KR102098075B1 - 지진조기경보 시스템을 위한 기계학습 기반의 실시간 오탐지 차단 방법 - Google Patents

Abstract

본 발명은,
지진조기경보를 위해 지진관측소에서 실시간으로 측정되는 지진 관측자료를 수집하여 P파를 탐지하는 과정에서 오탐지를 제거하는 방법으로서,
진원으로부터 전파되는 지진파나 노이즈로 인한 P파를 탐지하는 단계;
상기 탐지된 대상의 도달 시점을 기준으로 전후 일정 시간 구간에 대한 지진동 관측값을 산출하는 단계(S100);
상기 지진동 관측값에서 특징 벡터를 산출하는 단계(S200);
상기 특징 벡터를 사전에 학습된 기계학습 모델을 통해 분류하여 P파를 식별하는 단계(S300); 및
상기 탐지에 대한 P파 식별 결과를 이용하여 이후 분석 단계에서 신뢰성 높은 지진조기경보를 발령하는 단계(S400);
를 포함하여 이루어지는 것을 특징으로 한다.

Description

지진조기경보 시스템을 위한 기계학습 기반의 실시간 오탐지 차단 방법{A Real-time false-picking blocking method based on machine learning for an earthquake early warning system}

본 발명은 지진조기경보 시스템(earthquake early warning system)의 P파 탐지 과정에 있어 기계학습 기술을 이용하여 실시간으로 오탐지를 차단하는 방법에 관한 것이다.

지진의 사전 예지는 불가능하지만 속도가 빠른 P파만으로 지진의 발생과 크기를 분석하여 최대 진동이 도달하기 전에 사전에 경보할 수 있다. 이를 지진조기경보라 하며 크게 네트워크 기반의 지진조기경보와 현장 기반의 지진조기경보의 두 종류가 있다.

네트워크 기반의 지진조기경보 시스템은 일정 범위 내에서 불규칙적으로 배치된 다수의 지진관측소에서 측정된 지진 관측자료를 실시간으로 통합 수집 및 분석하여 각 지진관측소에 도달한 지진동의 P파를 탐지(Picking, Trigger, 트리거)하고, 다수의 지진관측소에서 탐지된 P파 정보들의 조합(Association, 한 지진에서 비롯된 것으로 판단되는 P파 정보들을 식별하여 연관시킴)으로 지진의 발생 시간과 위치, 규모(Magnitude)를 분석하여 경보한다.

현장 기반의 지진조기경보는 경보 수요자의 위치에 설치된 1~2개의 지진계에서 측정된 지진 관측자료에서 P파를 탐지하고, 탐지된 P파의 진폭 정보로부터 P파보다 느린 속도로 뒤에 따라와 피해를 발생시키는 S파의 최대 진동 크기에 대한 예측값을 산출하여 S파가 도달하기 전에 현장(관측 지점)을 대상으로 경보한다.

각 지진조기경보 시스템은 인간이 인지하여 처리할 수 없는 짧은 시간 내에 신속하게 지진동을 감지, 분석, 통보하는 시스템이기 때문에, 모든 과정을 인위적인 개입 없이 수행할 수 있는 자동화 시스템을 갖추고 있다.

이러한 자동화 시스템은 지진에 의해 발생하는 물리적 현상을 수치화하고 사전에 정의된 절차와 알고리즘을 통해 컴퓨터가 판단하도록 구축된다.

그러나, 자연적 물리 현상을 수치화하여 명확하게 정의하는 것은 불가능하며, 이를 규명함에 있어서도 지진이 발생하고 전달되는 매질인 지각의 내부에 대해서 직접 조사하는 것은 매우 어렵다.

자연적 물리 현상을 수치화함에 있어 가정된 제약이나 경계조건 등, 무시할 수 없는 범위 밖의 현상들을 간략화하는 과정에는 항상 오류와 한계가 수반된다.

지진조기경보 시스템 또한 위와 같은 오류로 인해 분석된 지진 정보가 실제 지진에 의해 분석된 결과인지 결정하기 위한 판단 기준이 필요하다.

현재 네트워크 방식의 지진조기경보 시스템은 이러한 판단 기준으로 경험적으로 도출한 P파를 탐지한 관측소(이하, 트리거 관측소)의 최소 개수를 적용하고 있다.

