KR102218181B1 - 기계학습을 이용한 지역대상 지진조기경보를 위한 실시간 경보 결정 방법 - Google Patents

Abstract

본 발명은,
기계학습을 이용한 지역대상 지진조기경보를 위해 지진관측망의 지진관측소들에서 실시간으로 지진 관측자료를 수집하여 진원으로부터 전파되는 P파를 탐지하고 기계학습을 기반으로 분석한 결과를 경보할 때, 경보 시점을 최대한 앞당기고, 오경보를 최소화하는 방법으로서,
진원으로부터 가까운 관측소에 P파가 도달하여 탐지하는 단계(S100);
상기 탐지된 P파의 도달 시점을 기준으로 전후 일정 시간 구간에 대한 지진동 관측값을 산출하는 단계(S200);
상기 지진동 관측값으로부터 특징 벡터를 산출하여 사전에 학습된 기계학습 모델을 통한 분류로 지진으로부터 발생한 P파인지 판정하는 단계(S300);
상기 지진동 관측값으로부터 P파의 특성값을 산출하여 최대 지진동 예측식을 통해 관측 지점의 최대 지진동 크기를 예측하고, 예측 결과가 경보 기준 이상인지 판정하는 단계(S400);
상기 단계(S100 내지 S400)가 진행되는 동안 또는 직후 지진관측망의 다른 지진관측소에 P파가 도달하여 탐지하는 단계(S500);
상기 다른 지진관측소에서 탐지된 P파의 관측 위치가 상기 진원으로부터 가까운 관측소의 관측 위치와 일정 거리 구간 내에 속하는지 판정하는 단계(S600);
상기 다른 지진관측소에서 탐지된 P파의 도달 시점이 최초 탐지된 P파의 도달 시점을 기준으로 전후 일정 시간 구간 내에 속하는지 판정하는 단계(S700); 및
상기 판정 결과를 이용하여 지진조기경보의 발령을 결정하는 단계(S800);
를 포함하는 것을 특징으로 한다.

Description

기계학습을 이용한 지역대상 지진조기경보를 위한 실시간 경보 결정 방법{Method for determining real-time alarm for local target earthquake early warning using mechanical learning}

본 발명은 기계학습을 이용한 지역대상 지진조기경보 시스템의 실시간 지진조기경보 발령 결정 과정에 있어 경보 시점을 최대한 앞당기고, 오경보를 최소화하도록 하는 기계학습을 이용한 지역대상 지진조기경보를 위한 실시간 경보 결정 방법에 관한 것이다.

현재의 과학기술로는 지진의 사전 예지는 불가능하지만, 지진 발생 후 전파속도가 빠른 P파만으로 지진의 발생과 크기를 분석하여 최대 진동이 도달하기 전에 사전에 경보함으로써 피해를 경감시킬 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 내지 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.

지역대상 지진조기경보는 네트워크 기반의 지진조기경보 지진관측망의 실시간 관측을 기반으로 네트워크 기반의 지진조기경보 방법보다 상대적으로 소수의 진앙 인근 지진관측소의 관측에 대한 분석을 통해, 보다 신속하게 해당 지역을 대상으로 경보한다. 이러한 지역대상 지진조기경보의 한 방법으로서 네트워크 기반의 지진조기경보 지진관측소의 관측을 현장 기반의 지진조기경보 분석 방법으로 분석하여, 최초 탐지된 지진관측소를 중심으로 일정 범위에 대해 경보하는 방법을 사용할 수 있다.

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 경계 조건 등, 무시할 수 없는 범위 밖의 현상들을 간략화하는 과정에는 항상 오류와 한계가 수반된다.

