分散曲線の自動ピッキング その1

Automatically Extracting Surface‐Wave Group and Phase Velocity Dispersion Curves from Dispersion Spectrograms Using a Convolutional Neural Network | Seismological Research Letters | GeoScienceWorld 

AI要約

研究の背景と目的：
アンビエントノイズトモグラフィー（ANT）は地殻や上部マントルの構造を画像化するために広く用いられているが、その重要なステップの一つが、連続的なアンビエントノイズ記録の相互相関関数から地表波の群速度および位相速度分散曲線を抽出することである。
従来の手法では、手動による抽出は非常に労働集約的で時間がかかる。自動抽出手法も、特に位相速度データにおいては信頼性が低い場合がある。本研究の目的は、これらの課題を解決するため、畳み込みニューラルネットワーク（CNN）を用いた新しい手法「DisperPicker」を提案し、群速度と位相速度の両方の分散曲線を自動的かつ正確に抽出することである。

提案手法「DisperPicker」：
DisperPickerは、CNNと特定の抽出戦略、データ品質管理基準を組み合わせた手法である。CNNの入力は周期-速度ドメインにおけるペアになった群速度および位相速度分散スペクトログラムである。これにより、群速度分散曲線が位相速度分散曲線の抽出を暗黙的にガイドし、位相速度抽出における曖昧さを軽減する。CNNのアーキテクチャは、U-net構造をベースに問題に適応するように簡略化されている。出力としての分散曲線は、ガウス関数を用いて確率画像に変換されている。これにより、CNNの訓練が容易になる。

データセットと訓練：
訓練データには、中国の3つの異なる密な地震アレイ（蘇州市、長寧-昭通、濰坊市）から収集された短周期地表波データが使用された。合計32,404組の群速度および位相速度分散曲線が手動で抽出され、訓練（28,404組）、検証（2000組）、テスト（2000組）に分割された。

結果：
テストセットでの平均損失は1.03であり、過学習がないことが示された。DisperPickerは、従来の自動抽出プログラムAutoPickerと比較して、より多くの分散点を抽出し、群速度と位相速度の両方でより高い精度を示した。特に位相速度の抽出精度が大幅に向上している。DisperPickerで抽出された分散データは、浅層のVSモデルインバージョンにおいても信頼性があることが確認された。

ただし、上記の説明では品質管理基準の具体的な内容や、どのように組み込まれるか（例えば、アルゴリズムや閾値など）については、記載がありません。