WO2021033501A1 - 地震観測装置、地震観測方法および地震観測プログラムを記録した記録媒体 - Google Patents

地震観測装置、地震観測方法および地震観測プログラムを記録した記録媒体 Download PDF

Info

Publication number
WO2021033501A1
WO2021033501A1 PCT/JP2020/028855 JP2020028855W WO2021033501A1 WO 2021033501 A1 WO2021033501 A1 WO 2021033501A1 JP 2020028855 W JP2020028855 W JP 2020028855W WO 2021033501 A1 WO2021033501 A1 WO 2021033501A1
Authority
WO
WIPO (PCT)
Prior art keywords
trigger
earthquake
unit
seismic
likelihood
Prior art date
Application number
PCT/JP2020/028855
Other languages
English (en)
French (fr)
Inventor
直樹 鍬守
成実 高橋
優 中野
健太朗 末木
修一郎 矢田
陽子 鍬守
Original Assignee
日本電気株式会社
国立研究開発法人海洋研究開発機構
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 日本電気株式会社, 国立研究開発法人海洋研究開発機構 filed Critical 日本電気株式会社
Priority to CN202080057454.6A priority Critical patent/CN114270224A/zh
Priority to JP2021540695A priority patent/JP7216359B2/ja
Priority to US17/631,195 priority patent/US11906678B2/en
Publication of WO2021033501A1 publication Critical patent/WO2021033501A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/01—Measuring or predicting earthquakes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/003—Seismic data acquisition in general, e.g. survey design
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/02—Generating seismic energy
    • G01V1/133—Generating seismic energy using fluidic driving means, e.g. highly pressurised fluids; using implosion
    • G01V1/137—Generating seismic energy using fluidic driving means, e.g. highly pressurised fluids; using implosion which fluid escapes from the generator in a pulsating manner, e.g. for generating bursts, airguns
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/10—Aspects of acoustic signal generation or detection
    • G01V2210/12—Signal generation
    • G01V2210/123—Passive source, e.g. microseismics
    • G01V2210/1232—Earthquakes
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/90—Services for handling of emergency or hazardous situations, e.g. earthquake and tsunami warning systems [ETWS]

Definitions

  • the present invention relates to an earthquake observation device, an earthquake observation method, and a recording medium on which an earthquake observation program is recorded.
  • Patent Document 1 describes a vibration alarm device that performs machine learning to distinguish whether the generated vibration is an earthquake or a living vibration.
  • This vibration alarm device calculates a feature amount such as vibration measured from the acceleration measurement data of vibration by an acceleration sensor, and determines whether the vibration generated based on this feature amount is an earthquake or a living vibration. In order to make such a determination, this vibration alarm device machine-learns the relationship between the measured characteristic amount of vibration and the vibration determination result.
  • vibration it is conceivable that it is not limited to distinguishing whether the generated vibration is an earthquake or a living vibration, but it is desirable to distinguish other types. For example, when a teleseismic earthquake and a near-field earthquake are observed at approximately the same time, it is necessary to distinguish between a tele-earthquake seismic wave and a near-field earthquake in order to determine the epicenter of each earthquake.
  • An object of the present invention is to provide a recording medium that records an earthquake observation device, an earthquake observation method, and an earthquake observation program that can solve the above-mentioned problems.
  • the seismic observation device is an input means for receiving input of time-series data of measured values of vibration and a processing target determining means for determining a time zone of the time-series data to be processed. And a type determination means for acquiring the likelihood of classifying the cause of the vibration shown in the time series data in the time zone for each type of the cause.
  • the seismic observation method accepts input of time-series data of measured values of vibration, determines a time zone of the time-series data to be processed, and determines the time zone of the time-series data to be processed.
  • the likelihood of classifying the vibration generating factors shown in the series data is acquired for each type of the generating factors.
  • the recording medium on which the seismic observation program is recorded causes a computer to accept input of time-series data of measured vibration values, and sets the time zone of the time-series data to be processed.