지진파는 진원을 중심으로 방사형으로 전파되는 지진동이기 때문에 진앙(또는 진원)으로부터 가까운 지진관측소가 먼저 지진파를 탐지한 뒤, 시간에 따라 지진파의 전파 거리가 증가하면서 점차 먼 위치의 관측소로 순차적으로 탐지되기 때문에, 트리거 관측소의 수는 시간의 경과와 함께 증가된다.

네트워크 기반 지진조기경보 시스템은 최초 트리거 관측소를 포함하여 근접한 3개의 트리거 관측소의 조합(이하, Assoc. 관측소)으로 지진 분석을 시작하여 상기와 같이 지진파가 전파함에 따라 트리거 관측소의 수가 늘어나고, 그에 따른 정보의 증가로 분석결과의 신뢰성과 정확성을 향상시킨다.

이러한 분석 체계로 인해 네트워크 기반 지진조기경보 시스템은 지진관측소의 공간적 분포도가 조밀할수록 분석 결과의 신뢰성을 보다 빠르게 확보할 수 있는 관계를 갖고 있다.

한편, 네트워크 기반 지진조기경보 시스템의 발표시간을 줄이기 위해서는 현재 구축된 통합지진관측망보다 더 조밀하게 지진관측소를 설치하면 되지만, 이는 구축시간과 물적 자원이 충분하지 못하면 실현 가능할 수 없다.

현장 기반 지진조기경보 시스템은 최초 트리거 관측소 단독 또는 근접한 트리거 관측소 2개소의 P파 분석을 통해 경보를 발령하기 때문에 네트워크 기반의 지진조기경보에 비하여 경보 리드타임이 짧지만 상대적으로 제한된 정보를 사용하는 제약으로 오경보 가능성이 훨씬 높다. 자연 지진이 아닌 주변의 자동차 주행, 발파 등 인위적 진동을 P파로 오탐지하는 경우 오경보가 발생한다. 특히, S파를 P파로 오탐지하는 경우에는 P파에 비해 에너지가 큰 S파의 특성으로 인하여 시스템은 더 큰 지진동이 발생할 것으로 잘못 예측하고, 중대한 오경보를 일으킬 수 있다.

따라서 지진조기경보의 P파 오탐지를 줄여, 네트워크 기반 지진조기경보 시스템의 경우 진앙에 가까운 최소수의 지진관측소 탐지 정보만으로 분석된 지진 정보에 대해 발표 가능한 신뢰성을 확보하도록 함으로써 경보 시점을 앞당길 필요가 있으며, 현장 기반 지진조기경보 시스템의 경우 1~2개 P파 탐지 정보만으로 결정되는 경보의 오류를 줄임으로써 신뢰성을 확보하도록 할 필요가 있다. P파의 오탐지를 줄이는 일은 두 과제를 해결하는 핵심적인 요인이 된다.

이와 관련된 선행기술문헌 정보: 등록특허공보 제10-1391226호(공고일자 2014년05월07일) "트리거된 관측소의 공간적 분포와 방향의 치우침을 고려한 지진 조기경보 시스템의 오경보 식별장치 및 그 방법"

이와 같은 "트리거된 관측소의 공간적 분포와 방향의 치우침을 고려한 지진 조기경보 시스템의 오경보 식별장치 및 그 방법"은 네트워크 기반의 지진조기경보에 대하여 모든 관측소에 신뢰도 가중치를 적용하고, 그 중 트리거된 관측소로부터 제공된 정보를 토대로 공간분포 밀도값과 방위 편향값을 산출하여 기 설정된 임계값과 비교함으로써 지진여부를 판단하여 지진오보를 방지하도록 하는 것으로, 네트워크 기반 지진조기경보 시스템의 경우 P파 탐지의 신뢰성을 높여 진앙에서 가까운 소수의 지진관측소의 P파 정보만으로 분석된 지진 정보가 발표 가능한 신뢰성을 확보하도록 함으로써 빠른 지진 경보체계를 수립할 필요가 있으며, 현장 기반 지진조기경보 시스템의 경우 1~2개 관측소의 P파에 대한 분석만으로 결정되는 경보의 신뢰성을 확보하도록 하지는 못한다.

