[논문]그래프 합성곱 신경망을 이용한 다중 관측소 기반 지진 이벤트 분류

김관태; 구본화; 고한석

doi:10.7776/ask.2020.39.6.615

그래프 합성곱 신경망을 이용한 다중 관측소 기반 지진 이벤트 분류
Multi-site based earthquake event classification using graph convolution networks 원문보기

한국음향학회지= The journal of the acoustical society of Korea, v.39 no.6, 2020년, pp.615 - 621

김관태 (고려대학교 전기전자공학부) , 구본화 (고려대학교 전기전자공학부) , 고한석 (고려대학교 전기전자공학부)

초록
AI-Helper

본 논문은 다중 관측소에서 측정된 지진 신호를 이용한 그래프 합성곱 신경망 기반 지진 이벤트 분류 방법을 제안한다. 기존의 딥러닝 기반 지진 이벤트 분류 방법은 대부분 단일 관측소에서 측정된 신호로부터 지진 이벤트를 분류한다. 지진 관측망에는 수많은 지진 관측소가 존재하며 하나의 관측소만 사용하는 방법보다 여러 관측소의 정보를 동시에 활용하는 방법이 지진 이벤트 분류 성능 향상을 이끌 수 있다. 본 논문에서는 단일 관측소에서 측정된 지진 신호들에 합성곱 신경망을 적용해 임베딩 특징을 추출한 후 그래프 합성곱 신경망을 이용해 단일 관측소들 사이의 정보를 융합하는 다중 관측소 기반 지진 이벤트 분류 구조를 제안한다. 관측소의 개수 변화 등 다양한 실험을 통해 제안한 모델의 성능 검증을 수행하였으며 실험 결과 제안하는 모델이 단일 관측소 기반 분류 모델보다 약 10 % 이상의 정확도와 이벤트 재현율 성능 향상을 보여주었다.

Abstract ▼ AI-Helper

In this paper, we propose a multi-site based earthquake event classification method using graph convolution networks. In the traditional earthquake event classification methods using deep learning, they used single-site observation to estimate seismic event class. However, to achieve robust and accurate earthquake event classification on the seismic observation network, the method using the information from the multi-site observations is needed, instead of using only single-site data. Firstly, our proposed model employs convolution neural networks to extract informative embedding features from the single-site observation. Secondly, graph convolution networks are used to integrate the features from several stations. To evaluate our model, we explore the model structure and the number of stations for ablation study. Finally, our multi-site based model outperforms up to 10 % accuracy and event recall rate compared to single-site based model.

주제어

표/그림 (10)

그림 Fig. 1. The proposed network architecture for the multi-site earthquake event classification.
그림 Fig. 2. Convolution neural networks model structure.
그림 Fig. 3. Graph convolution networks.
그림 Fig. 4. Location of the stations on the seismic obser-vation network.
그림 Fig. 5. Data acquisition.
그림 Fig. 6. Data sample.
표 Table 1. The number of data.
표 Table 2. Performance comparison (w.r.t model struc-ture).
표 Table 3. Performance comparison of GCN model (w.r.t the number of stations).
표 Table 4. Performance comparison of GCN model (w.r.t input length).

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 그래프 합성곱 신경망^[7]을 이용한 다중 관측소 기반 지진 이벤트 분류 방법을 제안한다. 모델은 크게 3가지 단계로 구성된다.
본 논문에서는 그래프 합성곱 신경망을 이용한 다중 관측소 기반 지진 이벤트 분류 모델을 제안하였다. 단일 관측소에서 분류에 적합한 특징을 추출하기 위해 합성곱 신경망을 이용하였고, 다중 관측소의 특징들을 융합하기 위해 그래프 합성곱 신경망을 이용하였다.

가설 설정

은 그래프 형태의 입력값을 학습시키는 데 적합한 딥러닝 모델 구조이다. 그래프의 모든 노드가 같은 차원의 특징 벡터를 가지고 있고, 임의의 간선으로 연결되어 있다고 가정한다. 이제 l번째 층의 1번 노드의 입력 특징 벡터를 #라 정의하고, 2, 3, 5번 노드가 1번 노드와 간선으로 연결되었다고 한다면, l번째 층의 1번 노드의 출력 특징 벡터는 다음과 같이 계산된다.

