그로닝겐 가스전 지진 탐지를 위한 신경망 기반 고성능 검출 기법

초록

본 연구는 네덜란드 그로닝겐 가스전에서 수집된 연속 지진 데이터에 대해 3계층 피드포워드 신경망을 적용하여 전통적인 STA/LTA 기반 검출 방법보다 65 % 높은 정확도로 지진 발생 여부와 진원 지속시간을 자동 판별한다는 결과를 제시한다.

상세 분석

이 논문은 최근 밀집화된 그로닝겐 지진 관측망이 생성하는 대용량 연속 파형 데이터를 효율적으로 처리하기 위해 신경망 기반 자동 검출 체계를 설계·평가한다. 데이터는 KNMI 공개 포털에서 제공된 1 Hz 이상 샘플링된 지진파와 잡음 구간을 포함하며, 전문가가 수동으로 지정한 첫 도착시각(P‑arrival)과 이벤트 지속시간을 레이블로 활용한다. 저자는 먼저 기존의 STA/LTA 비율을 다양한 시간 윈도우와 주파수 서브밴드(0.5–2 Hz, 2–5 Hz, 5–10 Hz 등)로 변환해 12개의 특징 벡터를 생성한다. 이때 각 서브밴드별 STA와 LTA의 길이를 조정함으로써 저주파 잡음에 강인한 특성을 확보하고, 고주파 신호에서는 급격한 에너지 변화를 포착하도록 설계하였다.

피드포워드 신경망은 입력층(12개 노드), 은닉층(두 개, 각각 24·12개의 뉴런), 출력층(두 개 노드: 이벤트 존재 여부, 지속시간) 구조를 갖는다. 활성화 함수는 은닉층에 ReLU, 출력층에 각각 sigmoid(이벤트 존재)와 linear(지속시간) 함수를 적용하였다. 학습은 Adam 옵티마이저와 0.001의 학습률로 200 epoch 동안 진행했으며, 과적합 방지를 위해 20 % 검증 데이터를 사용한 조기 종료(Early Stopping)를 적용하였다. 손실 함수는 이진 교차 엔트로피와 평균 제곱 오차(MSE)를 가중합한 복합 손실을 사용해 이벤트 검출과 지속시간 추정 두 목표를 동시에 최적화한다.

성능 평가는 기존 STA/LTA 기반 기준 방법과 비교했으며, 정확도(Accuracy), 정밀도(Precision), 재현율(Recall), F1‑score, 그리고 지속시간 평균 절대 오차(MAE)를 주요 지표로 삼았다. 결과는 전체 테스트 셋(약 8 000개 세그먼트)에서 정확도가 92 %에 달했으며, 이는 기존 방법의 57 %에 비해 65 % 상승한 수치이다. 특히 저신호대비잡음비(SNR) < 2 dB 구간에서 신경망은 잡음에 민감하게 반응하는 전통적 STA/LTA보다 월등히 높은 재현율을 보였다. 지속시간 추정에서는 평균 절대 오차가 0.42 s로, 기존 1.18 s 대비 64 % 개선되었다.

이러한 결과는 신경망이 복합적인 시간‑주파수 특징을 학습함으로써, 단순 임계값 기반 검출이 놓치기 쉬운 미세한 진동 패턴을 포착한다는 점을 시사한다. 또한, 훈련에 사용된 레이블이 제한된 전문가 해석에 기반했음에도 불구하고, 모델이 새로운 관측소 데이터에 일반화되는 능력을 보여, 향후 실시간 자동 모니터링 시스템에 적용 가능함을 입증한다. 다만, 모델이 과도한 파라미터 튜닝에 의존한다는 점과, 고주파 노이즈가 강한 환경에서는 추가적인 전처리(예: 웨이브릿 변환)와 결합이 필요할 수 있다는 한계점도 언급된다.