지진조기경보 시스템 또한 위와 같은 오류로 인해 분석된 지진정보가 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 줄이기 위해 복잡한 패턴의 분류에 뛰어난 성능을 가진 기계학습으로 오탐지를 식별하여 차단하는 방법을 이용하여, 네트워크 기반 지진조기경보 시스템의 경우 진앙에 가까운 최소수의 지진관측소 탐지 정보만으로 분석된 지진 정보에 대해 발표 가능한 신뢰성을 확보하도록 함으로써 경보 시점을 앞당길 수 있으며, 현장 기반 지진조기경보 시스템의 경우 1 내지 2개 P파 탐지 정보만으로 결정되는 경보의 오류를 줄임으로써 신뢰성을 확보하도록 할 수 있다.

이와 관련된 선행기술문헌 정보: 등록특허공보 제10-2098075호(공고일자 2020년04월01일) "지진조기경보 시스템을 위한 기계학습 기반의 실시간 오탐지 차단 방법"

이와 같은 "지진조기경보 시스템을 위한 기계학습 기반의 실시간 오탐지 차단 방법"은 진원으로부터 전파되는 지진파나 노이즈로 인한 P파를 탐지하고, 탐지된 대상의 도달 시점을 기준으로 전후 일정 시간 구간에 대한 지진동 관측값을 산출하여, 상기 관측값에서 특징 벡터를 산출하고, 이를 사전에 학습된 기계학습 모델을 통해 분류하여 P파를 식별하고, 식별 결과를 이용하여 이후 분석 단계에서 신뢰성 높은 지진조기경보를 발령하는 것으로, 지역경보에 있어서 단일 관측소에 이를 적용한 결과만으로 경보를 결정할 경우, 극히 일부의 오경보 유발 가능한 오탐지가 차단되지 않고, 지진조기경보 관측망의 수 백개의 관측소 전체적으로는 이로 인해 오경보가 매년 수 회 가량 발생하게 된다. 또한, 2개 이상의 관측소에 이를 적용하여 중복 확인된 결과로 경보를 결정할 경우에는 두 번째 이후의 관측소에 대해서도 P파 도달 시점을 기준으로 일정 시간 구간에 대한 지진동 관측값 산출을 하는 과정이 필요하며 이로 인해 경보 시점이 늦어지게 된다.

본 발명은 전술한 과제를 해결하기 위하여 안출한 것으로, 지진조기경보 시스템이 진앙에 가까운 최소수의 지진관측소 탐지 정보와 기계학습 분석만으로 실시간으로 경보를 결정함에 있어 경보 시점을 최대한 앞당기고, 오경보를 최소화하도록 하는 기계학습을 이용한 지역대상 지진조기경보를 위한 실시간 경보 결정 방법을 제공하는데 그 목적이 있다.

이와 같은 목적달성을 통해 기존의 지진조기경보 관측망에서 진앙 인근 2개의 관측소 탐지만으로도 지역대상 지진조기경보를 발령할 수 있는 신뢰성을 확보하고자 한다.

이와 같은 목적을 달성하기 위하여,

본 발명의 일 형태에 따르면,

기계학습을 이용한 지역대상 지진조기경보를 위해 지진관측망의 지진관측소들에서 실시간으로 지진 관측자료를 수집하여 진원으로부터 전파되는 P파를 탐지하고 기계학습을 기반으로 분석한 결과를 경보할 때, 경보 시점을 최대한 앞당기고, 오경보를 최소화하는 방법으로서,

진원으로부터 가까운 관측소에 P파가 도달하여 탐지하는 단계(S100);

상기 탐지된 P파의 도달 시점을 기준으로 전후 일정 시간 구간에 대한 지진동 관측값을 산출하는 단계(S200);

상기 지진동 관측값으로부터 특징 벡터를 산출하여 사전에 학습된 기계학습 모델을 통한 분류로 지진으로부터 발생한 P파인지 판정하는 단계(S300);

상기 지진동 관측값으로부터 P파의 특성값을 산출하여 최대 지진동 예측식을 통해 관측 지점의 최대 지진동 크기를 예측하고, 예측 결과가 경보 기준 이상인지 판정하는 단계(S400);

상기 단계(S100 내지 S400)가 진행되는 동안 또는 직후 지진관측망의 다른 지진관측소에 P파가 도달하여 탐지하는 단계(S500);