제안 방법

단일 관측소에서 각각 합성곱 신경망을 통과한 벡터 형태의 특징들을 관측소 노드의 특징 벡터로 설정하고, 모든 노드가 간선으로 연결된 그래프를 생성하였다. 간선으로 연결된 노드끼리 정보 공유가 일어나기 때문에 최대한 많은 간선으로 연결하여 다중 관측소의 특징을 융합하는 것에 초점을 두고 모델을 구성하였다. 첫 번째 그래프 합성곱 층의 입력 특징 벡터 크기는 합성곱 신경망의 출력 크기에 의존하며 모든 은닉층 특징 벡터 크기는 64로 설정하였다.
개별 관측소의 임베딩 특징을 추출하기 위해 본 논문에서는 Fig. 2와 같은 합성곱 신경망 모델 구조를 제안한다. 합성곱 신경망의 입력 특징은 하나의 관측소에서 측정된 129×119×3 크기의 정규화된 스펙트로그램이다.
마지막으로, 입력값의 길이에 따른 실험 결과를 Table 4에 정리하였다. 관측소 개수가 3개일 때 입력 값의 길이를 5 s, 10 s, 30 s로 변화시켜가며 실험을 진행하였다. 실험 결과를 통해 입력값의 길이가 증가할수록 정확도와 재현율 모두 향상되는 것을 확인하였다.
제안하는 모델의 유용성을 확인하기 위해 2016년~2019년 대한민국에서 발생한 지진 이벤트 데이터를 활용하여 모델을 학습 및 테스트하였다. 단일 관측소 기반 최신 지진 이벤트 분류 모델과의 성능 비교를 통해 제안된 모델의 우수성 및 효용성을 검증한다.
제안하는 모델에서는 5개의 그래프 합성곱 층을 사용했다. 단일 관측소에서 각각 합성곱 신경망을 통과한 벡터 형태의 특징들을 관측소 노드의 특징 벡터로 설정하고, 모든 노드가 간선으로 연결된 그래프를 생성하였다. 간선으로 연결된 노드끼리 정보 공유가 일어나기 때문에 최대한 많은 간선으로 연결하여 다중 관측소의 특징을 융합하는 것에 초점을 두고 모델을 구성하였다.
본 논문에서는 그래프 합성곱 신경망을 이용한 다중 관측소 기반 지진 이벤트 분류 모델을 제안하였다. 단일 관측소에서 분류에 적합한 특징을 추출하기 위해 합성곱 신경망을 이용하였고, 다중 관측소의 특징들을 융합하기 위해 그래프 합성곱 신경망을 이용하였다. 제안하는 모델이 여러 관측소의 정보를 효과적으로 다룰 수 있는지 확인하기 위해 모델 구조와 관측소 개수, 입력값의 시간을 변화시켜가며 실험을 진행하였다.
제안하는 모델에서 합성곱 신경망은 단일 관측소에서의 임베딩 특징을 추출하는 것이 목적이기 때문에, 입력 관측소의 순서에 상관없이 같은 가중치를 이용하는 것이 모델의 일반화에 유리하다. 따라서, 가중치 공유를 사용하는 구조를 적용하였다.
변환된 단일 관측소 입력은 합성곱 신경망을 통해 임베딩 특징을 추출하며, 각각의 관측소에서 추출된 임베딩 특징들은 그래프 합성곱 신경망을 통해 융합하는 과정을 거친다. 마지막으로, 다중 관측소로부터 얻은 특징을 완전 연결 신경망에 통과하여 최종 이벤트 분류 결과를 도출한다.
모델의 성능을 측정하기 위한 지표로 정확도와 이벤트에 대한 재현율을 이용했다. 잡음을 포함한 전체적인 이벤트 분류 성능을 정확도를 사용하여 측정하였고, 지진이 발생했을 때 해당 지진을 정확하게 분류했는지 확인하기 위해 이벤트에 대한 재현율을 사용해 측정하였다.
