華信光電將參加日本國際雷射加工技術展 Photonix 2016, 歡迎您的來訪!!
聚焦地科
聚焦地科2021-07-11
人工智慧AI偵測慢地震
人工智慧AI偵測慢地震
【本報導由地球科學系 陳卉瑄教授研究團隊提供】
在背景噪音中，近年來發現了大量的非火山長微震(non-volcanic tremor)活動，這種慢速滑移活動介於一般地震(快地震)數十秒的快速破裂、和數年的緩慢蠕變(creeping)之間，其錯動位移有限、錯動歷時長，以至於僅有非常弱的地震波輻射，難以從地震波分辨，特徵為貌似雜訊、主頻在2至8 Hz間、無明顯P波、S波到時、能量持續時間長、數分鐘到數月不等、並能在相距數公里至數十公里不等的測站具近乎一致之到時。這樣類型的「雜訊」直至2002才被發現 (Obara, 2002)，又被稱作慢地震。
記錄著環境背景震動的連續資料中，有多少訊號，對應著深部變形和近地表人為活動? 他們能不能被系統性地偵測與分類?
自2017年開始，師大地科系研究團隊與台科大機械工程系的劉益宏老師合作，致力於利用機器學習演算法進行智能偵測和分類，期望能避免樣板比對時複雜度計算，並使用自動學習決策邊界(decision boundary)來進行偵測及分類(Liu et al., 2019)。能否利用單站資料，對(1) 偵測有難度(2) 和背景噪音振幅相仿(3) 往往需要多站共同判釋的「慢地震」訊號進行分類和偵測？
我們將地震、長微震和背景噪訊三種類別波形標籤化，以進行後續資料訓練。三個測站和對應的波形如圖一所示，首先選用的分類器，是傳統而簡單的kNN（k近鄰分類法），此法計算任一比未知資料「與不同類別在特徵空間的歐式距離」，找最相近的k個鄰居投票表決，來決定這個未知資料應該分到哪一類別。在訓練階段，所有的演算法參數皆須最佳化，我們採用廣泛使用的交叉驗證法(Leave-One-Out Cross Validation, LOO-CV)來進行，此方法容易實現，並且可以自動化執行。每個測站、每個類別均為204筆事件（每個事件為60-s），經由LOO-CV得到的分類表現，發現在較遠離長微震震源區的YULB有最差的分類率為68%，而在較近的測站則介於86-94%間。
接著，我們選出時間域、頻率域、時頻域共27個特徵，利用Fisher’s class-separability criterion (Fang et al., 2015) 針對每一種初始特徵進行自動評估。每一種特徵，得到一個費雪分數(Fisher score) - 同組內和不同組間的分散量之比值，代表此特徵對於事件分類的優劣，若分數越高，代表此特徵讓不同類別間的鑑別更容易。因此，在訓練階段將所有初始特徵依照費雪分數從高至低排序，挑出前N%的最佳的特徵當作後端的偵測及分類輸入。此方法之好處在於：(1)演算法自動快速選擇，必免人為嘗試錯誤所造成過長的訓練時間；(2)所選出最佳特徵子集合可達到較高之事件偵測及分類率。利用選過的特徵重新進行分類，得到的分類率有顯著的提升，其中利用訓練資料進行交叉驗證法(LOO-CV)得到顯著提升的分類率為87-99%；而利用測試資料的分類率則為71-96%。結果發現三類別中，背景噪訊有顯著的時間變異，不同期間收集的訓練和測試資料，會有較差的分類表現。這說明未來在背景噪訊的細緻分群有其必要。
要分開三類別的資料，哪些特徵最重要？在本研究中(Liu et al., 2019)發現，這些有效特徵在各站的表現均一制，說明費雪分數可以成為單一特徵篩選的重要指標。我們亦發現，在過去從未被使用在偵測門檻上的離散傅立葉轉換(時頻域)之中位數的波峰數量，其能有效分離長微震和背景噪訊，成為了未來納入即時偵測的一項重要特徵。
圖一、(a-c)三種類別資料的波形示意圖 (d) 使用的地震(灰色圓圈)和長微震(黃色圓圈)及三個測站之分佈圖。在此三種不同顏色的測站對應三種地震網。
參考文獻：
Fang, L., Zhao, H., Wang, P., Yu, M., Yan, J., Cheng, W., and Chen, P. (2015). Feature selection method based on mutual information and class separability for dimension reduction in multidimensional time series for clinical data, Biomedical Signal Processing and Control, 21, 82-89.
Liu, Y. H., Yen, T. C., *Chen, K. H., Chen, Y., Yen, Y. Y., Yen, H. Y. (2019), Investigation of single-station classification for short tectonic tremor in Taiwan, J. Geophys. Res., 124, 8803–8822. https://doi.org/10.1029/2019JB017866
Obara, K. (2002). Nonvolcanic deep tremor associated with subduction in southwest Japan, Science, 296(5573), 1679-81.