상기 다른 지진관측소에서 탐지된 P파의 관측 위치가 상기 진원으로부터 가까운 관측소의 관측 위치와 일정 거리 구간 내에 속하는지 판정하는 단계(S600);

상기 다른 지진관측소에서 탐지된 P파의 도달 시점이 최초 탐지된 P파의 도달 시점을 기준으로 전후 일정 시간 구간 내에 속하는지 판정하는 단계(S700); 및

상기 판정 결과를 이용하여 지진조기경보의 발령을 결정하는 단계(S800);

를 포함하여 이루어지는 것을 특징으로 한다.

상기 단계(S600)는 최소값을 일상적 비지진 소음원이 오탐지를 유발할 수 있는 반경의 2배 이상으로 하고, 최대값을 지진관측망의 지진관측소 간 평균거리의 약 2배로 하는 거리 구간을 설정하여, P파를 탐지한 두 관측소 간 거리가 구간 내에 속할 경우에 경보 필요조건을 충족하는 것을 특징으로 한다.

상기 단계(S700)는 최소값을 P파 탐지 시점의 발생 가능한 편차를 고려하여 -0.5초 내외로 하고, 최대값을 지표 발생 지진의 P파가 지진관측망의 지진관측소 간 평균거리까지 도달하는데 소요되는 시간으로 하는 시간 구간을 설정하고, 상기 다른 지진관측소에서 탐지된 P파의 도달 시점에서 최초 탐지된 P파의 도달 시점을 뺀 시간차가 이 구간 내에 속할 경우에 경보 필요조건을 충족하는 것을 특징으로 한다.

상기 단계(S800)는 상기 단계(S300), 상기 단계(S400), 상기 단계(S600) 및 상기 단계(S700)의 판정 결과가 모두 충족되는 경우에 지진조기경보를 발령하는 것을 특징으로 한다.

본 발명은, 기계학습을 이용한 지역대상 지진조기경보의 경보 시점을 앞당기고, 오경보를 줄일 수 있다. 기계학습 기반 오탐지 분류를 위한 특징추출과 최대지진동 예측을 위한 특성값 산출을 위해 P파 탐지 이후 1 내지 2초가 추가로 소요되는 지진동 관측은 P파가 가장 먼저 탐지된 지진관측소에 대해서만 진행하고, 이후에 P파가 탐지된 다른 관측소에 대해서는 단지 탐지된 사실만을 사용함으로써 추가적인 시간 지연을 억제하여 경보 시점을 최대한 앞당기는 효과가 있다.

또한, 한 관측소에 대한 기계학습 기반 오탐지 분류로 오탐지를 제거하는 것에 추가하여, 동일한 노이즈로 인해 상기 관측소와 함께 오탐지가 발생되기 어렵도록 충분한 거리가 이격된 다른 관측소의 P파 탐지 여부를 추가로 확인하여 경보를 결정함으로써 오경보의 기회를 대부분 차단할 수 있는 효과가 있다.

도 1은 2개의 관측소에 지진관측자료의 수신 및 탐지 후 지진조기경보 발령 결정의 작동 순서를 개략화한 순서도이다.
도 2는 지진 발생 후 2개의 관측소에 P파가 도달하고, 최초 P파 탐지 관측소에서 추가 지진동 관측 후 기계학습 기반 오탐지 분류와 최대지진동 예측을 수행한 결과와 이후 P파 탐지 관측소의 탐지 사실을 기반으로 지진조기경보 발령을 결정하고 지역경보로 진행되는 흐름을 설명한 개념도이다.
도 3은 경주 9.12지진 본진의 지역경보 발령 결정 시점의 예를 나타낸 도면이다.
도 4는 포항지진 본진의 지역경보 발령 결정 시점의 예를 나타낸 도면이다.