  • a seismic observation program is recorded in which the determination is made and the likelihood of classifying the cause of the vibration shown in the time series data in the time zone is acquired for each type of the cause.
  • FIG. 1 is a schematic block diagram showing an example of the functional configuration of the seismic observation device according to the embodiment.
  • the seismic observation device 100 includes a communication unit 110, a storage unit 180, and a control unit 190.
  • the storage unit 180 includes a model storage unit 181.
  • the control unit 190 includes a processing target determination unit 191, a type determination unit 195, and a determination integration processing unit 196.
  • the processing target determination unit 191 includes a trigger detection unit 192, an exclusion trigger determination unit 193, and a trigger integration unit 194.
  • the seismic observation device 100 acquires sensor measurement values from sensors such as seismometers installed at observation points, and detects vibrations different from normal vibrations from the vibrations indicated by the sensor measurement values.
  • the seismic observation device 100 determines the detected vibration (sensor data indicating) as a processing target in seismic observation, and estimates the cause of the vibration.
  • the seismic observation device 100 is configured by using a computer such as a workstation or a mainframe.
  • the above observation point is a point where a sensor for observing shaking such as an earthquake is installed.
  • the observation point is also called an earthquake observation point or a seismic intensity observation point.
  • Vibrations that are different from the normal vibrations that occur in daily life are also called triggers.
  • the seismic observation device 100 detects a vibration different from the normal vibration, the seismic observation device 100 performs a process for seismic observation on the vibration.
  • the vibration different from the normal vibration is a trigger for the seismic observation device 100 to perform processing for seismic observation. Determining the presence or absence of vibration different from normal vibration is also referred to as determining the trigger.
  • the seismic observation device 100 When the seismic observation device 100 detects a trigger, it estimates the type of the trigger generating factor (that is, the vibration generating factor different from the normal vibration). Specifically, the seismic observation device 100 calculates the likelihood that the trigger generating factor is classified into the type for each of the preset vibration generating factors. For example, when multiple earthquakes with different vibration generating factors occur at approximately the same time, such as teleseismic earthquakes and near-field earthquakes, it is possible to distinguish between multiple earthquakes by referring to the estimation results of the vibration generating factors. It is expected that the epicenter can be estimated. A vibration generating factor (event that causes vibration) is called an event.
  • the seismic observation device 100 can determine the trigger over a wide frequency width. For example, the seismic observation device 100 can determine a trigger due to a normal earthquake and a trigger due to a low frequency earthquake with relatively high accuracy over a wide frequency range.
  • a normal earthquake is an earthquake having a higher frequency than a low-frequency earthquake.
  • the term ordinary earthquake is used to distinguish it from low-frequency earthquakes.
  • Observation points may be provided in water such as the sea, lakes or rivers.
  • a water pressure gauge may be installed at the observation point.
  • an accelerometer and a water pressure gauge may be installed at an observation point on the seabed.
  • the seismic observation device 100 can determine the trigger even in the water.
  • a water pressure gauge as a sensor, it is possible to distinguish between a P wave (Primary Wave) and an S wave (Secondary Wave) relatively easily and with high accuracy.
  • P waves which are longitudinal waves (dense and dense waves)
  • S waves which are transverse waves, do not propagate in water.
  • vibrations detected by both a vibrometer (for example, an accelerometer) and a water pressure gauge can be discriminated as P waves, and vibrations detected by the vibrometer but not detected by the water pressure gauge can be discriminated as S waves. .. Thereby, the P wave and the S wave can be distinguished.
  • the observation point may be provided with not only a vibration sensor but also a sensor for measuring weather information such as a wind sensor.
  • the seismic observation device 100 can determine the trigger with higher accuracy by referring to the weather information. For example, when the waves are high due to strong wind on the sea surface, a water pressure gauge installed on the seabed detects changes in water pressure due to the influence of the waves. In this case, the seismic observation device 100 may refer to the sensor measurement value of the wind power and exclude the water pressure gauge on the seabed at that location from the detection of the earthquake when the wind power is strong. This makes it possible to reduce the possibility of erroneously detecting a change in water pressure due to the influence of wind as vibration due to an earthquake.
