미국 지질조사국은 4초 간격의 P파 변형률 데이터를 사용하여 중규모에서 강진을 신속하게 분류하는 DAS 지진 조기 경보 모델을 제안했습니다.

지진 발생 후, 전파 속도가 빠른 P파가 먼저 도달하고, 그 뒤를 이어 더 파괴적인 S파와 표면파가 도달합니다. 지진 조기 경보 시스템은 이러한 시간 차이를 이용하여 강한 진동이 도달하기 전에 경보를 발령합니다. 경보 발령 시간은 일반적으로 몇 초에서 수십 초에 불과하지만, 이 시간 동안 주민 대피, 철도 운행 속도 감속, 중요 시설 폐쇄 등의 조치를 취할 수 있어 지진 피해를 줄이는 데 중요한 역할을 합니다.

미국의 셰이크얼러트(ShakeAlert)와 같은 기존 시스템은 주로 지진 신호를 포착하고 진앙 위치와 규모를 추정하기 위해 전용 지진 관측소에 의존합니다. 이러한 방식은 지상 지진 관측망이 촘촘하게 구축된 지역에서는 비교적 성숙했지만, 캐스케이디아 섭입대와 같은 위험도가 높은 연안 지역에서는 상당한 한계에 직면합니다. 해저 관측소 건설 및 유지 관리 비용이 높고 실시간 통신이 어렵기 때문에 일부 연안 지역에서는 효과적인 모니터링이 장기간 이루어지지 못하고 있습니다. 이러한 관측 공백은 연안 지역의 경보 시간을 단축시킬 뿐만 아니라 진앙 위치 추정의 정확도를 떨어뜨려 규모 추정에도 영향을 미칠 수 있습니다.

분산 음향 감지(DAS)는 이러한 격차를 해소할 수 있는 새로운 가능성을 제시합니다. DAS는 기존 통신 광케이블을 활용하여 일반 광섬유를 연속적으로 분포된 변형 감지 어레이로 변환함으로써 고밀도 지진파 관측을 얻을 수 있습니다.하지만 광케이블은 대부분 직선으로 설치되기 때문에 방위각 정보가 제한적이며 진앙을 안정적으로 찾는 데 어려움이 있습니다. 또한 DAS는 변형률 또는 변형률 속도를 기록하는데, 이는 기존 지진계가 기록하는 속도, 가속도 및 변위와는 다릅니다.

이러한 문제들을 해결하기 위해 미국 지질조사국의 연구팀은 "먼저 지진의 위치를 파악한 후 규모를 추정하는" 전통적인 접근 방식을 벗어나 기계 학습 기반의 이진 규모 분류 방법을 제안했습니다.이 방법은 P파의 첫 도달 후 4초 이내의 변형률 파형만을 사용하여 진폭 및 다중 대역 웨이블릿 특성을 활용해 지진이 규모 5.4의 경보 기준에 도달했는지 여부를 신속하게 판단합니다.이 모델은 과거 시추공 변형률 게이지 데이터를 사용하여 훈련되었으며, 2024년 케이프 멘도시노 해안에서 발생한 규모 7.0 지진을 포함한 독립적인 DAS 데이터를 통해 검증되었습니다. 이는 DAS가 연안 지진 조기 경보에 참여할 수 있는 새로운 실현 가능한 방안을 제시합니다.

"시추공 변형계와 분산 음향 감지를 이용한 P파 변형률의 신속한 지진 규모 분류"라는 제목의 관련 연구 결과가 Nature Communications에 게재되었습니다.

논문 보기:
https://www.nature.com/articles/s41467-026-72223-z

데이터셋: 시추공 변형률과 분산 음향 감지를 융합한 지진파형 기록

본 연구에서는 두 가지 유형의 변형률 데이터를 사용합니다. 그중에서,시추공 변형률 게이지 데이터는 모델 학습 및 내부 테스트에 사용되는 반면, 분산 음향 감지(DAS) 데이터는 통신 광섬유 케이블 시나리오에서 모델의 적용 가능성을 검증하는 데 사용됩니다.

