[논문리뷰] Machine Learning Can Predict the Timing and Size of Analog Earthquakes

Abstract

본 보고서는 실험실에서 임의적으로 만든 지진과 관련된 모습을 머신러닝을 활용하여 예측하는 연구를 다룬다. 실험실에서 생성된 지진의 파형이 미래 지진을 예측하는데 어떻게 활용될 수 있는지에 대한 움직임에 대한 논문

 

최근의 연구 중에서 부경대학교 연구원이 2020년에 발표한 논문에서는 기계학습을 활용하여 지진 취약성을 평가하고 매핑하는 방법을 소개했음. 특히, 9.12 경주지진을 대상으로 한 이 연구는 지진 발생 시 건축물의 취약성을 사전에 예측하고 평가하는 데 주목할 만한 성과를 이루어냈음. 이와 비슷한 류의 논문으로 파악

 

Introduction:
최근 거대 지진의 발생 빈도가 증가하고 있는 가운데, 실험실에서는 일부 지진들이 예측이 어려운 경우도 있다. 특히, 2011년의 일본 대지진과 같은 거대 지진은 실험실에서는 예측이 어려운 부분으로 남아있다. 그러나 다른 지역의 지진은 측지학자들이 판이 각각 들어오고 나가는 비율을 측정하면서 상당히 잘 예측할 수 있는 경우도 있다. 대륙 표면 속도는 거대 지진을 예측하는데 유용한 지표 중 하나로 알려져 있다.

The State of the Art: Inferring the Pattern of Future Earthquakes Using Interseismic Coupling:
Megathrust 지진은 강도 9 이상으로 침입대에서 발생하는 경우가 많다고 합니다. 측지학자들은 지진의 결합 부분을 식별함으로써 거대 지진의 패턴을 추론하고 있다.

New Analog Models of Megathrust Earthquakes:

a) 기본적인 세팅. 청색 두 직사각형이 진동이 발현되는 두 공간을 의미. 서로 다른 속도로 발현.

b)c) 별표에서 두 가지 영향에 따른 발현 모습을 보여줌.

d) d에 있는 여러 흰색 점에서 지진에 관련된 점이 체크가 되어지고, 파란색 점들은 머신러닝에 실질적으로 이용된 target station을 의미함.

본 연구에서는 실험실에서 인공적으로 지진을 만들어내는 방식에 대해 소개하고 있다. 실험실에서의 기본적인 설정과 서로 다른 속도로 발현되는 두 공간의 진동 모습을 보여주며, 이 중 일부는 머신러닝 모델의 학습 데이터로 활용되었다.

Machine Learning Predicts the Timing and Size of Laboratory Earthquakes:
GBRT를 활용한 머신러닝 방법을 소개한 이 연구에서는 실험실에서의 지진 발생 시기와 규모를 예측했다. 94개의 지진에 영향을 미치는 특징들을 이용하여 학습하고, R^2로 평가한 결과, 일정한 실험 횟수에서 가장 효과적인 모델이 도출되었다.

 

• 총 40번의 실험을 통해서 데이터를 얻어냈고, 2~35번의 실험을 train데이터로 이용해서 가장 나은 효율을 보여주는 횟수를 train set의 개수로 이용함.  (위 실험에선 n = 10에서 가장 높은 효율을 보였고, R^2 = 0.3 정도를 보여줬음.)
• 더 나은 관찰을 위해서 추가적 제한 포함. 9개의 타겟 포인트에 대해서 개개별로 GBRT 모델을 적합시킴. (전체 9개의 포인트를 각각 적합 시키기보단, 하나에 대해서 각각 적합해서 예측해준 방식이 더욱 정확하게 나타냈다고 말해줌)

머신러닝 결과물:
실험실에서의 머신러닝 결과는 관측치와 예측치의 비교를 통해 나타냈다. RRMSE 값을 통해 예측 품질을 측정하였고, 주어진 위치에서 다가오는 이벤트의 예측을 시각적으로 표현하였다.

1. 빨간색 – 관측, 파란색 – 예측치.  수평선은 RRMSE값의 평균을 의미함. Dark blue는 잘 적합되었다는 것을 의미함.
2. 파랑색 음영 – 주어진 위치에 다가오는 이벤트의 예측을 강조 표시, 빨간색 사각형 – 관측된 유도 지진의 시공간 분포를 의미.
3. b에서 예상한 것을 길게 나타낸 방식을 의미.

Identifying Diagnostic Features in Geodetic Time Series:
마지막으로, 지진 예측에서 중요한 변수로 나타난 15개의 상위 피쳐들에 대한 언급이 있다. Cumulative displacement에 대한 논문 내용을 기반으로 어떤 변수가 중요한 역할을 하는지에 대한 추가 정보를 찾을 수 있을 것이다.

 

결론:
이 연구를 종합하면, 기계학습을 활용한 지진 예측 기술은 현재와 미래의 지진 예방 및 대응에 큰 기여를 할 것으로 기대됩니다. 실험실에서의 머신러닝을 통한 지진 예측은 더 나은 이해와 미래 지진의 예측을 위한 중요한 도구로 자리매김할 것입니다.