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

도 1은 2개의 관측소에 지진관측자료의 수신 및 탐지 후 지진조기경보 발령 결정의 작동 순서를 개략화한 순서도이다. 지진이 일어난 이후 먼저 진앙에 가까운 지진관측소에 P파가 탐지(S100)되어 '최초 P파 탐지 관측소'가 되고, P파의 도달 시점을 기준으로 전후 일정 시간 구간에 대한 지진동 관측값을 산출한다(S200). 이 관측값으로부터 특징 벡터를 산출하여 사전에 학습된 기계학습 모델을 통한 분류로 지진으로부터 발생한 P파인지 판정한다(S300). 또한 상기 관측값으로부터 P파의 특성값을 산출하여 최대 지진동 예측식을 통해 관측 지점의 최대 지진동 크기를 예측하여 경보 기준 이상인지 판정한다(S400). '최초 P파 탐지 관측소'에서 상기 단계(S100 내지 S400)가 진행되는 동안 또는 직후에 다른 지진관측소에 P파가 탐지되면 '이후 P파 탐지 관측소'가 된다. 두 관측소에 P파가 탐지되고 위의 절차가 진행되면, 두 관측소의 관측 위치가 일정 거리 구간 내에 속하는지 판정하고, 두 관측소의 도달 시점이 일정 시간 구간 내에 속하는지 판정한 다음, 지진조기경보 발령을 결정하는 순서로 진행된다.

도 2는 지진 발생 후 2개의 관측소에 P파가 도달하고, '최초 P파 탐지 관측소'에서 추가 지진동 관측 후 기계학습 기반 오탐지 분류와 최대지진동 예측을 수행한 결과와 '이후 P파 탐지 관측소'의 탐지 사실을 기반으로 지진조기경보 발령을 결정하고 지역경보로 진행되는 흐름을 설명한 개념도이다. 만약 지진이 발생하지 않는 시점에 C관측소에서 지진이 아닌 주변 노이즈에 의해 오탐지가 발생한 경우 C관측소가 '최초 P파 탐지 관측소'가 되며, 이후 매우 낮은 확률로 기계학습의 분류에서 다시 P파로 오분류되고, 최대 지진동 예측 크기가 기준을 충족하는 경우가 발생할 수 있다. 그러나, 이와 동시에 상기 노이즈가 도달할 수 없는 일정 거리 범위 내의 다른 관측소에 짧은 시간 간격을 두고 오탐지가 우연히 발생하게 될 확률은 극히 낮으므로 오경보의 발생을 실용적으로 억제하게 된다.

도 3은 경주 9.12지진 본진의 경보 발령 결정 시점의 예를 나타낸 도면이다. MKL 관측소가 '최초 P파 탐지 관측소'가 되어 P파 도달 시점 이후 2초간 지진동 관측값을 산출하는 동안, 거리 범위 기준을 충족하는 USN, HDB, DKJ 관측소에 각기 P파가 탐지되어, '최초 P파 탐지 관측소'의 산출과 분석이 끝나는 시점에 이를 확인하여 곧바로 경보가 결정되며, 이 시점은 최초 탐지 후 2.5초로서 기존 기상청 지진조기경보의 경보 시점보다 4초 가량 빠른 지진경보를 제공하게 된다.

도 4는 포항지진 본진의 경보 발령 결정 시점의 예를 나타낸 도면이다. PHA2 관측소가 '최초 P파 탐지 관측소'가 되어 P파 도달 시점 이후 2초간 지진동 관측값을 산출한 이후, HAK 관측소에서 P파를 탐지되면 곧바로 경보가 결정된다. 이 시점은 최초 탐지 후 3초로서 역시 기존 기상청 지진조기경보의 경보 시점보다 빠른 지진경보를 제공하게 된다.

이와 같은 본 발명을 상세히 보면 다음과 같다.

도 2에 있어서, 지진파는 진원을 중심으로 방사형 형태로 전파하는 특성을 보이며, 전파하는 매질입자의 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 자동으로 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.