  • FIG. 2 is a schematic block diagram showing an example of the functional configuration of the seismic processing system 1 according to the embodiment.
  • the seismic processing system 1 includes a sensor 210, a sensor data collecting device 220, an earthquake processing device 230, a data server device 240, a tsunami processing device 250, a real-time display terminal device 261, and maintenance.
  • a terminal device 262 and an interactive processing terminal device 263 are provided.
  • the seismic processing device 230 includes a receiving unit 231, a single observation point trigger processing unit 232, an earthquake determination unit 233, a phase inspection unit 234, an epicenter estimation unit 235, and a notification processing unit 236.
  • the seismic processing device 230, the tsunami processing device 250, and the data server device 240 are configured by using a computer such as a workstation or a mainframe.
  • the earthquake processing system 1 notifies an earthquake early warning when an earthquake occurs.
  • the sensor data collecting device 220 collects the measurement data by the sensor 210 installed at the observation point, transmits it to the seismic processing device 230, and registers it in the data server device 240.
  • the earthquake processing device 230 determines whether or not an earthquake has occurred based on the data measured by the sensor 210.
  • the earthquake processing device 230 estimates the epicenter (earthquake source) and notifies the notification destination together with the tsunami information from the tsunami processing device 250.
  • the notification destination here may be, for example, a terminal device of a person in charge of earthquake analysis, or an organization that reports earthquake information such as a television station.
  • the receiving unit 231 receives the measurement data from the sensor 210 from the sensor data collecting device 220 and outputs it to each unit in the subsequent stage.
  • the single observation point trigger processing unit 232 determines the trigger for each observation point based on the measurement data by the sensor 210. Each observation point is also called a single observation point.
  • the earthquake determination unit 233 determines whether or not an earthquake has occurred based on the determination results of the triggers at the plurality of observation points. For example, the earthquake determination unit 233 determines that an earthquake has occurred when the ratio of the observation points for which the trigger derived from the earthquake is determined is equal to or more than the predetermined ratio among the observation points included in the predetermined range.
  • the phase inspection unit 234 inspects seismic waves (for example, P wave, S wave, and T wave) of each phase when the earthquake determination unit 233 determines the occurrence of an earthquake.
  • an existing method may be used.
  • the epicenter estimation unit 235 estimates the epicenter based on the inspection results of the phase inspection unit 234.
  • An existing method may be used as the method for estimating the epicenter.
  • the notification processing unit 236 notifies the epicenter estimated by the epicenter estimation unit 235 and the tsunami information generated by the tsunami processing device 250 as a predetermined notification destination. Notify to.
  • the data server device 240 stores various data related to earthquake observation, such as measurement data by the sensor 210. Further, the data server device 240 stores parameter values for the seismic processing device 230 to perform various processes. For example, when the seismic processing device 230 processes each part using the trained model by machine learning, the data server device 240 may store the model parameter value of the machine learning result.
  • the tsunami processing device 250 estimates the presence or absence of a tsunami when the earthquake determination unit 233 determines the occurrence of an earthquake.
  • a known method can be used as a method for the tsunami processing apparatus 250 to estimate the presence or absence of the occurrence of a tsunami.
  • the tsunami processing device 250 transmits tsunami information indicating an estimation result of the presence or absence of a tsunami to the notification processing unit 236.
  • the notification processing unit 236 collects the epicenter information and the tsunami information and notifies the notification destination.
  • the real-time display terminal device 261 displays the measurement data by the sensor 210 in real time.
  • the maintenance terminal device 262 is a terminal device for maintenance of the seismic processing system 1.
  • the maintenance worker of the seismic processing system 1 uses the maintenance terminal device 262 to update the model parameter value stored in the data server device 240. Further, the maintenance worker of the seismic processing system 1 confirms whether or not each of the sensors 210 is operating normally by using the maintenance terminal device 262, and performs maintenance of the sensor 210 as necessary.
