실시간 지진 신호와 잡음 구분을 위한 머신러닝

초록

본 연구는 지진조기경보(EEW) 시스템에서 짧은 파형(3 초)만을 이용해 실제 지역 지진과 잡음 신호를 구분하는 최신 머신러닝 모델들을 개발·비교한다. 374 천 건의 지진 기록과 946 천 건의 잡음 데이터를 학습시킨 결과, CNN과 GAN+RF 모델이 각각 99.5 %의 정밀도와 99.3 %의 재현율을 달성했으며, 기존 선형 분류기보다 현저히 높은 성능을 보였다. 주요 오분류는 원거리 텔레시즘 신호와 라벨 오류에서 발생하였다.

상세 분석

이 논문은 EEW에서 가장 어려운 과제 중 하나인 “극히 제한된 정보(수초, 소수의 관측소)만으로 진짜 지진 신호와 잡음(인위적 충격, 환경 소음 등)을 구별”하는 문제에 머신러닝을 적용한 최초 수준의 연구라 할 수 있다. 데이터셋 규모가 1.3 백만 건에 달하며, M 3.0 ~ 9.1 범위의 지역 지진과 다양한 유형의 impulsive noise를 포함하고 있어 모델의 일반화 능력을 충분히 검증할 수 있다.

모델 설계 측면에서 저자들은 4가지 아키텍처를 비교한다. (1) 전통적인 완전 연결 신경망(FCN)은 입력 차원을 그대로 유지하면서 비선형 변환만 수행한다. (2) 1‑차원 합성곱 신경망(CNN)은 시간축에 대한 지역적 특징을 자동으로 추출해, 파형의 진폭 급등, 주파수 변동 등을 효과적으로 포착한다. (3) 순환 신경망(RNN, LSTM 변형)은 시계열 의존성을 모델링하지만, 짧은 3 초 윈도우에서는 장기 기억 효과가 제한적이었다. (4) GAN+RF는 생성적 적대 신경망으로 잡음과 지진 파형의 잠재 분포를 학습한 뒤, 이를 랜덤 포레스트 분류기에 입력해 최종 판단을 내린다.

성능 평가에서는 정밀도(precision)와 재현율(recall) 외에도 ROC‑AUC, F1‑score 등을 제시했으며, 특히 CNN과 GAN+RF가 99.5 %·99.3 % 수준의 높은 정밀·재현율을 기록했다. 이는 기존 선형 SVM이나 로지스틱 회귀 기반 EEW 필터가 보이는 90 %대 성능과 비교해 크게 향상된 수치이다. 오분류 분석 결과, 대부분은 원거리 텔레시즘 신호가 지진 파형과 유사한 급격한 진폭 변화를 보여 발생했으며, 데이터 라벨링 오류도 소수 존재함을 확인했다.

실시간 적용 가능성 측면에서, CNN은 단일 1‑D 컨볼루션 레이어와 풀링만으로도 3 ms 이하의 추론 시간을 보였으며, GPU 없이도 CPU 기반 서버에서 충분히 실시간 처리가 가능함을 실험적으로 입증했다. GAN+RF는 학습 단계에서 복잡도가 높지만, 추론 단계에서는 GAN의 인코더 출력만을 사용해 랜덤 포레스트가 빠르게 판단한다. 따라서 실제 EEW 파이프라인에 통합하기 위한 연산 비용은 충분히 낮다.

이 연구는 몇 가지 한계점도 제시한다. 첫째, 훈련 데이터가 특정 지역(예: 캘리포니아, 일본) 중심으로 구성돼 있어 다른 지질구조에 대한 전이 성능 검증이 필요하다. 둘째, 3 초 윈도우가 모든 지진 유형에 최적인지는 의문이며, 특히 저진도·저주파 이벤트에서는 더 긴 관측이 요구될 수 있다. 셋째, 라벨링 오류가 모델 성능에 미치는 영향을 정량화하지 않아, 향후 데이터 정제 작업이 중요하다.

전반적으로, 이 논문은 EEW 시스템에서 “극히 짧은 시간·데이터”라는 제약을 극복하고, 딥러닝 기반 비선형 분류기가 기존 선형 방법보다 월등히 높은 신뢰성을 제공한다는 점을 실증하였다. 향후 연구는 다지역 데이터 확장, 멀티스테이션 융합, 그리고 실시간 운영 테스트를 통해 현장 적용성을 더욱 강화할 필요가 있다.