본 발명은 전술한 과제를 해결하기 위하여 안출한 것으로, 지진조기경보 시스템의 P파 탐지의 신뢰성을 높이기 위해, 지진조기경보 시스템을 위한 기계학습 기반의 실시간 오탐지 차단 방법을 제공하는데 그 목적이 있다. 이 방법을 통해 네트워크 기반 지진조기경보 시스템의 경우 진앙에 가까운 최소수의 지진관측소 탐지 정보만으로 분석된 지진 정보에 대해 발표 가능한 신뢰성을 확보하도록 함으로써 경보 시점을 앞당기고, 현장 기반 지진조기경보 시스템의 경우 1~2개 P파 탐지 정보만으로 결정되는 경보의 오류를 줄임으로써 신뢰성을 확보하고자 한다.

이와 같은 목적을 달성하기 위하여,

본 발명의 일 형태에 따르면,

지진관측소에서 실시간으로 측정된 지진 관측자료를 수집하는 지진조기경보 시스템에서 수행되는 P파 탐지에서 오탐지를 제거하는 방법으로서,

진원으로부터 지진파의 도달 또는 노이즈로 인한 지진동을 탐지하는 단계;

상기 탐지한 지진파 또는 노이즈가 도달한 시점 전후의 일정 시간 구간에 대한 지진동 관측값을 산출하는 단계(S100);

상기 지진동 관측값에서 특징 벡터를 산출하는 단계(S200);

상기 특징 벡터를 사전에 학습된 기계학습 모델을 통해 분류하여 지진의 P파인지 여부를 식별하는 단계(S300); 및

상기 탐지에 대한 P파 식별 결과를 이용하여 이후 분석 단계에서 신뢰성을 확보한 후 신속 경보하는 단계(S400);

를 포함하여 이루어지는 것을 특징으로 한다.

상기 단계(S100)는 지진파 또는 노이즈 도달 시점을 기준으로 이전 2초, 이후 2초의 시간 구간에 대해 가속도 또는 속도 관측값을 추출하는 것을 특징으로 한다.

상기 단계(S200)는 추출된 4초의 지진동 관측값을 1~2초 단위로 시분할하여 '멜-주파수 켑스트럴 계수(Mel Frequency Cepstral Coefficient, MFCC) 알고리즘'의 구간 특징 벡터를 산출하고 이를 합쳐 최종적인 특징 벡터를 생성하는 방식을 포함한 것을 특징으로 한다.

상기 단계(S300)는 과거에 발생한 지진에서 관측된 데이터로부터 동일한 P파 탐지, 관측값 산출, 특징벡터 추출 과정을 통해 산출한 특징벡터와 이에 대해 각기 P파, S파, 노이즈를 구분하여 작성한 레이블을 기계학습 분류 알고리즘에 학습한 모델로 분류를 수행한다. 이때 레이블은 S파와 노이즈를 하나의 클래스로 합쳐 이로부터 P파를 분류하는 이진분류로 학습하는 것을 특징으로 한다.

본 발명을 적용하면 지진조기경보의 P파 오탐지를 줄일 수 있다. 네트워크 기반의 지진조기경보 시스템에 있어서 경험적으로 도출하여 적용하는 최소 탐지 관측소의 수를 감소시켜서 경보의 시간을 단축할 수 있게 되는 효과가 있다. 또한, 현장 기반의 지진조기경보 시스템에 있어서는 S파 및 비지진 현상의 노이즈로 인한 오경보의 기회를 차단시킬 수 있는 효과가 있다.

도 1은 지진관측소로부터 도달한 지진 관측자료에서 생성된 탐지 결과 가운데 오탐지 제거를 통해 S파와 노이즈가 제거되고, P파 정보가 분석 및 통보로 진행되는 흐름을 설명한 개념도이다.
도 2는 지진 관측자료의 수신 및 탐지 후 오탐지 제거의 작동 순서를 개략화한 순서도이다.
도 3은 탐지한 P파 도달 시점을 기준으로 전후 일정 시간에 대한 지진동 관측값의 산출 예를 나타낸 도면이다.
도 4는 탐지된 P파와 P파가 아닌 오탐지로부터 각기 산출된 관측값과 특징벡터의 산출 예를 비교하여 나타낸 도면이다.
도 5는 과거 발생한 지진에 대하여 본 발명을 적용하기 이전의 오검출 분포와 적용한 이후의 오검출 분포에 대한 산출 예를 비교한 도면이다.

이하, 첨부된 도면을 참조하여 본 발명에 따른 실시 예를 상세히 설명하면 다음과 같다.