본 연구에서는 지진 활동이 활발한 캘리포니아의 멘도시노 트라이어드 포인트, 나파 밸리, 리지크레스트 지역을 대상으로 EarthScope 오픈소스 관측 네트워크에서 시추공 변형률 게이지 데이터를 수집했습니다. 데이터에는 2008년부터 2022년까지 7개 관측소에서 수집된 관측 기록이 포함되어 있습니다. 각 관측소는 20Hz의 샘플링 속도와 4개의 수평 변형률 채널을 갖추고 있습니다. 필터링, 수동 P파 추출 및 품질 검사를 거쳐 최종적으로 규모 3.5~7.1의 지진 453건에 해당하는 1949개의 유효 파형을 얻었습니다. 규모 5.4 이상의 파형은 약 51개의 TP3T에 불과하여 표본 분포가 상당히 불균등함을 보여줍니다.

모델링에 사용된 파형 창은 P파 도달 10초 전부터 도달 4초 후까지였습니다. 2024년 12월 5일 멘도시노 곶 앞바다에서 발생한 규모 7.0 지진의 데이터는 학습에는 사용되지 않았지만 독립적인 테스트 샘플로 보관되었습니다. DAS 데이터는 캘리포니아 험볼트 카운티에 위치한 아카타-유레카 광섬유 케이블 어레이에서 수집되었습니다. 이 케이블은 길이가 약 15km이며 캐스케이디아 섭입대 남쪽 부근에 위치해 있습니다. 여러 단계에 걸쳐 데이터 수집 매개변수를 표준화한 후, 케이블 반경 100km 이내에서 규모 3.5 이상의 지진 25개를 기록했습니다. P파는 PhaseNet-DAS 모델에 의해 자동으로 검출되었고, 수동 검사를 통해 보정되었습니다.

전처리가 완료되면,본 연구에서는 각 파형에서 127개의 특징을 추출했습니다.최대 변형률 및 진폭 범위와 같은 시간 영역 지표 외에도 연속 웨이블릿 변환을 사용하여 시간-주파수 정보를 추출했습니다. 본 연구에서는 0.2-0.5Hz, 0.5-2.0Hz, 2.0-5.0Hz의 세 가지 주파수 대역을 분석했습니다. 상관관계 검사를 거쳐 1차 모델 학습에 56개의 특징을 사용했습니다.

XGBoost 이진 분류기는 초기 P파를 이용하여 중강도 이상의 지진을 식별합니다.

본 연구에서는 XGBoost 그래디언트 부스팅 트리를 사용하여 이진 분류 모델을 구축합니다.이 모델은 변형 파형이 규모 5.4 이상의 지진에서 발생한 것인지 판단합니다. 특정 규모를 직접 추정하는 대신, 조기 경보 시스템에 가장 중요한 문제인 지진이 경보 발령이 필요한 규모에 도달했는지 여부에 초점을 맞춥니다. XGBoost는 여러 개의 결정 트리를 사용하여 예측 오류를 점진적으로 수정하며, 진폭, 주파수, 시간-주파수 변화와 같은 특징을 동시에 처리하고 지진 규모와의 비선형 관계를 파악합니다. 또한 정규화 메커니즘을 통해 표본 크기가 작을 때 과적합 위험을 줄입니다.

규모 5.4 이상의 파형은 전체 샘플 중 51개의 TP3T만 차지하므로 모델 학습에 심각한 클래스 불균형이 발생합니다. 모델이 작은 지진을 지나치게 선호하는 것을 방지하기 위해,본 연구에서는 중강도 지진 샘플에 대한 훈련 가중치를 높이고 이변량 로그 손실 함수를 사용하여 최적화했습니다.경미한 지진이 위험한 대지진으로 오인되는 사례를 줄이는 데 초점을 맞춰야 합니다.

데이터는 70% 규모의 훈련 세트와 30% 규모의 테스트 세트로 나뉘지만, 전체 지진 이벤트 단위로 제공됩니다. 동일한 지진으로 발생한 모든 파형은 훈련 및 테스트 단계에 유사한 데이터가 나타나는 것을 방지하기 위해 하나의 세트에만 포함될 수 있습니다.또한, 이 연구는 훈련 세트에 포함된 대규모 지진 샘플 수에 제약을 두었고, 약 2,000개의 무작위 분할 중에서 해당 기준을 충족하는 50개의 독립적인 모델을 선택했습니다.이는 단일 파티션으로 인해 발생하는 무작위성을 줄이기 위한 것입니다.