原文出處：https://agupubs.onlinelibrary.wiley.com/doi/abs/10.1029/2019JB017866
原文轉載自國立臺灣師範大學研究亮點網【2020-11-11/自然科學】
https://rh.acad.ntnu.edu.tw/tw/article/content/59
【本報導由地球科學系 陳卉瑄教授研究團隊提供】
在全世界的觀測儀器逐年增多增密的趨勢下，傳回雲端的連續資料，如何快速做偵測和分類運算，是即時地震學的一大挑戰。近十年，利用機器學習進行地震學相關的應用逐漸盛行，藉由標籤化資料，進行分類和回歸（監督式學習），抑或經由未標籤化的資料做分群和降維（非監督式學習），讓電腦學習並建立模型以大幅地減少人工介入處理的可能性，已蓬勃風展。除了地震，地震儀記錄著環境中不同來源的震動，這些背景噪訊的連續紀錄中，有多少訊號，對應著深部變形和近地表人為活動? 他們能不能被系統性地偵測與分類? 利用機器學習的分法，我們能不能成功分類訊號微弱、卻有構造意義的慢地震？
跟我們生活息息相關的環境震動，短至數秒的爆炸事件、飛機墜毀和重大車禍，長至長微震和土石流事件，對社會和經濟造成一定衝擊，尤其對微小震動高度敏感的半導體產業。埋藏的環境震動，包含天然地震與人造地震，其即時偵測、分類、定位與物理機制仍未有系統的收集和分類，主要原因在於地震儀的連續紀錄中，一般皆以天然地震為主要分析目標。在背景噪音中，近年來發現了大量的非火山長微震(non-volcanic tremor)活動，這種慢速滑移活動介於一般地震(快地震)數十秒的快速破裂、和數年的緩慢蠕變(creeping)之間，其錯動位移有限、錯動歷時長，以至於僅有非常弱的地震波輻射，難以從地震波分辨，特徵為貌似雜訊、主頻在2至8 Hz間、無明顯P波、S波到時、能量持續時間長、數分鐘到數月不等、並能在相距數公里至數十公里不等的測站具近乎一致之到時。這樣類型的「雜訊」直至2002才被發現 (Obara, 2002)，又被稱作慢地震。
記錄著環境背景震動的連續資料中，有多少訊號，對應著深部變形和近地表人為活動? 他們能不能被系統性地偵測與分類?
自2017年開始，師大地科系研究團隊與台科大機械工程系的劉益宏老師合作，致力於利用機器學習演算法進行智能偵測和分類，期望能避免樣板比對時複雜度計算，並使用自動學習決策邊界(decision boundary)來進行偵測及分類(Liu et al., 2019)。能否利用單站資料，對(1) 偵測有難度(2) 和背景噪音振幅相仿(3) 往往需要多站共同判釋的「慢地震」訊號進行分類和偵測？
我們將地震、長微震和背景噪訊三種類別波形標籤化，以進行後續資料訓練。三個測站和對應的波形如圖一所示，首先選用的分類器，是傳統而簡單的kNN（k近鄰分類法），此法計算任一比未知資料「與不同類別在特徵空間的歐式距離」，找最相近的k個鄰居投票表決，來決定這個未知資料應該分到哪一類別。在訓練階段，所有的演算法參數皆須最佳化，我們採用廣泛使用的交叉驗證法(Leave-One-Out Cross Validation, LOO-CV)來進行，此方法容易實現，並且可以自動化執行。每個測站、每個類別均為204筆事件（每個事件為60-s），經由LOO-CV得到的分類表現，發現在較遠離長微震震源區的YULB有最差的分類率為68%，而在較近的測站則介於86-94%間。
接著，我們選出時間域、頻率域、時頻域共27個特徵，利用Fisher’s class-separability criterion (Fang et al., 2015) 針對每一種初始特徵進行自動評估。每一種特徵，得到一個費雪分數(Fisher score) - 同組內和不同組間的分散量之比值，代表此特徵對於事件分類的優劣，若分數越高，代表此特徵讓不同類別間的鑑別更容易。因此，在訓練階段將所有初始特徵依照費雪分數從高至低排序，挑出前N%的最佳的特徵當作後端的偵測及分類輸入。此方法之好處在於：(1)演算法自動快速選擇，必免人為嘗試錯誤所造成過長的訓練時間；(2)所選出最佳特徵子集合可達到較高之事件偵測及分類率。利用選過的特徵重新進行分類，得到的分類率有顯著的提升，其中利用訓練資料進行交叉驗證法(LOO-CV)得到顯著提升的分類率為87-99%；而利用測試資料的分類率則為71-96%。結果發現三類別中，背景噪訊有顯著的時間變異，不同期間收集的訓練和測試資料，會有較差的分類表現。這說明未來在背景噪訊的細緻分群有其必要。
要分開三類別的資料，哪些特徵最重要？在本研究中(Liu et al., 2019)發現，這些有效特徵在各站的表現均一制，說明費雪分數可以成為單一特徵篩選的重要指標。我們亦發現，在過去從未被使用在偵測門檻上的離散傅立葉轉換(時頻域)之中位數的波峰數量，其能有效分離長微震和背景噪訊，成為了未來納入即時偵測的一項重要特徵。
圖一、(a-c)三種類別資料的波形示意圖 (d) 使用的地震(灰色圓圈)和長微震(黃色圓圈)及三個測站之分佈圖。在此三種不同顏色的測站對應三種地震網。
參考文獻：
Fang, L., Zhao, H., Wang, P., Yu, M., Yan, J., Cheng, W., and Chen, P. (2015). Feature selection method based on mutual information and class separability for dimension reduction in multidimensional time series for clinical data, Biomedical Signal Processing and Control, 21, 82-89.
Liu, Y. H., Yen, T. C., *Chen, K. H., Chen, Y., Yen, Y. Y., Yen, H. Y. (2019), Investigation of single-station classification for short tectonic tremor in Taiwan, J. Geophys. Res., 124, 8803–8822. https://doi.org/10.1029/2019JB017866
Obara, K. (2002). Nonvolcanic deep tremor associated with subduction in southwest Japan, Science, 296(5573), 1679-81.
原文出處：https://agupubs.onlinelibrary.wiley.com/doi/abs/10.1029/2019JB017866
原文轉載自國立臺灣師範大學研究亮點網【2020-11-11/自然科學】
https://rh.acad.ntnu.edu.tw/tw/article/content/59