도 1은 지진이 일어난 이후 P파(압축파, 전파방향과 동일한 매질 운동)와 S파(전단파, 전파방향과 수직한 매질 운동)가 지진관측소에 도달한 것과 비지진현상에 따른 노이즈 신호가 지진 관측자료에 포함되어 'P파 탐지'로 전달되고, 'P파 탐지'에서 P파 정보와 P파로 오탐지된 S파 및 노이즈 정보가 '오탐지 제거'를 거치면서 P파 정보만이 분석 및 통보로 진행되는 과정을 개념적으로 나타낸다.

도 2는 '지진 관측자료 수신'으로부터 'P파 탐지' 후 오탐지 제거를 위해 지진파 또는 노이즈 신호의 도달 시점을 중심으로 일정 시간 구간에 대해 관측값을 산출하고, 관측값으로부터 특징 벡터를 추출하며, 특징 벡터를 기계학습모델에 입력하여 P파와 P파가 아닌 것(S파와 노이즈)으로 분류한 뒤, 분류에 따른 식별 결과를 '분석/통보' 단계로 전달하는 작동 순서를 개략화한 순서도이다.

도 3은 탐지한 P파 도달 시점을 기준으로 전후 일정 시간에 대한 지진동 관측값의 산출 예를 비교하여 나타낸 도면이다.

도 4는 탐지된 P파의 지진동과 오탐지된 지진동으로부터 각기 산출된 관측값과 특징벡터의 산출 예를 비교하여 나타낸 도면이다.

도 5는 과거 발생한 지진에 대하여 본 발명을 적용하기 이전의 오검출 분포와 적용한 이후의 오검출 분포에 대한 산출 예를 비교하여 나타낸 도면이다.

이와 같은 본 발명을 상세히 보면 다음과 같다.

도 1 내지 도 5에 있어서, 지진파는 진원을 중심으로 방사형 형태로 전파하는 특성을 보이며, 전파하는 매질 입자의 움직임에 따라 P파와 S파로 구분된다. P파와 S파는 속도와 매질의 운동 형태에 따라 구분할 수 있는데, P파는 전파속도가 S파보다 빠른 반면, S파보다 매질의 운동이 작기 때문에 지진 피해의 정도가 작다. 과거 연구를 통해 P파 물성의 크기와 S파 물성의 크기가 상관관계를 갖고 있다는 사실이 밝혀졌으며, 이를 통해 P파 물성의 크기로부터 S파의 크기를 대략적으로 예측할 수 있다.

지진조기경보 시스템은 상기의 지진 P파와 S파에 대한 명확한 특성을 이용하여 최대 진동 도달 전에 그 크기를 예측하는 원리이다. 지진조기경보 시스템은 전파속도가 빠른 P파를 미리 감지하여 지진의 발생 위치를 찾고, P파의 크기로부터 지진의 규모를 예측하여 앞으로 올 지진동의 크기를 예측하고 통보하는 것이 주된 기능이다.

진원으로부터 P파와 S파가 전파하는 중, P파가 전파된 범위 내에 위치한 지진관측소들은 P파를 자동으로 탐지하고, 지진조기경보 시스템에 사용되는 파라미터를 산출하게 된다. 산출된 파라미터는 P파가 도달한 절대시간과 P파의 최대변위값(Peak Displacement, Pd)이며, 이는 지표면의 변화량으로 정의된다.

네트워크 기반의 지진조기경보의 경우, 지진관측소로부터 관측된 이 두 가지의 파라미터들이 지진조기경보 시스템의 메모리에 저장되면, 이 탐지 관측소와 그 주변에 위치한 다른 탐지 관측소의 파라미터 정보들이 논리적 연관성을 판단할 수 있는 알고리즘을 통해 자동 조합되고, 진원 위치를 계산한다. P파의 전파 범위 내 위치한 지진관측소 중에는 지진 분석에 사용된 Assoc. 관측소와 사용되지 않는 비 Assoc. 관측소가 존재한다. 비 Assoc. 관측소는 관측소 주변의 노이즈로 인해 P파를 탐지 못하거나, 파라미터 값이 네트워크 기반 지진조기경보 시스템의 탐지 관측소의 조합하는 알고리즘이 요구하는 임계값을 벗어났기 때문에 발생한다. 탐지 관측소들의 자동 조합으로 생성된 Assoc. 관측소들로부터 진원 위치가 정의되면, 그 진원 위치와 각 Assoc. 관측소와의 거리인 진원 거리와 P파의 최대변위값을 이용하여 해당 지진의 규모를 예측한다.