초기 학습에는 56개의 특징이 사용되었으며, K-겹 교차 검증과 그리드 탐색을 통해 모델 매개변수를 결정했습니다. 이후, Shapley 가산 해석(SHAP) 방법을 이용하여 각 특징이 예측 결과에 미치는 영향을 평가했습니다. 분석 결과, 모델의 주요 판별 정보는 상위 6개 특징에 집중되어 있는 것으로 나타났습니다.

일부 특징들의 높은 상관관계를 고려하여, 본 연구에서는 중복 정보를 추가적으로 제거하고 최종적으로 세 가지 핵심 특징, 즉 0.2~0.5Hz 대역에서 3차 가우시안 웨이블릿 계수의 최댓값, 0.5~2.0Hz 대역에서 1차 가우시안 웨이블릿 계수의 범위, 그리고 P파 도달 후 4초 이내의 최대 변형률 진폭을 유지하였다. 이 세 가지 특징은 각각 저주파 에너지, 중고주파 변동 진폭, 그리고 변형률 강도를 반영한다. 이러한 특징들 간의 낮은 상관관계는 주요 판별 정보를 보존하고 모델의 예측 근거를 더욱 명확하게 한다.

핵심 특징을 파악한 후, 모델의 재학습을 연구하고 다양한 학습 에포크에서 재현율, 정밀도 및 F1 점수를 비교했습니다.그 결과, 500회 훈련 후 모든 지표가 기본적으로 안정화된 것으로 나타났습니다.따라서 데이터 분할 및 무작위 학습으로 인한 변동을 줄이기 위해 최종 성능은 500개 모델의 평균 결과로 산출했습니다.

해당 모델은 시추공 변형률 게이지 데이터에서 81%의 재현율과 79%의 정밀도를 달성했습니다.

다음으로 연구진은 모델 분류 능력, ShakeAlert와의 참조 비교, DAS 기기 간 검증 및 정적 변형 분석의 네 가지 영역에서 실험을 수행했습니다.

첫 번째,시추공 변형률 게이지 데이터를 기반으로 한 모델의 전체 정확도는 96%에 도달했습니다.그러나 표본에서 경미한 지진이 951 TP3T를 차지하므로 이 지표는 과대평가될 가능성이 있습니다. 재현율, 정밀도 및 F1 점수가 더 의미 있는 지표입니다. 500개 모델의 평균 재현율은 811 TP3T, 평균 정밀도는 791 TP3T, F1 점수는 781 TP3T였습니다. 이는 모델이 중강도 지진의 80% 이상을 식별할 수 있으며, 오경보와 미경보 간의 분포가 비교적 균형 잡혀 있음을 나타냅니다.

둘째로, 본 연구는 ShakeAlert의 과거 결과와 본 모델을 후향적으로 비교했습니다. 두 모델은 서로 다른 조건에서 작동합니다. 본 논문의 모델은 단일 변형률 게이지의 데이터만 사용하며 진앙 위치 정보가 필요하지 않습니다. 반면 ShakeAlert는 최소 4개의 지진 관측소 데이터를 기반으로 하며 실시간 지진 감지, 위치 파악 및 규모 추정이 필요합니다. 따라서 비교 결과는 참고 자료로만 활용해야 합니다.

2021년에서 2024년 사이에 캘리포니아 경보 구역에서 기록된 규모 4.5 이상의 지진 55건 중, ShakeAlert는 이 중 3건을 모두 규모 5.4 이상으로 식별했으며, 재현 기간은 1001 TP3T이지만 정밀도는 301 TP3T에 불과합니다.해당 모델은 81%의 재현율과 79%의 정밀도를 달성했습니다.이는 ShakeAlert가 오탐(false negative) 방지에 더 중점을 두는 반면, 본 논문에서 제시된 모델은 오탐(false positive) 감소에 더 나은 성능을 보인다는 것을 나타냅니다.

