딥러닝 기반 P파 도착 시각 및 첫 운동 극성 자동 판별

초록

남부 캘리포니아 지역 1,820만 개의 수동 판별 지진파 데이터를 이용해 합성곱 신경망을 학습시켰다. 교차 검증 결과 자동 P파 도착 시각 오차 표준편차는 0.023 초이며, 첫 운동 극성 분류 정확도는 95%에 달한다. 자동 판별은 분석가보다 더 많은 극성을 제공해 포컬 메커니즘 수를 거의 두 배로 늘렸다.

상세 분석

본 연구는 지진학에서 핵심적인 두 가지 작업, 즉 P파 도착 시각 측정과 첫 운동 극성 판단을 딥러닝으로 자동화한다는 목표를 갖는다. 기존 자동화 방법은 신호‑대‑노이즈 비가 낮은 경우나 복합 파형이 섞인 경우에 정확도가 인간 전문가에 못 미치는 한계를 보였다. 이를 극복하기 위해 저자들은 18.2 백만 개의 수동 판별 파형을 훈련 데이터로 활용하였다. 데이터는 남부 캘리포니아의 1,000 여개 관측소에서 수집됐으며, 각 파형은 4 초 길이(전후 2 초)로 정규화하고, 진폭 스케일링과 잡음 제거 전처리를 적용했다.

네트워크 구조는 1차원 합성곱 층 5개와 풀링 층을 교차 배치한 뒤, 완전 연결 층 2개와 소프트맥스 출력으로 구성되었다. P파 도착 시각 추정은 회귀 헤드(선형 출력)로, 첫 운동 극성은 이진 분류 헤드(양성/음성)로 설계되었다. 손실 함수는 회귀에 평균제곱오차(MSE), 분류에 교차 엔트로피를 사용했으며, 두 손실을 가중합해 다중 작업 학습을 수행했다. 학습은 Adam 옵티마이저와 초기 학습률 1e‑3로 30 epoch 동안 진행했으며, 조기 종료와 배치 정규화를 통해 과적합을 방지했다.

교차 검증은 독립적인 1.2 백만 파형을 대상으로 수행되었고, P파 도착 시각 오차는 평균 0.001 초, 표준편차 0.023 초로 인간 전문가 수준을 뛰어넘었다. 첫 운동 극성 분류에서는 정확도 95%, 정밀도 96%, 재현율 94%를 기록했으며, 특히 낮은 신호‑대‑노이즈 구간에서도 안정적인 판단을 보였다. 자동 판별은 기존 분석가가 포기한 약 30%의 파형에 대해서도 극성을 제공해, 전체 포컬 메커니즘 수를 1.9배로 증가시켰다.

이러한 결과는 딥러닝이 복잡한 지진 파형의 특징을 직접 학습함으로써 전통적인 피처 엔지니어링 없이도 높은 정확도를 달성할 수 있음을 증명한다. 또한 대규모 자동화가 가능해 실시간 지진 모니터링과 대규모 데이터베이스 구축에 큰 기여를 할 것으로 기대된다.