  • the interactive processing terminal device 263 interactively presents to the user the portion of the processing of the earthquake processing system 1 that requires manual processing, and receives the processing by the user. For example, when the user processes the inspection of the phase inspection unit 234, the interactive processing terminal device 263 may display information for inspection such as an earthquake waveform and accept the processing by the user.
  • the single observation point trigger processing unit 232 is associated with the seismic observation device 100.
  • the seismic observation device 100 may perform the processing of the single observation point trigger processing unit 232.
  • the seismic processing device 230 may be configured as one device, and the seismic observation device 100 and a part of the seismic processing device 230 may be associated with each other.
  • the seismic processing device 230 may be configured as a plurality of devices including the seismic observation device 100.
  • the communication unit 110 of the seismic observation device 100 communicates with other devices.
  • the communication unit 110 acquires measurement data (vibration measurement value) of a sensor such as a seismograph installed at an observation point.
  • the communication unit 110 repeatedly acquires the vibration measurement value at a predetermined cycle, for example, every 1/100 second.
  • the communication unit 110 corresponds to an example of an input unit.
  • the communication unit 110 may directly receive the measurement data from the sensor.
  • the communication unit 110 may receive the measurement data of the sensor via a device other than the sensor, such as the sensor data collecting device collecting the measurement data of the sensor and transmitting it to the seismic observation device 100.
  • the storage unit 180 stores various data.
  • the storage unit 180 is configured by using the storage device included in the seismic observation device 100.
  • the model storage unit 181 stores the trained model.
  • the trained model referred to here is a model obtained by machine learning.
  • the model storage unit 181 stores the trained model for some or all of the processing of the trigger detection unit 192, the exclusion trigger determination unit 193, the trigger integration unit 194, the type determination unit 195, and the determination integration processing unit 196. You may.
  • the model storage unit 181 stores the trained model obtained as a result of machine learning.
  • the model storage unit 181 may store the model including the parameters and the parameter values obtained by machine learning as a trained model.
  • the model including the parameters may be, for example, a neural network such as a convolutional neural network (CNN), but is not limited thereto.
  • CNN convolutional neural network
  • the model storage unit 181 may store a plurality of learned models for one functional unit. For example, when the processing of the trigger detection unit 192 is the target of machine learning, the model storage unit 181 stores the learned model for the trigger detection unit 192 to use for the trigger determination for each type of trigger described later. You may try to do it.
  • the control unit 190 controls each unit of the seismic observation device 100 to execute various processes.
  • the function of the control unit 190 is executed by the CPU (Central Processing Unit) included in the seismic observation device 100 reading a program from the storage unit 180 and executing the program.
  • the processing target determination unit 191 determines the time zone of the time series data to be processed among the time series data of the vibration measurement values (history data in which the vibration measurement data from the sensor is accumulated). Specifically, the processing target determination unit 191 cuts out a portion of the time-series data of the vibration measurement value in a time zone satisfying a predetermined trigger condition as a trigger. Then, the processing target determination unit 191 collects the triggers generated from the same event into one trigger.
  • the trigger detection unit 192 determines the trigger from the vibration measurement data by the sensor at the single observation point.
  • the trigger detection unit 192 may determine the trigger using a plurality of determination methods (and therefore, using a plurality of determination criteria).
  • the criterion is called the trigger type. That is, the triggers can be classified according to the criterion used for detecting the trigger.
  • the group to be classified is called a trigger type.
  • the trigger determination standard is modeled and the trigger detection unit 192 applies (inputs) vibration measurement data to the model to determine the trigger
  • This model is called a trigger model.
  • the format of the trigger model is not limited to a specific format.
  • the trigger model may be composed of a neural network.
  • the trigger model may be described by a mathematical formula.
  • the trigger model may be a trained model by machine learning, or may be a model generated by a method other than machine learning, such as a model generated manually.
  • the trigger detection unit 192 determines each of the following normal trigger, different cycle trigger, and remote trigger, for example.
