딥러닝으로 실시간 지진 위치 추정: 오클라호마 30관측소 네트워크 적용

초록

본 연구는 30개의 지진관측소 데이터를 이용해 완전합성곱신경망(FCN)으로 3차원 위치 확률 영상을 생성한다. 1,013개의 과거 지진을 학습시켜 194개의 테스트 사건을 평균 4.9 km(수평)·1.0 km(깊이) 오차로 자동 위치결정했으며, 처리 시간은 0.01 초 수준이다.

상세 분석

이 논문은 기존의 도착시간 기반 위치추정이 갖는 파라미터 불확실성·속도모델 오류 등을 회피하기 위해 원시 파형 전체를 입력으로 하는 완전합성곱신경망(FCN)을 설계하였다. 입력은 30개 관측소의 3성분(수평·수직) 파형을 RGB 형태로 변환한 3차원 텐서이며, 출력은 연구 영역(위도 34.975°37.493°, 경도 -98.405°-95.527°, 깊이 0~12 km)을 80×128×30 격자로 나눈 3D 확률 이미지이다. 학습 시 정답은 사건 위치를 중심으로 한 가우시안 함수이며, 피크값 1.0이 가장 가능성이 높은 위치를 나타낸다. 가우시안 반경은 실험적으로 최적화했으며, 이는 학습 샘플 수를 크게 줄이는 역할을 한다.

학습은 1,013건의 과거 지진( Mw 3.0~4.9) 데이터를 200 epoch, 배치 4로 진행했으며, 손실은 10 epoch 이후 거의 0에 수렴했다. 테스트에서는 194건의 최신 사건을 동일 네트워크에 투입했으며, 평균 수평 오차 4.9 km, 깊이 오차 1.0 km를 기록했다. 이는 전통적인 수동 위치결정의 지역적 오차 범위와 동등하거나 약간 우수한 수준이다. 특히, 개별 관측소에 잡음이 심하거나 고장이 있더라도 네트워크는 다중 관측소 정보를 종합해 견고한 결과를 도출한다는 점이 강조된다.

또한, 훈련 샘플 수에 따른 성능 변화를 분석한 결과, 약 1,000건 정도면 충분히 안정적인 오차를 얻을 수 있었으며, 샘플 수를 늘릴 경우 추가적인 정확도 향상이 기대된다. 이는 대규모 라벨링이 어려운 지진학 분야에서 데이터 효율성을 크게 개선한다는 의미다.

오류 탐지를 위해 출력 이미지의 피크값을 활용하였다. 연구 영역 밖에서 발생한 Mw 4.0 사건은 피크값 0.5로 낮게 나타났으며, 사전에 설정한 임계값(예: 0.8) 이하인 경우 자동으로 배제한다. 이는 가짜 알람을 억제하고 실시간 모니터링의 신뢰성을 높인다.

마지막으로, 부분 파형(예: 초기 5 s)만을 이용한 조기경보 가능성을 탐색했지만, 기존 전체 파형으로 학습된 모델에 부분 입력을 적용하면 정확도가 급격히 떨어진다. 따라서 조기경보를 위해서는 다양한 윈도우 길이와 시간대별 데이터를 포함한 별도 학습이 필요함을 제시한다.

전반적으로 이 연구는 파형 기반 딥러닝이 전통적 도착시간 역학을 대체하거나 보완할 수 있음을 실증적으로 보여주며, 실시간 지진 위치추정·조기경보 시스템에 적용 가능한 경량화·고속 모델을 제공한다.