스펙트로그램은 신호의 주파수 특성에 따라 다양한 범위의 값을 가지게 되므로 스펙트로그램 프레임 전체의 최대값으로 나누어 주는 과정을 통해 스펙트로그램 데이터의 범위를 제한하게 된다. 본 논문에서는 스펙트로그램의 푸리에 변환 nfft를 256으로 설정하였으며, 윈도우 함수 크기를 100 ms로 설정하고 50 ms만큼 이동하며 주파수 변환을 수행한 다음 크기 스펙트로그램을 입력 특징으로 사용하였다.
잡음 데이터는 지진이 없는 날짜를 선택하여 해당 날짜에 측정된 신호를 무작위로 잘라서 구성하였다. 이벤트 데이터의 경우 신호를 자르는 시점을 결정해줘야 하는데, 본 논문에서는 Fig. 5와 같이 가장 먼저 지진 신호가 관측된 관측소의 P파 도착 시간을 기준으로 이벤트 데이터를 잘랐다. 2016년, 2017년, 2019년 데이터는 학습 데이터로 활용했으며, 2018년 데이터는 테스트 데이터로 사용하여 학습 데이터와 테스트 데이터가 중복되지 않도록 구분하였다.
생성된 지진 관측소 목록에서 N개의 관측소를 시간 순서대로 선택하여 다중 관측소 지진 데이터를 구성하였다. 잡음 데이터는 지진이 없는 날짜를 선택하여 해당 날짜에 측정된 신호를 무작위로 잘라서 구성하였다. 이벤트 데이터의 경우 신호를 자르는 시점을 결정해줘야 하는데, 본 논문에서는 Fig.
모델의 성능을 측정하기 위한 지표로 정확도와 이벤트에 대한 재현율을 이용했다. 잡음을 포함한 전체적인 이벤트 분류 성능을 정확도를 사용하여 측정하였고, 지진이 발생했을 때 해당 지진을 정확하게 분류했는지 확인하기 위해 이벤트에 대한 재현율을 사용해 측정하였다. 각 지표의 계산법은 아래와 같다.
그래프 합성곱 신경망은 자신의 입력 특징 벡터뿐 아니라 간선으로 연결된 노드의 입력 특징 벡터와도 가중치를 계산하여 특징을 학습하기 때문에, 다중 관측소의 정보 융합에 적합하다. 제안하는 모델에서는 5개의 그래프 합성곱 층을 사용했다. 단일 관측소에서 각각 합성곱 신경망을 통과한 벡터 형태의 특징들을 관측소 노드의 특징 벡터로 설정하고, 모든 노드가 간선으로 연결된 그래프를 생성하였다.
분류기에서는 완전 연결 층을 이용하여 그래프 합성곱 신경망으로부터 얻은 다중 관측소에 대한 특징 벡터에서 지진 이벤트 범주를 예측한다. 제안하는 모델에서는 총 3개의 완전 연결 층을 사용하였고, 각각 128차원, 64차원, 3차원의 크기를 가지며, 마지막 층을 제외하고 ReLU 활성화 함수를 사용하였다.
단일 관측소에서 분류에 적합한 특징을 추출하기 위해 합성곱 신경망을 이용하였고, 다중 관측소의 특징들을 융합하기 위해 그래프 합성곱 신경망을 이용하였다. 제안하는 모델이 여러 관측소의 정보를 효과적으로 다룰 수 있는지 확인하기 위해 모델 구조와 관측소 개수, 입력값의 시간을 변화시켜가며 실험을 진행하였다. 그 결과, 같은 양의 정보가 들어왔을 때 다른 모델에 비해 2 % 이상의 분류 성능 향상을 보였으며, 더 많은 정보가 들어왔을 때 더 좋은 분류 성능을 도출하는 것을 확인하여 모델의 타당성을 입증하였다.