  • Normal trigger is a trigger that indicates shaking due to a normal earthquake.
  • the trigger detection unit 192 inputs the measurement data from the sensor, which is a normal seismograph, into the trigger model for the normal trigger and determines the normal trigger.
  • ordinary seismograph is used to distinguish it from a broadband meter.
  • Ordinary seismographs are highly sensitive to relatively high frequency vibrations, and broadband meters are highly sensitive to relatively low frequency vibrations.
  • Normal triggers have the period and waveform attenuation typical of near-field earthquakes.
  • a trigger model for a normal trigger can detect a normal trigger by detecting the characteristics of this period and waveform attenuation.
  • Different period trigger A trigger that indicates shaking due to a low frequency earthquake.
  • the trigger detection unit 192 inputs the measurement data from the sensor, which is a broadband meter, into the trigger model for the different cycle trigger to determine the different cycle trigger.
  • Teleseism trigger A trigger that indicates the shaking caused by a teleseism. The frequency is the same as the different cycle trigger, but the waveform is different from the different cycle trigger. Therefore, the trigger detection unit 192 inputs the measurement data from the sensor, which is a broadband meter, into the trigger model for the remote trigger to determine the remote trigger.
  • the trigger detection unit 192 may input the measurement data from the sensor into the trigger model for each type of trigger and acquire the trigger determination result for each type of trigger as an output from the trigger model.
  • the trigger model When determining the trigger in real time, the trigger model outputs "1" when it detects the occurrence of the trigger, outputs "0" when it does not detect the occurrence of the trigger, and so on. A signal indicating the presence or absence of occurrence may be output.
  • the trigger model may output the time zone in which the occurrence of the trigger is detected. In each case, the output of the trigger model indicates when the trigger is occurring.
  • the processing of the trigger detection unit 192 corresponds to tentatively determining the data of the time zone in which the trigger is occurring among the time series data of the vibration as the data to be processed. The tentative decision is made because the trigger integration is performed by the trigger integration unit 194 as described later.
  • the trigger detection unit 192 may determine the trigger using the raw data (particularly the time domain data) of the measurement data from the sensor.
  • the trigger detection unit 192 may determine the trigger using the running spectrum data of the measurement data from the sensor.
  • the running spectrum data referred to here is a frequency domain obtained by providing a window (window) for the latest predetermined time with respect to the measurement data from the sensor and repeating the Fourier transform of the data in the window, for example, at regular time intervals. It is time series data of data.
  • the window size may be determined according to the frequency of the signal to be analyzed, for example, the window size may be larger than that in the case of the running spectrum analysis of the data of the normal seismograph. ..
  • the exclusion trigger determination unit 193 determines a trigger caused by an event other than a natural earthquake (naturally occurring earthquake) such as an artificial sea earthquake and an artificial underground earthquake. Triggers caused by events other than these natural earthquakes are called exclusion triggers.
  • the exclusion here indicates that it is excluded from the observation target of natural earthquakes such as the estimation of the epicenter of natural earthquakes.
  • Maritime artificial earthquakes occur, for example, by firing an air gun to conduct ground penetrating radar on the seabed. In this case, by releasing air on the seabed, only downward acceleration (pushing) occurs on the ground (seabed). In this respect, a maritime artificial earthquake is different from a fault earthquake that begins when downward acceleration (push) and upward acceleration (pull) occur at the same time. In addition, in a maritime artificial earthquake, S waves are not propagated because an air gun is fired in seawater. The exclusion trigger determination unit 193 determines the trigger caused by the maritime artificial earthquake based on these characteristics of the maritime artificial earthquake.
  • the exclusion trigger determination unit 193 also determines the trigger for the underground artificial earthquake based on the characteristics of the waveform.
  • the trigger determined by the exclusion trigger determination unit 193 corresponds to noise in relation to the trigger caused by the natural earthquake.