상기와 같이 네트워크 기반의 지진조기경보 시스템은 각 지진관측소에서 자 동으로 감지된 P파의 파라미터와 탐지 관측소의 자동 조합으로 지진 분석을 하게 된다. 모든 일련의 과정들이 자동화 알고리즘에 의해 처리되는 과정에서 노이즈에 의해 발생된 거짓 정보 또는 S파를 P파로 오탐지한 정보, 파형 데이터 및 자료처리 지연으로 인한 데이터의 공백으로 인해 분석 오류가 유발될 수 있다. 이에 대한 해결책으로 필요 최소 Assoc. 관측소의 수를 충분히 높게 책정함으로써 오류 발생의 영향을 희석하는 방법으로 분석의 신뢰성을 확보하도록 운영되지만, 최소 Assoc. 관측소의 수를 확보하기 위해 시간 지연이 발생하는 단점을 갖고 있다. 만약 P파 탐지 오류 가능성이 현재보다 줄어든다면 최소 Assoc. 관측소의 수를 감소시켜, 네트워크 기반의 지진조기경보 시스템의 경보 시점을 앞당길 수 있다.

지진조기경보의 경보공백역(blind zone)은 지진조기경보보다 S파가 먼저 도달하는 지역이다. 기상청의 네트워크 기반 지진조기경보는 내륙직하지진 발생시 최소 8개의 지진관측소에 P파가 트리거된 시점인 약 7초 내외에 발령되므로, 같은 시점의 S파 도달 거리를 고려하면 진앙지 인근 대략 35km 내외의 경보공백역이 발생한다.

진앙에서 가까울수록 더 큰 진동이 발생하고 그에 따른 피해가 증가하기 때문에 효과적인 조기경보를 통해 경보공백역을 최소화할수록 훨씬 큰 폭의 피해 감소를 기대할 수 있다.

네트워크 기반 지진조기경보 시스템의 상대적으로 넓은 경보공백역의 한계를 극복하고자 병행 운용되는 현장 기반 지진조기경보 시스템은 현장에 설치된 1~2개 관측소로부터 P파를 자동으로 탐지하고, 탐지된 P파의 2 또는 3초의 초기 시간구간(PTW)에서의 최대변위값(Peak Displacement, Pd), 최대가속도값(Peak Acceleration, Pa), 최대속도값(Peak Velocity, Pv)을 산출, 이 값을 이용하여 관측지점에 예상되는 최대 S파의 크기 또는 예상 진도를 추산하여 경보를 발령하는 시스템이다.

현장 기반 지진조기경보는 1~2개의 지진관측소로부터의 P파 탐지 정보를 이용하므로 최소 8개의 관측소를 이용하는 네트워크 기반 지진조기경보에 비하여 소요 P파 정보 탐지시간이 짧고, 현장에서 데이터를 직접 분석하고 경보하기 때문에 전국의 관측자료를 중앙 데이터 센터로 전달 후 분석하는 네트워크 기반 지진조기경보에 비해 데이터의 전송과 처리에 따른 시간의 지연이 적어, 경보공백역을 20km 수준으로 단축할 수 있다. 또한, 관측소마다 단독으로 경보체제를 운영하는 독립성을 갖기 때문에 수요자 요구를 반영한 독자적인 경보 시스템으로도 운영된다.

하지만, 현장 기반의 지진조기경보는 1~2개의 지진계의 탐지만으로 분석하여야 하며, 이에 따른 오경보 증가를 해소하기 위해서는 P파로 오탐지되는 S파와 노이즈에 대한 신뢰성 있는 식별과 제거가 매우 중요하다.

전통적인 P파의 탐지 기술은 긴 시간 구간의 신호 크기 평균(LTA, long term average)에서 짧은 시간 구간의 신호 크기 평균(STA, long term average)을 전체 또는 주파수별로 비교하여 일정한 기준을 초과할 경우 지진파의 탐지를 트리거하는 방식이다. 이러한 방식은 오랜 기간 연구되어 검증되었고, 연산의 처리속도가 빠르지만, 오탐지에 대한 한계가 존재한다. 하지만, 검출시점에 대해 일관적이므로, 기계학습 입력용 특징을 추출하기 위한 일관된 시간구간을 결정하는데 유용하다. 전통적인 P파 탐지방법을 통해 탐지한 시점을 기준으로 파형의 시간구간을 결정하고, 이로부터 이전 탐지에서 관찰하지 않았던 시계열 패턴의 특징을 추출하여 기계학습을 통해 분류함으로써 오탐지되는 S파와 노이즈를 제거할 수 있으며, 결국 최종 사용 단계에서 P파에 대한 신뢰도를 높일 수 있다.