대상 데이터

5와 같이 가장 먼저 지진 신호가 관측된 관측소의 P파 도착 시간을 기준으로 이벤트 데이터를 잘랐다. 2016년, 2017년, 2019년 데이터는 학습 데이터로 활용했으며, 2018년 데이터는 테스트 데이터로 사용하여 학습 데이터와 테스트 데이터가 중복되지 않도록 구분하였다. 연도별 데이터 개수는 Table 1에서 설명하고, Fig.
모델 학습과 테스트를 위해 대한민국 전역에서 발생한 2016년 01월 ~ 2019년 12월 지진 이벤트 데이터를 사용하였다. 지진 관측망의 관측소 분포는 Fig.
5와 같이 지진 이벤트가 발생하면 전문가의 분석을 통해 지진 신호가 잘 측정된 관측소들을 모은 지진 관측소 목록을 구성한다. 생성된 지진 관측소 목록에서 N개의 관측소를 시간 순서대로 선택하여 다중 관측소 지진 데이터를 구성하였다. 잡음 데이터는 지진이 없는 날짜를 선택하여 해당 날짜에 측정된 신호를 무작위로 잘라서 구성하였다.
g(*)는 윈도우 함수를 뜻한다. 스펙트로그램은 크기와 위상 정보를 가지고 있으나 본 논문에서는 크기 스펙트로그램 데이터만을 사용한다. 스펙트로그램 데이터를 딥러닝 모델의 입력값으로 사용하기 위해 일반적으로 정규화하는 과정을 거친다.
여기서 L은 데이터 x의 샘플 개수, y는 정규화된 신호를 의미한다. 원시 지진 신호의 샘플링 주파수는 100 Hz이고, L = 3000으로 설정하여 30 s 길이의 원시 지진 신호를 사용하였다.
에 표현하였다. 이벤트 데이터는 기상청에서 제공한 지진 이벤트 분석 파일을 활용하여 자연지진과 인공지진으로 데이터를 구성하였다. Fig.
모든 모델은 하나의 손실 함수로 동시에 학습되며 가중치 공유를 활용하여 다중 관측소에 대한 일반화 성능 향상 및 적은 컴퓨터 자원 소모를 도모한다. 제안하는 모델의 유용성을 확인하기 위해 2016년~2019년 대한민국에서 발생한 지진 이벤트 데이터를 활용하여 모델을 학습 및 테스트하였다. 단일 관측소 기반 최신 지진 이벤트 분류 모델과의 성능 비교를 통해 제안된 모델의 우수성 및 효용성을 검증한다.

데이터처리

제안한 모델의 우수성 및 효용성을 검증하기 위해 본 논문에서는 아래와 같은 실험 데이터 및 성능 측정 지표를 구성하였으며 기존 방법과의 비교 분석을 수행하였다.

이론/모형

1과 같다. 먼저, 다중 관측소에서 측정된 파형 신호들에 Short Time Fourier Transform(STFT)을 사용하여 주파수-시간 공간의 특징 입력으로 변환된다. 변환된 단일 관측소 입력은 합성곱 신경망을 통해 임베딩 특징을 추출하며, 각각의 관측소에서 추출된 임베딩 특징들은 그래프 합성곱 신경망을 통해 융합하는 과정을 거친다.
모델의 모든 가중치는 end-to-end 방식으로 학습된다. 모델의 손실 함수는 정답 범주와 예측 범주 사이의 Cross-Entropy 손실 함수로 계산된다.
0001로 설정하였다. 모든 모델은 100 epoch 학습시켜 가장 좋은 성능을 도출한 모델을 테스트 모델로 사용하였다.