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 발령 되므로, 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 경보 공백역을 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 내지 2개 관측소로부터 P파를 자동으로 탐지하고, 탐지된 P파의 2초 내외의 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 내지 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, 관측소 마다 단독으로 경보체제를 운영하는 독립성을 갖기 때문에 수요자 요구를 반영한 독자적인 경보 시스템으로도 운영된다. 하지만, 현장 기반의 지진조기경보는 1 내지 2개의 지진계의 탐지만으로 분석하여야 하며, 이에 따른 오경보 증가를 해소하기 위해서 P파로 오탐지되는 S파와 노이즈를 기계학습을 이용하여 식별 및 제거하는 방법을 사용한다.

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 시계열 패턴의 특징을 추출하여 기계학습을 통해 분류함으로써 오탐지되는 S파와 노이즈를 제거할 수 있으며, 결국 최종 사용 단계에서 P파에 대한 신뢰도를 높일 수 있다. 기상청 지진조기경보 관측망의 2019년 연속 관측자료를 대상으로 P파 탐지 후, 오탐지 발생을 분석한 결과 예측 진도 5 이상의 오경보 유발 가능 오탐지는 연간 9,600여회였으며, 기계학습을 이용한 오탐지 제거를 방법으로 이 가운데 99.9% 이상이 차단되었지만, 소수의 차단되지 못한 오탐지가 존재하였고, 이로 인하여 단일 관측소의 분석 결과 만으로 경보할 경우에는 오경보를 유발할 수 있으므로, 이를 보완할 수 있는 방법이 필요하다.

지역대상 지진조기경보는 중앙 데이터 센터에서 수집되는 네트워크 기반의 지진조기경보 지진관측망의 실시간 관측을 기반으로 네트워크 기반의 지진조기경보 방법보다 상대적으로 소수의 진앙 인근 지진관측소의 관측에 대한 분석을 통해, 보다 신속하게 해당 지역을 대상으로 경보한다. 이러한 지역대상 지진조기경보의 한 방법으로서 전국에 분포한 네트워크 기반의 지진조기경보 지진관측소들의 관측을 현장 기반의 지진조기경보 분석 방법으로 분석하여, 최초 탐지된 지진관측소를 중심으로 일정 범위에 대해 신속하게 경보하는 방법을 고안하였다. 구체적으로 기계학습을 이용한 지역대상 지진조기경보는 한 관측소에서 P파를 감지한 후 일정 시간의 추가 관측을 통해 오탐지 제거를 위한 분류와 경보를 위한 예측을 수행한 후, 기계학습을 이용한 분류 결과가 지진으로부터 발생한 P파이고, 예측되는 최대 지진동이 경보 기준 이상일 때, 기준 거리 범위 내의 다른 관측소에서 기준 시간 범위 내에 P파를 감지하였을 경우 오경보의 확률을 최소화한 상태에서 지역대상 지진조기경보를 발령하는 방법이다. 이러한 방식은 현장 기반 지진조기경보에 비해 데이터 전송과 처리에 따른 시간의 지연이 약간 발생하지만, 별도의 현장 경보용 지진계 설치 및 관리로 인한 비용과 노력을 절감하고, 기존의 잘 관리된 지진관측소의 관측자료를 사용하여 예측의 정확도를 높일 수 있다. 특히, 최초 P파 탐지 관측소의 기계학습을 이용한 오탐지 제거 방법과 함께 추가적인 수단으로서 동일한 지진에서 발생된 P파로 인해 탐지될 수 있는 거리와 시간 범위를 충족하는 인근 타 지진관측소의 P파 탐지를 확인하는 방법을 적용할 수 있어 경보 시점의 지연을 최소화하면서 오경보를 대부분 제거할 수 있다. 만약 2개 이상의 관측소에 대해 기계학습을 이용한 방법을 적용하게 되면 오경보를 제거할 확률이 매우 높아지지만, 도 2에서와 같이 첫 번째 탐지와 두 번째 탐지의 시간 간격이 큰 경우 두 번째 탐지에 대하여 기계학습을 위한 지진동 관측값을 산출하게되면 다시 1 내지 2초가 지연되어 경보의 시점이 지나치게 늦어지므로 신속한 경보가 어려워진다.