특징추출은 인식에 유용한 성분을 지진 관측자료로부터 뽑아내는 과정이다. 추출된 특징은 비록 최초에 동일한 파형에서 추출되었다 하더라도 이전 단계에서 사용된 전통적인 P파의 탐지 방법에서 결정에 사용된 지표와 다른 물리적 성질을 반영하는 지표를 사용함으로써 식별 성능을 높일 수 있다. 본 발명은 멜-주파수 켑스트럴 계수를 특징추출의 방법으로 사용하였다.

음향처리에서 멜-주파수 켑스트럼(Mel-Frequency Cepstrum, MFC)은 비 선형 멜 스케일 주파수에 대한 로그 파워스펙트럼의 선형 코사인 변환에 기반을 둔 소리의 단기 파워 스펙트럼을 통칭한다. MFCC는 하나의 MFC를 형성하는 계수들을 말하며, 이는 선택된 시간의 소리에 대한 일종의 켑스트럼 표현에서 나온다. (스펙트럼의 비선형 스펙트럼) 켑스트럼과 멜-주파수 켑스트럼의 차이는 MFC에서 주파수 밴드가 시간축에서 일정한 간격을 갖지 않고 멜 스케일 간격을 갖는다는 점이다. MFCC는 주로 음성인식의 특징추출 기법으로 사용되지만, 본 발명에서는 지진조기경보의 용도에 적합하도록 수 초의 짧은 시간구간의 지진동 관측자료로부터 추출하여 P파를 S파 및 노이즈로부터 구분할 수 있는 중요한 특징으로 사용하였다. 지각을 매질로 전파되는 P파는 주로 공기를 매질로 전파되는 소리와 매질은 다르지만 진동의 형태가 종파(소밀파)로서 유사성을 갖는다. 국내의 내륙에서 발생한 지진은 판내부(intraplate) 지진이며, 대부분 깊이 20km 이내의 얕은 지진이고, 단단한 지층으로 인하여 2016년에 경주에서 발생한 규모 4.5 이상의 지진들의 경우에는 사람이 굉음을 청취할 수 있었을 정도로 지진동에 고주파 성분이 강한 것이 특징이다. 또한, 지진조기경보의 경우 진원과 가까운 관측소들의 관측이 상대적으로 더 중요한데, 진원으로부터 거리가 가까운 곳에서 관측될수록 높은 주파수의 감쇠가 적기 때문에 이러한 특성을 잘 활용할 수 있는 MFCC는 국내의 지진조기경보에 적합한 특징을 제공한다.

탐지된 지진파 또는 노이즈의 시점을 기준으로 이전 2초, 이후 2초의 시간 구간에서 추출한 4 초간의 지진동 관측값은 해당 신호의 도달 이전과 이후에 대한 특징을 구분해 주는 정보로서 하나의 특징벡터에 포함할 수 있도록, 1~2초 단위로 시분할한 뒤 분할된 구간마다 별도로 MFCC값을 추출하고 이를 연결한 뒤 정규화하여 하나의 특징벡터로 사용한다.

과거에 발생한 지진의 관측자료에서 탐지한 샘플들로부터 상기의 방법이 포함된 특징벡터를 추출하고, 각 샘플에 대해 P파와 P파가 아닌 것(S파와 노이즈) 2종류의 클래스로 구분한 레이블을 작성한다. 이 데이터를 기계학습의 이진분류 알고리즘의 모델에 학습시켜 해당 모델의 파라미터를 최적화한다. 실제 사용에 있어서는 실시간 P파 탐지를 통해 새로 탐지한 대상에 대하여 상기 방법으로 특징벡터를 추출하고, 이 특징벡터를 상기 학습을 통해 최적화한 모델에 입력하여 분류를 수행하며, P파로 분류된 경우에만 다음 분석/통보 과정으로 전달한다. 이때 S파와 노이즈를 별도의 클래스가 아닌 하나의 클래스로 통합하여, 다중분류가 아닌 이진분류로 단순화하여 학습함으로써 식별 성능을 향상시킨다. 기계학습의 분류 알고리즘은 SVM(Support Vector Machine)이나 베이지안 네트워크, 심층신경망 등 다양한 분류 알고리즘을 사용할 수 있으며, 상기 과거 발생한 지진의 자료에 대한 학습을 통해 파라미터를 최적화하고 이를 적용한다.

