텔레지진 PcP·PKiKP 자동 검출·피킹을 위한 딥러닝 혁신

초록

본 연구는 히넷(HINET) 데이터 7,386개를 대상으로 PcP와 PKiKP 텔레지진 상을 딥러닝으로 검출·피킹하는 새로운 파이프라인을 제안한다. 전체 파형에서 이론 도착 시각을 기준으로 잠재 상을 잘라내고, CNN으로 존재 여부를 판단한 뒤, FCN으로 첫 파동 도착 시점을 정밀하게 추정한다. 검출 정확도는 각각 92.15%·94.13%이며, 피킹 평균 절대 오차는 0.0742 s·0.0636 s이다. 전통적인 STA/LTA와 비교했을 때 오차가 현저히 낮고, 전체 7,386개 파형을 약 2시간(후반 2단계는 5분) 내에 처리한다.

상세 분석

이 논문은 텔레지진 단계인 PcP와 PKiKP를 고속·고정밀으로 자동화하기 위해 세 단계로 구성된 딥러닝 기반 워크플로우를 설계하였다. 첫 번째 단계에서는 기존의 전체 파형 대신 이론적 도착 시각을 중심으로 ±10 초 정도의 구간을 추출해 ‘잠재 상(latent phase)’ 데이터셋을 만든다. 이는 불필요한 잡음과 다른 상의 간섭을 최소화하여 학습 효율을 크게 높인다. 두 번째 단계에서는 1‑D Convolutional Neural Network(CNN)를 이용해 해당 구간에 목표 상이 존재하는지를 이진 분류한다. 네트워크는 4개의 Conv‑ReLU‑BatchNorm‑MaxPool 블록과 최종 Fully Connected 레이어로 구성되며, 클래스 불균형을 완화하기 위해 가중치 기반 손실 함수를 적용하였다. 검증 결과, PcP와 PKiKP 각각 92.15%와 94.13%의 검출율을 달성했으며, 오탐률은 3% 이하로 억제되었다. 세 번째 단계에서는 Fully Convolutional Network(FCN)를 활용해 ‘첫 파동 도착 시점(first‑break)’을 회귀 형태로 예측한다. FCN은 Encoder‑Decoder 구조를 갖추어 입력 길이를 유지하면서도 시계열 전반에 걸친 특징을 학습한다. 출력은 시간축상의 확률 맵이며, 최대값 위치를 피킹 시점으로 채택한다. 이 방식은 전통적인 STA/LTA 기반 피킹이 갖는 임계값 설정의 주관성을 없애고, 평균 절대 오차를 각각 0.0742 s(PcP)와 0.0636 s(PKiKP)로 크게 개선한다. 또한, 전체 7,386개 파형을 GPU 환경에서 약 2시간 내에 처리했으며, 검출·피킹 단계만 따로 실행할 경우 5분 이내에 완료된다. 이는 실시간 혹은 대규모 데이터베이스 구축에 충분히 적용 가능한 속도이다. 논문은 또한 STA/LTA와의 정량적 비교를 통해 딥러닝 모델이 잡음이 큰 환경에서도 안정적인 성능을 보임을 입증한다. 한계점으로는 학습에 사용된 데이터가 일본 해양망(HINET) 한정이며, 다른 지역·다양한 관측 장비에 대한 일반화 검증이 부족하다는 점을 제시한다. 향후 연구에서는 다국적 데이터셋을 통한 전이 학습 및 비지도 학습 기반의 잠재 상 추출 방법을 도입해 모델의 범용성을 높이는 방향을 제안한다.