성능/효과

5 %로 가장 좋은 성능을 도출하였다. 관측소 개수가 증가함에 따라 입력 데이터가 더 많은 정보를 포함하고 있어 전체적인 정확도는 올라가지만, 특정 범주에 대한 데이터 분류 성능을 악화시킬 수 있는 이상 데이터가 포함되어 N = 5에서의 재현율 성능이 하락한 것으로 분석된다.
제안하는 모델이 여러 관측소의 정보를 효과적으로 다룰 수 있는지 확인하기 위해 모델 구조와 관측소 개수, 입력값의 시간을 변화시켜가며 실험을 진행하였다. 그 결과, 같은 양의 정보가 들어왔을 때 다른 모델에 비해 2 % 이상의 분류 성능 향상을 보였으며, 더 많은 정보가 들어왔을 때 더 좋은 분류 성능을 도출하는 것을 확인하여 모델의 타당성을 입증하였다. 본 연구에서 제시한 모델은 지진 관측망의 다중 관측소를 이용한 지진 이벤트 분류뿐 아니라, 다중 관측소를 이용한 진원 위치 추정, 진도 예측 등 다중 관측소를 활용한 지진관측의 여러 분야에서 활용될 수 있을 것으로 기대한다.
모델의 손실 함수는 정답 범주와 예측 범주 사이의 Cross-Entropy 손실 함수로 계산된다. 또한, 손실 함수에 L2 정규화를 적용하여 모델의 일반화 성능 향상을 도모했다. L2 정규화 상수는 λ =0.
^[5])은 관측소 개수 N = 1이고, 다중 관측소 기반 모델(Concat, GCN)의 관측소 개수는 N = 3이다. 실험 결과를 통해 단일 관측소 기반 모델보다 다중 관측소 기반 모델의 분류 정확도가 15 % 이상 향상되었고, 그래프 합성곱 층을 추가함으로써 2 % 정도의 정확도 향상을 보였다.
관측소 개수가 3개일 때 입력 값의 길이를 5 s, 10 s, 30 s로 변화시켜가며 실험을 진행하였다. 실험 결과를 통해 입력값의 길이가 증가할수록 정확도와 재현율 모두 향상되는 것을 확인하였다.
정확도는 관측소 개수가 증가함에 따라 같이 증가하는 경향을 보인다. 자연지진에 대한 재현율은 N = 5에서 조금 감소했지만 모든 경우에서 96 % 이상의 성능을 보이고, 인공지진에 대한 재현율은 N = 5에서 96.5 %로 가장 좋은 성능을 도출하였다. 관측소 개수가 증가함에 따라 입력 데이터가 더 많은 정보를 포함하고 있어 전체적인 정확도는 올라가지만, 특정 범주에 대한 데이터 분류 성능을 악화시킬 수 있는 이상 데이터가 포함되어 N = 5에서의 재현율 성능이 하락한 것으로 분석된다.
마지막 합성곱 층의 출력값에 평탄화 작업을 진행하여 특징을 16320차원의 벡터 형태로 변환한다. 제안하는 모델에서 합성곱 신경망은 단일 관측소에서의 임베딩 특징을 추출하는 것이 목적이기 때문에, 입력 관측소의 순서에 상관없이 같은 가중치를 이용하는 것이 모델의 일반화에 유리하다. 따라서, 가중치 공유를 사용하는 구조를 적용하였다.
간선으로 연결된 노드끼리 정보 공유가 일어나기 때문에 최대한 많은 간선으로 연결하여 다중 관측소의 특징을 융합하는 것에 초점을 두고 모델을 구성하였다. 첫 번째 그래프 합성곱 층의 입력 특징 벡터 크기는 합성곱 신경망의 출력 크기에 의존하며 모든 은닉층 특징 벡터 크기는 64로 설정하였다. 그래프 합성곱 신경망의 출력값을 완전 연결 층으로 전달하기 위해서 각각의 노드에 저장된 특징들의 평균을 그래프 합성곱 신경망의 출력 벡터로 계산한다.

후속연구

그 결과, 같은 양의 정보가 들어왔을 때 다른 모델에 비해 2 % 이상의 분류 성능 향상을 보였으며, 더 많은 정보가 들어왔을 때 더 좋은 분류 성능을 도출하는 것을 확인하여 모델의 타당성을 입증하였다. 본 연구에서 제시한 모델은 지진 관측망의 다중 관측소를 이용한 지진 이벤트 분류뿐 아니라, 다중 관측소를 이용한 진원 위치 추정, 진도 예측 등 다중 관측소를 활용한 지진관측의 여러 분야에서 활용될 수 있을 것으로 기대한다.

참고문헌 (8)

R. V. Allen, "Automatic earthquake recognition and timing from single traces," Bulletin of the Seismological Society of America, 68, 1521-1532(1978).

상세보기
C. D. Saragiotis, L. J. Hadjileontiadis, and S. M. Panas, "PAI-S/K: A robust automatic seismic P phase arrival identification scheme," IEEE Transactions on Geoscience and Remote Sensing, 40, 1395-1404 (2002).

상세보기
C. Baillard, W. C. Crawford, V. Ballu, l. Hibert, and A. Mangeney, "An automatic kurtosisbased Pand Sphase picker designed for local seismic networks," Bulletin of the Seismological Society of America, 104, 394-409 (2014).

상세보기
C. E. Yoon, O. O'Reilly, K. J. Bergen, and G. C. Beroza, "Earthquake detection through computationally efficient similarity search," Science advances, 1, e1501057 (2015).

상세보기
T. Perol, G. Michael, and M. Denolle, "Convolutional neural network for earthquake detection and location," Science Advances, 4, e1700578 (2018).

상세보기
G. Kim, B. Ku, and H. Ko, "Multifeature fusion-based earthquake event classification using transfer learning," IEEE Geoscience and Remote Sensing Letters, 1-5 (2020).
T. N. Kipf and M. Welling, "Semi-supervised classification with graph convolutional networks," arXiv preprint arXiv:1609.02907 (2016).
A. Krizhevsky, I. Sutskever, and G. E. Hinton, "Imagenet classification with deep convolutional neural networks," Advances in neural information processing systems, 1-9 (2012).

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증