이와 같은 본 발명은 P파 탐지의 오류를 줄임으로써 네트워크 기반의 지진조기경보 시스템에 있어 경보의 시간을 단축할 수 있게 되는 장점을 갖는다. 또한, 현장 기반의 지진조기경보 시스템에 있어서는 S파 및 노이즈로 인한 오경보의 기회를 감소시킬 수 있도록 한다.

한편, 본 발명의 조건들은 모든 지진에 적용하는 것이 아니다. 지진조기경보의 목표인 인간 및 건물에 피해를 줄 수 있는 규모와 거리에서 관측되는 높은 에너지에 대해 측정될 수 있는 경우를 조건으로 한다. S파 및 노이즈의 차단에 대한 트레이드 오프로서 작은 규모의 지진에서 발생하는 P파와 진앙으로부터 먼 거리의 관측소에서 관측되는 P파에 대해서도 차단될 수 있으며, 이는 지진조기경보 목표에 영향을 미치지 않는다.

이상에서 본 발명에 대한 기술사상을 첨부도면과 함께 서술하였지만 이는 본 발명의 바람직한 실시 예를 예시적으로 설명한 것이지 본 발명을 한정하는 것은 아니다. 또한, 이 기술분야의 통상의 지식을 가진 자라면 누구나 본 발명의 기술사상의 범주를 이탈하지 않는 범위 내에서 다양한 변형 및 모방이 가능함은 명백한 사실이다.

Claims (4)

1. 지진조기경보를 위해 지진관측소에서 실시간으로 지진 관측자료를 수집하여 P파를 탐지할 때 오탐지를 제거하는 방법으로서,
   진원으로부터 지진파가 도달하거나 노이즈로 인한 P파를 탐지하는 단계;
   상기 탐지된 대상의 도달 시점을 기준으로 전후 일정 시간 구간에 대한 지진동 관측값을 산출하는 단계(S100);
   상기 지진동 관측값으로부터 특징 벡터를 산출하는 단계(S200);
   상기 특징 벡터를 사전에 학습된 기계학습 모델을 통해 분류하여 P파를 식별하는 단계(S300); 및
   상기 탐지에 대한 P파 식별 결과를 이용하여 이후 분석 단계에서 신뢰성 있는 지진조기경보를 발령하는 단계(S400);
   를 포함하여 이루어지는 것을 특징으로 하는 지진조기경보 시스템을 위한 기계학습 기반의 실시간 오탐지 차단 방법.
2. 청구항 1에 있어서,
   상기 단계(S100)는 탐지 대상 도달 시점을 기준으로 이전 2초, 이후 2초의 시간 구간에 대해 가속도 또는 속도 관측값을 추출하는 것을 특징으로 하는 지진조기경보 시스템을 위한 기계학습 기반의 실시간 오탐지 차단 방법.
3. 청구항 1에 있어서,
   상기 단계(S200)는 추출된 4초의 지진동 관측값을 1~2초 단위로 시분할하여 '멜-주파수 켑스트럴 계수 알고리즘'의 구간 특징 벡터를 산출하고 이를 결합하여 최종적인 특징 벡터를 생성하는 방식을 포함한 것을 특징으로 하는 지진조기경보 시스템을 위한 기계학습 기반의 실시간 오탐지 차단 방법.
4. 청구항 1에 있어서,
   상기 단계(S300)는 과거에 발생한 지진에서 관측된 데이터로부터 동일한 탐지, 관측값 산출, 특징벡터 추출 과정을 통해 산출한 지진파 및 노이즈의 특징벡터 및 레이블을 기계학습 분류 알고리즘에서 학습한 모델로 분류하고, 이때 레이블은 S파와 노이즈를 하나의 클래스로 합쳐 이로부터 P파를 분류하는 이진분류로 학습하는 것을 특징으로 하는 지진조기경보 시스템을 위한 기계학습 기반의 실시간 오탐지 차단 방법.

Images