  • noise can be removed by including the type of event other than the natural earthquake in the event type. Specifically, in the case of observing a natural earthquake, this trigger can be removed as noise by excluding the trigger whose vibration generating factor is classified into an event type other than the natural earthquake from the processing target.
  • the trigger determined by the exclusion trigger determination unit 193 can be used for purposes other than the detection of natural earthquakes, for example, when investigating artificial vibration as part of a pollution investigation.
  • the trigger determination by the exclusion trigger determination unit 193 and the trigger determination by the trigger detection unit 192 are the same except that the determination conditions are different. Therefore, as in the case of the trigger determination by the trigger detection unit 192, the exclusion trigger determination unit 193 may determine the trigger by applying the vibration measurement data from the sensor to the trigger model.
  • the point that the trigger model in this case is not limited to the model of a specific type is the same as the case of the trigger detection unit 192. Further, the trigger model in this case may be a trained model or a model generated by a method other than machine learning, as in the case of the trigger detection unit 192.
  • the exclusion trigger determination unit 193 may further remove the trigger that causes noise based on the weather information such as the measurement data of the weather sensor. For example, as described above for the earthquake observation device 100, even if the exclusion trigger determination unit 193 refers to the sensor measurement value of the wind power and excludes the water pressure gauge on the seabed at that location from the detection of the earthquake when the wind power is strong. Good. This makes it possible to reduce the possibility of erroneously detecting a change in water pressure due to the influence of wind as vibration due to an earthquake.
  • the exclusion trigger determination unit 193 corresponds to the example of the exclusion processing unit.
  • the trigger integration unit 194 integrates a plurality of phases of triggers caused by the same event among a plurality of triggers detected at the same observation point. For example, in the case of a teleseism, when a P wave or S wave propagates in the ground and shakes the ground surface, P wave and S wave may be further derived.
  • FIG. 3 is a diagram showing an example of a subsequent wave in a seismic wave.
  • the horizontal axis of the graph in FIG. 3 indicates the time.
  • the vertical axis shows the amplitude.
  • a scale of 10 minutes is shown as a guideline for the length of time.
  • a P wave and a PP wave which is a P wave derived from this P wave, are shown.
  • an S wave, an SS wave which is an S wave derived from this S wave, and an SSS wave which is an S wave further derived from this SS wave are shown.
  • this graph shows surface waves propagating on the surface of the earth.
  • such subsequent waves are considered to be derived from the same earthquake as the preceding seismic waves (original P waves and S waves). It is appropriate to integrate it into the seismic wave and estimate the epicenter based on the previous seismic wave.
  • the trigger determination by the trigger detection unit 192 it is possible to detect a trailing wave that is buried in noise and not detected by the conventional manual seismic wave detection.
  • the trigger integration unit 194 integrates the following wave with the selected seismic wave.
  • the trigger integration unit 194 deletes the information on the detection start time of the subsequent wave, leaving the information on the detection start time of the preceding seismic wave.
  • the trigger integration unit 194 integrates the PP wave into the P wave and integrates the SS wave and the SSS wave into the S wave.
  • the trigger integration unit 194 leaves the P wave detection start time and the S wave detection start time, and the PP wave detection start time, SS wave detection start time, and SSS wave detection start time. Delete the time.
  • the trigger integration unit 194 may statistically determine the trigger caused by the same event. For example, the trigger integration unit 194 observes a plurality of triggers that are the same based on statistical data of the position (arrival time at the observation point), shape, and level (amplitude magnitude) of each of the P wave and the S wave. It may be determined whether or not it is caused by an event.
  • the trigger integration unit 194 may determine the trigger caused by the same event by machine learning.
  • the trigger integration unit 194 uses, for example, vibration measurement data of sufficient length including P wave and S wave and input data to the model, and manually determines the result of the trigger caused by the same event such as P wave and S wave. Supervised learning is performed using learning data with the correct answer.
  • the trigger integration unit 194 may use the obtained trained model to determine and integrate triggers caused by the same event.
  • the seismic observation device 100 may perform machine learning.
