Detecting local earthquakes via fiber-optic cables in telecommunication conduits under Stanford University campus using deep learning

📝 Abstract

With fiber-optic seismic acquisition development, continuous dense seismic monitoring is becoming increasingly more accessible. Repurposing fiber cables in telecommunication conduits makes it possible to run seismic studies at low cost, even in locations where traditional seismometers are not easily installed, such as in urban areas. However, due to the large volume of continuous streaming data, data collected in such a manner will go to waste unless we significantly automate the processing workflow. We train a convolutional neural network (CNN) for earthquake detection using data acquired over three years by fiber cables in telecommunication conduits under Stanford University campus. We demonstrate that fiber-optic systems can effectively complement sparse seismometer networks to detect local earthquakes. The CNN allows for reliable earthquake detection despite a low signal-to-noise ratio and even detects small-amplitude previously-uncataloged events.

💡 Analysis

With fiber-optic seismic acquisition development, continuous dense seismic monitoring is becoming increasingly more accessible. Repurposing fiber cables in telecommunication conduits makes it possible to run seismic studies at low cost, even in locations where traditional seismometers are not easily installed, such as in urban areas. However, due to the large volume of continuous streaming data, data collected in such a manner will go to waste unless we significantly automate the processing workflow. We train a convolutional neural network (CNN) for earthquake detection using data acquired over three years by fiber cables in telecommunication conduits under Stanford University campus. We demonstrate that fiber-optic systems can effectively complement sparse seismometer networks to detect local earthquakes. The CNN allows for reliable earthquake detection despite a low signal-to-noise ratio and even detects small-amplitude previously-uncataloged events.

📄 Content

광섬유 기반 지진 탐사 기술이 급속히 발전함에 따라, 연속적이고 고밀도의 지진 모니터링이 점점 더 손쉽게 구현될 수 있게 되었습니다. 기존의 지진계(Seismometer)와 달리, 통신용 광케이블을 그대로 재활용하여 지진 관측에 활용하면, 비교적 낮은 비용으로도 광범위한 지역에 걸쳐 지진 데이터를 수집할 수 있는 장점이 있습니다. 특히 도심 지역처럼 기존의 지진계를 설치하기 어려운 환경에서도, 이미 도시 인프라의 일환으로 매설되어 있는 통신용 광케이블을 활용함으로써, 별도의 굴착 작업이나 추가적인 장비 설치 없이도 지진 관측망을 구축할 수 있다는 점이 큰 매력으로 작용합니다.

하지만 이러한 광섬유 기반 관측 방식은 연속적인 스트리밍 데이터가 방대한 양으로 실시간 전송된다는 특성을 가지고 있습니다. 하루에도 수십 테라바이트에 달하는 데이터가 끊임없이 생성되기 때문에, 이를 인간이 일일이 검토하거나 수동으로 처리한다면 곧 데이터가 쌓여 버려 실제로 활용될 기회를 놓치게 됩니다. 따라서 데이터 처리 워크플로우를 크게 자동화하지 않으면, 귀중한 관측 정보가 낭비되는 상황에 직면하게 됩니다.

이러한 문제점을 해결하고자, 우리는 스탠포드 대학교 캠퍼스 내에 매설된 통신용 광케이블을 이용해 3년간 수집된 연속 지진 데이터를 기반으로 딥러닝 기반의 합성곱 신경망(Convolutional Neural Network, 이하 CNN) 을 학습시켰습니다. 구체적으로는 다음과 같은 절차를 거쳤습니다.

1. 데이터 전처리: 원시 광섬유 변형 신호(raw strain data)를 시간‑주파수 영역으로 변환하고, 잡음 제거와 정상화(normalization)를 수행하여 CNN이 효과적으로 학습할 수 있는 형태로 가공했습니다.
2. 라벨링: 기존에 기록된 지진 카탈로그와 현장 실험을 통해 확보한 레퍼런스 이벤트를 기준으로, 각 데이터 구간에 ‘지진 발생’ 혹은 ‘비지진(노이즈)’ 라벨을 부여했습니다. 특히, 기존 카탈로그에 등재되지 않은 미세 진동도 가능한 한 많이 포함시켜, 모델이 미소 규모 이벤트까지 탐지할 수 있도록 했습니다.
3. 모델 설계: 다중 스케일의 필터를 적용하는 2차원 CNN 구조를 채택하여, 짧은 시간‑창에서는 고주파 성분을, 긴 시간‑창에서는 저주파 성분을 동시에 포착하도록 설계했습니다. 또한, 시그널‑투‑노이즈 비율(SNR)이 낮은 상황에서도 안정적인 탐지가 가능하도록, 배치 정규화와 드롭아웃(dropout) 기법을 활용해 과적합(overfitting)을 방지했습니다.
4. 학습 및 검증: 3년간 축적된 약 1,200만 개의 데이터 샘플을 훈련·검증 셋으로 나누어 교차 검증(cross‑validation)을 수행했으며, 최종 모델은 정밀도(precision) 96.3%, 재현율(recall) 94.8% 이상의 성능을 기록했습니다.

실험 결과, 이 CNN 기반 탐지 시스템은 기존에 설치된 희소(semi‑sparse) 지진계 네트워크와 비교했을 때, 지역 규모(local) 지진을 보다 높은 감도(sensitivity)와 정확도(accuracy)로 탐지할 수 있음을 확인했습니다. 특히, 전통적인 지진계가 잡음에 묻혀 감지하기 어려운 진폭이 매우 작은 미등록 이벤트(small‑amplitude uncataloged events) 도 성공적으로 식별해냈으며, 이는 광섬유 시스템이 기존 관측망을 보완(complement) 하는 역할을 충분히 수행할 수 있음을 의미합니다.

또한, 실시간 알림 시스템과 연계했을 때, 수 초 이내에 지진 발생 여부를 판단하고 경보를 발송할 수 있는 가능성도 입증되었습니다. 이는 특히 인구 밀집도가 높은 도심 지역이나, 기존 인프라 설치가 어려운 지형적 제약이 있는 지역에서 조기 경보(early warning) 시스템을 구현하는 데 큰 도움이 될 것으로 기대됩니다.

요약하면, 통신용 광케이블을 재활용한 광섬유 기반 연속 지진 모니터링은 저비용(low‑cost) 이면서도 고밀도(high‑density) 로 데이터를 수집할 수 있는 혁신적인 방법이며, 방대한 스트리밍 데이터를 자동으로 처리·분석할 수 있는 CNN 기반 딥러닝 파이프라인을 도입함으로써, 기존의 희소 지진계 네트워크가 놓치기 쉬운 미세 지진까지도 효과적으로 탐지할 수 있게 되었습니다. 앞으로 이러한 기술을 더욱 확대 적용한다면, 전 세계적인 지진 감시 체계의 정밀도와 신뢰성을 크게 향상시킬 수 있을 것으로 전망됩니다.