딥러닝으로 잡음 상관관계에서 파동 분산곡선 자동 추출

초록

이 논문은 FTAN으로 만든 주파수‑시간 이미지에서 기본 모드와 1차 오버톤을 픽셀 단위로 구분하는 U‑Net 기반 딥러닝 모델을 제안한다. 합성 데이터로 사전 학습하고 실제 데이터 10%만으로 미세 조정하여 인간 전문가와 거의 동일한 정확도를 달성했으며, 다중 스테이션 입력을 추가해도 성능 향상이 없음을 확인했다.

상세 분석

본 연구는 표면파 분산곡선 추출이라는 전통적인 지진학 문제를 이미지 세그멘테이션 형태로 재구성하고, 최신 딥러닝 기법인 U‑Net을 적용함으로써 자동화 가능성을 입증하였다. 핵심 아이디어는 FTAN(Frequency‑Time Analysis) 결과를 64×64 회색조 이미지로 변환하고, 각 픽셀에 ‘노이즈’, ‘기본 모드’, ‘1차 오버톤’ 중 하나의 라벨을 부여하는 것이다. 이를 위해 저자들은 두 단계의 학습 전략을 채택했다. 첫 번째 단계에서는 10만 개의 합성 데이터셋을 이용해 네트워크가 전반적인 곡선 형태와 노이즈 패턴을 학습하도록 하였으며, 이는 시뮬레이션‑실제(sim2real) 전이 학습의 전형적인 예시이다. 합성 데이터는 1차원 층상 속도 모델을 기반으로 무작위 변동(속도·두께 ±10%)을 주어 생성하고, 주파수·속도에 ±2.5%의 잡음과 랜덤 노이즈를 추가함으로써 현실적인 변이성을 확보했다. 두 번째 단계에서는 실제 Long Beach 데이터셋 중 1,000개의 이미지(90% 학습, 10% 검증)만을 사용해 파인튜닝을 수행하였다. 이때 Adam 옵티마이저와 배치 크기 32를 유지했으며, 검증 손실이 3 epoch 연속 개선되지 않을 경우 학습을 중단하는 조기 종료 전략을 적용했다.

성능 평가는 픽셀 수준의 정밀도와 재현율을 기준으로 이루어졌으며, ‘노이즈’ 클래스에서 99% 이상의 정밀도·재현율을 기록했다. ‘기본 모드’와 ‘1차 오버톤’ 역시 각각 평균 정밀도 99%·98%, 평균 재현율 95%·94%에 달해 인간 전문가가 수행한 라벨링과 거의 구분이 불가능한 수준이었다. 흥미롭게도, 인접 스테이션의 이미지를 K=8까지 결합해 3‑차원 입력(64×64×K)으로 확장했지만, 성능 향상이 통계적으로 유의미하지 않음이 확인되었다. 이는 개별 스테이션 간 신호 변이가 충분히 작아 전역적인 특징 학습이 크게 기여하지 못함을 시사한다. 또한, 순차 모델(Bi‑GRU) 기반 접근법을 시험했지만, 이미지 기반 CNN보다 낮은 정확도를 보였다.

이 논문의 주요 공헌은 (1) 합성 데이터와 소량의 실제 데이터를 결합한 효율적인 전이 학습 파이프라인, (2) 픽셀‑단위 세그멘테이션을 통한 정확한 모드 구분, (3) 다중 스테이션 입력이 반드시 성능을 개선하지 않는다는 실증적 증거다. 이러한 결과는 대규모 배열 데이터에서 인간 작업량을 80% 이상 절감할 수 있음을 의미한다. 향후 연구에서는 더 다양한 지형·지질 환경에 대한 합성 데이터 생성, 고해상도 이미지(예: 128×128) 활용, 그리고 실시간 처리 파이프라인 구축이 기대된다.