세 번째 실험에서는 모델을 DAS 데이터에 적용할 수 있는지 여부를 검증했습니다. 이 연구에서는 15km 길이의 광케이블을 세 구간으로 나누고 각 구간의 유효 채널 특성 평균과 표준 편차를 추출했습니다. 결과는 DAS와 시추공 변형률 게이지가 설치 조건, 지반 효과, 주파수 응답 측면에서 차이가 있음에도 불구하고, 핵심 특성이 크기에 따라 기본적으로 일관된 경향을 보였으며, 지역적 차이는 뚜렷하게 나타나지 않았음을 보여주었습니다.

2024년 멘도시노 곶 앞바다에서 발생한 규모 7.0 지진은 모델 학습에 사용되지 않았습니다. 하지만 500개의 모든 모델은 해당 지진의 시추공 변형률 게이지 파형을 규모 5.4 이상으로 정확하게 식별했습니다. 3개의 DAS 광섬유 케이블의 특징을 모델에 입력한 후, 평균 재현율은 961 TP3T에 도달했습니다. 이 결과는 시추공 변형률 게이지를 기반으로 학습된 모델이 일정 수준의 장치 간 전이성을 가지고 있음을 보여줍니다.

규모 7.0 지진과 규모 4.8 지진을 추가적으로 비교한 결과, 두 지진 모두 초기 P파 단계에서 유사한 변형 진폭을 보였다. 그러나 규모 7.0 지진은 0.2~0.5Hz 주파수 대역에서 훨씬 더 강한 에너지와 더 긴 지속 시간을 나타냈다. 이는 저주파 특성이 대지진의 장기간에 걸친 파열 과정을 더욱 효과적으로 반영하며, 규모 분류 모델을 완성하는 데 중요한 기초 자료가 될 수 있음을 시사한다.

또한,**또한 이 연구는 정적 변형률 변화가 있는 근거리 지진파형 14개를 식별했습니다.**P파 도달 후 4초 이내에 관찰된 최대 변형률은 일반적으로 기존의 규모-진폭 관계를 이용한 예측값보다 낮았습니다. 이는 단기적인 동적 진폭에만 의존할 경우 일부 규모가 큰 근거리 지진을 과소평가할 수 있음을 시사합니다. 향후 모델에서 동적 P파 특성과 정적 변형률을 결합하면 지진 식별 능력을 더욱 향상시킬 수 있을 것입니다.

마지막 말

전반적으로, 본 연구는 DAS를 사용하여 기존의 지진 조기 경보 과정을 완전히 재현하려는 것이 아니라, 광케이블의 형태에 쉽게 영향을 받는 진앙 위치 파악 단계를 생략하고 P파 도달 후 4초 이내의 변형 특성을 직접 사용하여 지진이 경보 임계값에 도달했는지 여부를 판단하는 방식으로 DAS 사용 방식을 재설계했습니다.

이 방법은 관측소 수, 광섬유 케이블 방향, 정확한 진원 위치에 대한 의존도를 줄이고, DAS와 기존 지진계에서 관측되는 물리량의 차이로 인해 발생하는 규모 추정의 어려움을 부분적으로 해결합니다. 모델 재현율 개선의 여지가 여전히 남아 있고, 현재까지 검증은 주로 육상 DAS 데이터를 기반으로 수행되었지만, 이 연구는 변형률 파형의 저주파 및 진폭 정보를 활용하여 중강도 지진을 신속하게 식별할 수 있음을 보여주었습니다.

해저 통신 광케이블의 추가 개통, DAS 장비 비용 절감, 해양 관측 데이터 축적에 따라 DAS는 기존 지진 관측망을 보완하는 중요한 역할을 할 것으로 기대된다. 특히 연안 관측소가 부족하고 해안 인구가 밀집된 캐스케이디아 섭입대와 같은 고위험 지역에서는 DAS가 최전선 감시망으로서 잠재적인 대지진을 조기에 감지하고 해안 지역에 추가적인 경보 시간을 제공하는 데 기여할 수 있을 것이다.