지진 조기 경보를 위한 진도 예측 딥러닝

본 연구는 지진 조기 경보(EEW) 시스템에서 빠르고 정확한 규모 예측을 목표로, 기존 파라미터 기반 방법을 대체할 수 있는 딥러닝 모델 EEWNet을 개발하였다. EEWNet은 1‑차원 컨볼루션 신경망(CNN) 구조를 채택하고, 입력 시계열 길이에 따라 은닉층 수와 필터 개수를 자동으로 조정하는 ‘자기 적응형’ 아키텍처를 특징으로 한다. 구체적으로, 입력 길이가 2^N이면 N개의 은닉층을 구성하고, 각 층은 2L+3개의 필터(여기서 L은 층 번호)와 커널 크기 2, 스트라이드 1, ‘same’ 패딩을 사용한다. 풀링은 max‑pooling(크기 2, 스트라이드 2)이며, 마지막 풀링 층 뒤에 드롭아웃(keep prob = 0.5)과 2N+3 차원의 완전 연결층을 배치한다. 활성화 함수는 ReLU, 최적화는 Adam(lr = 1e‑4)으로 설정하고, 배치 크기 200, 에포크 400을 기본값으로 제시한다. 데이터는 일본 KiK‑net 강진 관측망에서 1997년부터 2019년까지 수집된 30 756개의 수직 가속도 기록을 사용하였다. 규모는 4 ~ 9, 진원거리 25 ~ 200 km 범위이며, 모든 기록은 100 Hz로 재샘플링하였다. 품질 관리를 위해 PGA > 2 gal, SNR > 10, 베이스라인 드리프트 및 다중 이벤트 제거 등 엄격한 기준을 적용하였다. 각 기록은 P파 도착 시각과 수평 성분 최대 변위의 로그값(log10 A)으로 라벨링하였다. 데이터는 시간 순서에 따라 훈련(17 717개), 검증(6 106개), 시험(6 933개)으로 분할하였다. EEWNet의 입력은 초기 P파 구간(예: 첫 2.56 s, 256 샘플)이며, 출력은 전체 기록의 수평 성분 최대 변위(log10 A)이다. 이를 기존 일본 기상청(JMA)의 규모 변환식 log10 A = a M + b log10 R + c에 대입해 규모 M을 역산한다. 비교 대상으로는 전통적인 τc, τlog, Pd 파라미터를 이용한 회귀 모델을 동일 데이터셋에 적용하였다. 실험 결과, EEWNet은 τc(σ = 0.82), τlog(σ = 0.77), Pd(σ = 0.68)보다 현저히 낮은 표준편차 σ = 0.40을 기록했으며, ±0.5 M 오차 범위 내 정확도 비율도 46.86 %→84.21 %로 크게 향상되었다. 입력 P파 길이를 64, 128, 512, 1024 샘플(0.64 ~ 10.24 s)로 늘릴수록 σ가 감소하고, 특히 대형 지진(규모 ≥ 7)에서 예측 정확도가 눈에 띄게 개선되었다. 2^N이 아닌 50, 100, 200, 300 샘플에서도 유사한 성능을 유지함으로써 구조의 유연성을 검증하였다. EEWNet의 주요 장점은 (1) 전처리 없이 원시 수직 가속도만으로 학습이 가능해 실시간 적용이 용이하고, (2) 입력 길이에 따라 자동으로 네트워크 구조를 조정해 하이퍼파라미터 튜닝 부담을 크게 감소시킨다. 또한, 10 000여 개 수준의 중간 규모 데이터셋만으로도 높은 정확도를 달성함으로써, 대규모 라벨링 데이터가 부족한 지진학 분야에서 딥러닝 활용 가능성을 제시한다. 하지만 몇 가지 한계점도 존재한다. 첫째, 수직 가속도만을 사용함으로써 수평 성분의 정보를 활용하지 못한다는 점이다. 둘째, 데이터가 일본 지역에 국한돼 있어 다른 지진대(예: 미국 서부, 인도네시아)에서의 일반화 여부가 검증되지 않았다. 셋째, 노이즈에 민감할 수 있는 원시 데이터 사용은 실제 운영 환경에서 잡음 억제 기법과의 조합이 필요하다. 향후 연구 방향으로는 (1) 수평·수직 3채널 데이터를 동시에 입력해 다중 스케일 특징을 학습, (2) 잡음 강인성을 높이기 위한 데이터 증강 및 정규화 기법 도입, (3) 다양한 지진대와 관측망에 대한 교차 검증을 통해 모델의 보편성을 확보, (4) 실시간 EEW 시스템에 통합해 P파 도착 후 지속적인 규모 업데이트와 경보 발송을 자동화하는 파이프라인 구축이 제시된다. 이러한 발전을 통해 EEWNet은 기존 파라미터 기반 방법을 뛰어넘는 차세대 조기 경보 솔루션으로 자리매김할 가능성이 크다.