assessing earthquake and fault activities at south-eastern Korea. KIGAM, p.231.
  13. Liao, W.Y., Lee, E.J., Mu, D., Chen, P. and Rau, R.J. (2021) ARRU phase picker: Attention recurrent-residual U-Net for picking seismic P- and S-phase arrivals. Seismol. Res. Lett., v.92, p.2410-2428. doi: 10.1785/0220200382
    CrossRef
  14. McBrearty, I.W., Gomberg, J., Delorey, A.A. and Johnson, P.A. (2019) Earthquake arrival association with backprojection and graph theory. Bull. Seismol. Soc. Am., v.109, p.2510-2531. doi: 10.48550/arXiv.1904.00980
    CrossRef
  15. Michelini, A., Cianetti, S., Gaviano, S., Giunchi, C., Jozinović, D. and Lauciani, V. (2021) INSTANCE; the Italian seismic dataset for machine learning. Earth Syst. Sci. Data, v.13, p.5509-5544. doi: 10.5194/essd-13-5509-2021
    CrossRef
  16. Mousavi, S.M., Ellsworth, W.L., Zhu, W., Chuang, L.Y. and Beroza, G.C. (2020) Earthquake transformer; an attentive deep-learning model for simultaneous earthquake detection and phase picking. Nat. commun., v.11, https://doi.org/10.1038/s41467-020-17591-w.
    Pubmed KoreaMed CrossRef
  17. Mousavi, S.M., Sheng, Y., Zhu, W. and Beroza, G.C. (2019) STanford EArthquake Dataset (STEAD): A global data set of seismic signals for AI. IEEE Access, v.7, p.179464-179476. doi: 10.1109/ACCESS.2019.2947848
    CrossRef
  18. Romanowicz, B., Allen, R., Brekke, K., Chen, L.W., Gou, Y., Henson, I., Marty, J., Neuhauser, D., Pardini, B., Taira, T.A., Thompson, S., Zhang, J. and Zuzlewski, S. (2023) SeaFOAM: A Year‐Long DAS Deployment in Monterey Bay, California. Seismol. Res. Lett., v.94, p.2348-2359. doi: 10.1785/0220230047
    CrossRef
  19. Ross, Z.E., Meier, M.A., Hauksson, E. and Heaton, T.H. (2018) Generalized seismic phase detection with deep learning short note. Bull. Seismol. Soc. Am., v.108, p.2894-2901. doi: 10.1785/0120180080
    CrossRef
  20. Ross, Z.E., Yue, Y., Meier, M.A., Hauksson, E. and Heaton, T.H. (2019) PhaseLink: A deep learning approach to seismic phase association. J. Geophys. Res. Solid Earth, v.124, p.856-869. doi: 10.1029/2018JB016674
    CrossRef
  21. Schmidhuber, J. (2015) Deep learning in neural networks: An overview. Neural Netw., v.61, p.85-117. doi: 10.1016/j.neunet.2014.09.003
    Pubmed CrossRef
  22. Szegedy, C., Zaremba, W., Sutskever, I., Bruna, J., Erhan, D., Goodfellow, I. and Fergus, R. (2013) Intriguing properties of neural networks. https://doi.org/10.48550/arXiv.1312.6199.
    CrossRef
  23. Tian, X., Zhang, W., Zhang, X., Zhang, J., Zhang, Q., Wang, X. and Guo, Q. (2020) Comparison of single-trace and multiple-trace polarity determination for surface microseismic data using deep learning. Seismol. Res. Lett., v.91, p.1794-1803. doi: 10.1785/0220190353
    CrossRef
  24. Uchide, T. (2020) Focal mechanisms of small earthquakes beneath the Japanese islands based on first-motion polarities picked using deep learning. Geophys. J. Int., v.223, p.1658-1671. doi: 10.1093/gji/ggaa401
    CrossRef
  25. Zhu, W. and Beroza, G.C. (2019) PhaseNet: a deep-neural-networkbased seismic arrival-time picking method. Geophys. J. Int., v.216, p.261-273. doi: 10.1093/gji/ggy423
    CrossRef
KSEEG
Dec 31, 2024 Vol.57 No.6, pp. 665~835

Stats or Metrics

Share this article on

  • kakao talk
  • line

Related articles in KSEEG

Economic and Environmental Geology

pISSN 1225-7281
eISSN 2288-7962
qr-code Download