지진관측망 내부에서 발생한 지진으로 인해 진원에 가장 인접한 2개 관측소에 P파가 도달할 때 각기 도달시점의 시간차는 지진의 발생 위치에 따라 결정된다. 지진이 2개 관측소의 중간에서 발생한 경우에는 동일한 시점에 두 관측소에 P파가 도달하여 시간차는 0에 가깝게 된다. 가장 시간차가 큰 경우는 한 관측소의 직하에서 발생한 경우로 이 경우의 시간차는 P파가 바로 위의 관측소에 도달한 시점과 대략 지진관측소 간 평균 거리만큼 이격된 다른 관측소에 도달한 시점의 차이가 된다. 이때 기하학적 관계에 의해 진원의 깊이가 얕을수록 시간차는 증가하여 진원이 지면일 때 최대가 되고, 반대로 진원이 깊어질수록 시간차가 작아진다. 현재 기상청 지진관측망의 평균 간격은 약 20km 가량이고, 깊이 10km에서 발생한 지진의 P파가 20km의 지면에 도달하데 소요되는 시간은 대략 4초이다. 현재 지진조기경보 관측망의 평균 간격을 기준으로 지진이 발생할 때 '이후 P파 탐지 관측소'의 탐지 시각에서 '최초 P파 탐지 관측소'의 탐지 시각을 뺀 값의 범위는 대략 -0.5초 내지 4초가 된다. 이때 -0.5초는 P파의 탐지에서 도달 시점을 결정할 때 편차가 발생할 가능성이 존재하기 때문이다.

경보 결정을 위한 관측 위치 간의 거리 기준은 노이즈로 인한 오탐지가 각 관측소에 모두 발생하는 경우를 최소화하며, 동시에 실제 지진이 근거리에서 발생한 경우에는 거리 기준을 충족할 수 있도록 한다. 어느 한 관측소와 인접한 거리에서 대형차량의 주행, 낙뢰, 광산 또는 채석장 발파 등 큰 에너지와 유사한 패턴을 갖는 소음이 발생할 경우에 오탐지가 발생할 수 있다. 지하핵실험이나 엄청난 규모의 폭발사고와 같은 예외적인 경우를 제외하면 이러한 노이즈는 지진에 비해 에너지 크기가 작으며 감쇠로 인해 일정한 거리를 벗어나면 P파 탐지를 일으키지 못하게 된다. 이론적으로 탐지 지점 간의 최소 거리를 일상적인 노이즈의 P파 탐지 유발 가능 거리의 2배 이상으로 할 경우 단일 노이즈에 의한 오탐지 동시 발생을 차단할 수 있다. 하지만, 이러한 노이즈의 종류와 발생되는 크기가 다양하기 때문에 보편적인 기준을 제시하기는 어려우며 경험적으로는 수 백미터에서 수 킬로미터 범위에서 주변 소음 환경에 따라 선택하여 적용할 수 있다. 전국에 대해 동일한 기준을 수립하여야 하는 지역경보의 경우 최소 거리를 2km로 적용하였다. 최대 거리 기준의 경우 너무 넓게 적용할 경우에는 우연히 비슷한 시점에 먼 관측소에서 다른 노이즈로 인해 발생한 오탐지에도 조건이 충족되어 오경보가 발생할 수 있으므로, 지진에 대한 경보 결정에 지장이 없는 범위에서 최소의 거리를 선택하여야 한다. 최대값을 지진관측망의 지진관측소 간 평균거리의 약 2배로 하면, 한 관측소의 직하에서 지진이 발생하고 해당 관측소에서 너무 가까운 위치로 인한 미탐지 또는 오인차단이 발생하여 분석에서 누락되고, 진앙을 중심으로 서로 반대 방향의 다른 두 관측소에서 P파를 탐지하게 되는 경우에 거리 기준을 충족할 수 있다. 이러한 극단적인 경우가 아닌 보통의 지진관측소들의 중간 위치에서 지진이 발생한 경우에는 P파를 탐지한 관측소 간의 거리는 대부분 지진관측망의 지진관측소 간 평균거리 내외가 되므로, 거리 기준이 안정적으로 충족된다.

