Multi-site based earthquake event classification using graph convolution networks

Gwantae Kim; Bonhwa Ku; Hanseok Ko

doi:10.7776/ASK.2020.39.6.615

All Issue

2020 Vol.39, Issue 6 Preview Page Next Page

Research Article

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

30 November 2020. pp. 615-621

PDF XML

Abstract

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.

Keywords

Earthquake event classification

Multi-site based classification

Convolution neural networks

Graph convolution networks

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.

키워드

지진 이벤트 분류

다중 관측소 기반 분류

합성곱 신경망

그래프 합성곱 신경망

References

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

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). 10.1109/TGRS.2002.800438

C. Baillard, W. C. Crawford, V. Ballu, l. Hibert, and A. Mangeney, "An automatic kurtosis‐based P‐and S‐phase picker designed for local seismic networks," Bulletin of the Seismological Society of America, 104, 394-409 (2014). 10.1785/0120120347

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). 10.1126/sciadv.150105726665176PMC4672764

T. Perol, G. Michaël, and M. Denolle, "Convolutional neural network for earthquake detection and location," Science Advances, 4, e1700578 (2018). 10.1126/sciadv.170057829487899PMC5817932

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). 10.1109/LGRS.2020.2993302

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).

Information

Publisher :The Acoustical Society of Korea
Publisher(Ko) :한국음향학회
Journal Title :The Journal of the Acoustical Society of Korea
Journal Title(Ko) :한국음향학회지
Volume : 39
No :6
Pages :615-621
Received Date : 2020-08-10
Accepted Date : 2020-09-09
DOI :https://doi.org/10.7776/ASK.2020.39.6.615

The Journal of the Acoustical Society of KoreaISSN:1225-4428(Print) 2287-3775(Online)한국음향학회

All Issue