지진 발생률 예측을 위한 신경 인코더

Scientific Reports 13권, 기사 번호: 12350(2023) 이 기사 인용

765 액세스

3 알트메트릭

측정항목 세부정보

지진의 시기를 예측하는 것은 오랜 과제입니다. 더욱이 이 문제를 유용한 방식으로 공식화하는 방법이나 다양한 모델의 예측력을 비교하는 방법은 여전히 ​​논의되고 있습니다. 여기에서는 지진 카탈로그의 다용도 신경 인코더를 개발하고 이를 시공간적 포인트 프로세스 프레임워크에서 지진율 예측의 근본적인 문제에 적용합니다. 전염병형 여진 시퀀스 모델(ETAS)은 지진 시퀀스의 공간 및 시간 상관 관계에 대해 가정된 함수 형태를 제한하기 위해 소수의 매개변수를 효과적으로 학습합니다(예: Omori-Utsu 법칙). 여기에서는 복잡한 상관 구조를 포착하는 포인트 프로세스 지진 예측 모델에 대해 학습된 공간적 및 시간적 임베딩을 소개합니다. 우리는 훈련-테스트 데이터 분할을 사용하는 이타스 모델과 비교하여 이러한 신경 표현의 일반성을 보여주고 추가 지구물리학적 정보를 통합하는 방법을 보여줍니다. 속도 예측 작업에서 일반화된 모델은 지진당 정보 획득의 \(>4\%\) 개선과 단층 추적과 유사한 이방성 공간 구조의 동시 학습을 보여줍니다. 훈련된 네트워크는 단기 예측 작업을 수행하는 데에도 사용할 수 있으며, 런타임이 1000배 감소하는 동시에 유사한 개선을 보여줍니다.

지진 데이터 분석을 위한 기계 학습(ML)의 적용은 지진 파형의 분류 및 특성화1,2, 자동 위상 선택3, 저규모 지진 식별4 및 카탈로그 디클러스터링5에 대한 새로운 접근 방식을 통해 최근 상당한 진전을 이루었습니다. 6. 지진 카탈로그 개발 과정에서 ML 접근 방식은 감지된 사건의 수를 10배로 늘렸고4 지진파의 속도에서 빛의 속도에 이르기까지 지진 조기 경보를 위한 이동 시간 의존도를 줄일 수 있습니다7.

그러나 지진 시퀀스 모델링에서 기계 학습 기술은 향상된 지진 패턴 특성화를 가능하게 한다는 측면에서 제한적인 진전을 보였습니다8,9. 미래 지진 사건의 시기를 예측하는 구체적인 작업은 기본적인 과학적 질문과 응용 위험 분석 모두에서 오랫동안 지속되고 근본적인 과제입니다. 어떤 경우에는 지진 활동이 상대적으로 일관된 시간적10 또는 공간적 패턴11을 특징으로 하는 반면, 지진의 시간, 위치 및 규모는 정량적으로 예측하기가 여전히 어렵습니다12.

통계적 지진학에서 이 문제에 대한 최첨단 접근 방식은 지진 시퀀스를 시공간적 포인트 프로세스13,14,15로 표현하는 것입니다. 이 접근 방식에서 모델은 특정 규모 \(\lambda (x, y, t \mid H_{t-})\) 이상에서 순간적인 지진 발생률을 예측하는 임무를 맡습니다. 여기서 x, y는 공간 좌표( 경도와 위도 또는 지도에 투영된 좌표) 및 t는 시간입니다. \(H_{t-}\)는 시간 t 이전에 모델에 사용 가능한 모든 정보를 나타냅니다. 시간 의존 함수 \(\lambda\)는 지진 활동 강도의 정량적 표현으로, 전진16,17 및 여진18 시대를 모두 특성화하고 지진 위험 평가19의 기초 역할을 합니다.

전염병형 여진 시퀀스(ETAS) 모델13,20은 가장 일반적으로 사용되는 모델로 \(\lambda\)를 자기자진 분기 프로세스로 나타내며 지진의 "배경 비율"과 응답 함수 f를 가정합니다. 모델에서 생성된 합성 지진 카탈로그의 장기 통계가 두 가지 널리 관찰된 지진의 현상학적 분포, 즉 (1) 여진율 감쇠의 오모리-우츠 법칙과 (2) 구텐베르그의 법칙을 재현하도록 특정 형식이 선택됩니다. 사건 규모의 더 풍부한 분포. \(f = \mu (x,y)+ T(t-t_i)S(x-x_i, y-y_i) 형식을 공유하는 응답 함수에 대한 몇 가지 인기 있는 선택이 있습니다21,22,23,24. ; M_i)\). 여기서 \(\mu\)는 시간 독립적인 "배경 비율"이라고 하며, T는 오모리 법칙과 일치하는 거듭제곱 붕괴를 특징으로 하는 시간적 커널이고, S는 공간적으로 붕괴하는 커널입니다22,25. \(x_i, y_i\), \(t_i\)는 각각 지진의 진원지 위치와 발생 시간이다.