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. 기계학습을 이용한 지역대상 지진조기경보를 위해 지진관측망의 지진관측소들에서 실시간으로 지진 관측자료를 수집하여 진원으로부터 전파되는 P파를 탐지하고 기계학습을 기반으로 분석한 결과를 경보할 때, 경보 시점을 최대한 앞당기고, 오경보를 최소화하는 방법으로서,
   진원으로부터 가까운 관측소에 P파가 도달하여 탐지하는 단계(S100);
   상기 탐지된 P파의 도달 시점을 기준으로 전후 일정 시간 구간에 대한 지진동 관측값을 산출하는 단계(S200);
   상기 지진동 관측값으로부터 특징 벡터를 산출하여 사전에 학습된 기계학습 모델을 통한 분류로 지진으로부터 발생한 P파인지 판정하는 단계(S300);
   상기 지진동 관측값으로부터 P파의 특성값을 산출하여 최대 지진동 예측식을 통해 관측 지점의 최대 지진동 크기를 예측하고, 예측 결과가 경보 기준 이상인지 판정하는 단계(S400);
   상기 단계(S100 내지 S400)가 진행되는 동안 또는 직후 지진관측망의 다른 지진관측소에 P파가 도달하여 탐지하는 단계(S500);
   상기 다른 지진관측소에서 탐지된 P파의 관측 위치가 상기 진원으로부터 가까운 관측소의 관측 위치와 일정 거리 구간 내에 속하는지 판정하는 단계(S600);
   상기 다른 지진관측소에서 탐지된 P파의 도달 시점이 최초 탐지된 P파의 도달 시점을 기준으로 전후 일정 시간 구간 내에 속하는지 판정하는 단계(S700); 및
   상기 판정 결과를 이용하여 지진조기경보의 발령을 결정하는 단계(S800);
   를 포함하는 것을 특징으로 하는 기계학습을 이용한 지역대상 지진조기경보를 위한 실시간 경보 결정 방법.
2. 청구항 1에 있어서,
   상기 단계(S600)는 최소값을 일상적 비지진 소음원이 오탐지를 유발할 수 있는 반경의 2배 이상으로 하고, 최대값을 지진관측망의 지진관측소 간 평균거리의 2배로 하는 거리 구간을 설정하여, P파를 탐지한 두 관측소 간 거리가 구간 내에 속할 경우에 경보 필요조건을 충족하는 것을 특징으로 하는 기계학습을 이용한 지역대상 지진조기경보를 위한 실시간 경보 결정 방법.
3. 청구항 1에 있어서,
   상기 단계(S700)는 최소값을 P파 탐지 시점의 발생 가능한 편차를 고려하여 -0.5초 내외로 하고, 최대값을 지표 발생 지진의 P파가 지진관측망의 지진관측소 간 평균거리까지 도달하는데 소요되는 시간으로 하는 시간 구간을 설정하고, 상기 다른 지진관측소에서 탐지된 P파의 도달 시점에서 최초 탐지된 P파의 도달 시점을 뺀 시간차가 이 구간 내에 속할 경우에 경보 필요조건을 충족하는 것을 특징으로 하는 기계학습을 이용한 지역대상 지진조기경보를 위한 실시간 경보 결정 방법.
4. 청구항 1에 있어서,
   상기 단계(S800)는 상기 단계(S300), 상기 단계(S400), 상기 단계(S600) 및 상기 단계(S700)의 판정 결과가 모두 충족되는 경우에 지진조기경보를 발령하는 것을 특징으로 하는 기계학습을 이용한 지역대상 지진조기경보를 위한 실시간 경보 결정 방법.

Images