  • a device other than the seismic observation device 100 may perform machine learning, and the seismic observation device 100 may acquire the trained model obtained by machine learning.
  • the trigger integration unit 194 performs SP conversion.
  • the SP conversion is a conversion that correctly corrects the distinction between an S wave and a P wave. For example, when the P wave is buried in noise and cannot be detected, the S wave may be erroneously determined as the P wave. In this case, in the SP conversion, the determination of the S wave is converted into the determination of the P wave.
  • the trigger integration unit 194 may perform SP conversion by determining P wave and S wave, respectively, in the trigger integration process caused by the same event described above.
  • the type determination unit 195 classifies triggers according to the type of event. Specifically, the type determination unit 195 calculates the likelihood that the trigger event (vibration generation factor) belongs to each type of preset event. By classifying the triggers by the type determination unit 195, the classification result by the type determination unit 195 can be used when a plurality of triggers are grouped for each trigger derived from the same earthquake in the subsequent processing.
  • FIG. 4 is a diagram showing an example of trigger distribution.
  • FIG. 4 shows an example when two earthquakes occur at approximately the same time, and the types of trigger events are shown for each observation point.
  • the triggers are divided into a trigger derived from the earthquake 1 and a trigger derived from the earthquake 2.
  • FIG. 5 is a diagram showing an example of the likelihood for each type of event.
  • the types of events are predetermined as “near earthquake”, “teleseism”, “low frequency earthquake”, “artificial earthquake”, “micro earthquake”, and “volcanic earthquake”.
  • the type determination unit 195 calculates the likelihood (the likelihood that the event of the trigger is classified into that type) for each of the three triggers of trigger A, trigger B, and trigger C for each predetermined event type. doing. Further, FIG. 5 shows the highest likelihood circled for each trigger.
  • the type of event is not limited to a specific one. For example, instead of the "artificial earthquake” in the example of FIG. 5, "sea artificial earthquake” and “underground artificial earthquake” may be set.
  • the likelihood calculated by the type determination unit 195 for each type is used as a likelihood vector for each trigger. Grouping may be performed by correlating the likelihood vectors. Alternatively, the likelihood may be grouped based on the magnitude of the likelihood calculated by the type determination unit 195. For example, each trigger may be classified into the group with the highest likelihood. In this case, by using the likelihood corrected by the determination integration processing unit 196, which will be described later, grouping can be performed with higher accuracy than when the likelihood calculated by the type determination unit 195 is used as it is.
  • the process performed by the type determination unit 195 can be regarded as a classification based on the condition determination as well as the process performed by the trigger detection unit 192.
  • the determination criteria used by the type determination unit 195 may be modeled in the same manner as the determination criteria used by the trigger detection unit 192.
  • a model showing the determination criteria used by the type determination unit 195 is called an event model.
  • the event model is not limited to a specific type of model, as is the case with the trigger model. Further, the event model may be a trained model or a model generated by a method other than machine learning, as in the case of the trigger model.
  • the type determination unit 195 By classifying the triggers by the type of event by the type determination unit 195, it is possible to roughly classify the triggers of a plurality of observation points as a preprocessing for classifying each earthquake. As a result, when the triggers of a plurality of observation points are classified for each earthquake, it is expected that the earthquake determination can be accurately performed without mixing extra triggers.
  • the determination integrated processing unit 196 corrects the likelihood calculated by the type determination unit 195.
  • a method of classifying the trigger into the group having the highest likelihood can be considered.
  • the seismic waveform may show characteristics close to those of vibration generating factors other than the actual vibration generating factors.
  • the likelihood of a plurality of groups may be calculated to be high by the calculation of the likelihood by the type determination unit 195.
  • the likelihoods of other types may be calculated to be larger than the likelihoods of the actual event type. For example, since the characteristics of the seismic waveform of a volcanic earthquake and the characteristics of the seismic waveform of a low-frequency microearthquake are similar, in the case of a volcanic earthquake, the type determination unit 195 not only determines the likelihood of the volcanic earthquake. Consider the case where the likelihood of low-frequency earthquakes is also calculated high.
  • the likelihood of a low-frequency earthquake is calculated to be higher than the likelihood of a volcanic earthquake, it is preferable to select the likelihood of a volcanic earthquake, which is an actual event.
  • the likelihood of the low frequency earthquake is the highest at "0.92", while the actual event is a volcanic earthquake.
  • the seismic waveform of a volcanic earthquake and the seismic waveform of a low-frequency microearthquake have different characteristics of frequency components and can be distinguished. Therefore, in the case of a low-frequency earthquake, the type determination unit 195 calculates the likelihood of a low-frequency earthquake to be large, but calculates the likelihood of a volcanic earthquake to be relatively small. Therefore, the determination integration processing unit 196 corrects the likelihood so as to increase the likelihood of the actual event type.
  • FIG. 6 is a diagram showing an example of a coefficient used by the determination integration processing unit 196 for correcting the likelihood.
  • the coefficient vector used by the determination integration processing unit 196 to correct the likelihood is shown in a table format, the event shown on the left side of the table shows the input, and the event shown on the upper side shows the output. And. Therefore, the likelihood calculated by the type determination unit 195 is input for each event shown on the left side. Tracing the table in the row direction, in the column where the coefficient is stored, multiply the coefficient by the likelihood. The blank column indicates "0". Next, the table is traced vertically (column direction), and the values in each column (values obtained by multiplying the likelihood by a coefficient) are summed to calculate the corrected likelihood.
  • the likelihood of the low frequency earthquake before correction is “0.92", and the likelihood of the volcanic earthquake before correction is "0.91". ".
  • the likelihood of low-frequency earthquakes was the highest, but after the correction, the likelihood of volcanic earthquakes, which is the type of actual event, is the highest.
  • the processing performed by the determination integrated processing unit 196 may also be the target of machine learning. Alternatively, for the processing performed by the determination integrated processing unit 196, the processing may be constructed by a method other than machine learning, instead of manually generating a processing model.
  • the processing performed by the determination integration processing unit 196 is targeted for machine learning, the processing performed by the determination integration processing unit 196 is represented by a matrix, and thus can be executed by a fully connected single-layer neural network. The weight value of this neural network may be determined by machine learning.
  • the seismic observation device 100 performs processing in the following procedures from step S10 to step S60.
  • the trigger detection unit 192 determines the trigger. Specifically, the trigger detection unit 192 determines a normal trigger determination (step S11), a different cycle trigger determination (step S12), and a remote trigger determination (step S13).
  • step S10 the process transitions to steps S20 and S30.
  • the seismic observation device 100 may process steps S20 and S30 in parallel. Alternatively, if the seismic observation device 100 executes the process of step S20 and then does not execute the process of S30, the process of step S20 and the process of step S30 may be sequentially executed.
  • the exclusion trigger determination unit 193 determines the exclusion trigger. Specifically, the exclusion trigger determination unit 193 determines the sea artificial earthquake (step S21) and the underground and artificial earthquake (step S22).
  • Step S30 The exclusion trigger determination unit 193 removes noise.
  • the exclusion trigger determination unit 193 refers to the sensor measurement value of the wind power, and when the wind power is strong, excludes the water pressure gauge on the seabed at that location from the detection of the earthquake.
  • Step S40 The trigger integration unit 194 integrates the triggers. Specifically, the trigger integration unit 194 integrates a plurality of phases of triggers caused by the same event among a plurality of triggers detected at the same observation point (step S41). Further, the trigger integration unit 194 corrects the determination of the P wave and the S wave for the trigger in which the P wave and the S wave are erroneously determined (step S42). After step S40, the process proceeds to step S50.
  • Step S50 The type determination unit 195 determines the type of the trigger event. Specifically, the type determination unit 195 calculates the likelihood that the trigger event is a near-field earthquake (step S51). In addition, the type determination unit 195 calculates the likelihood that the trigger event is a teleseism (step S52). In addition, the type determination unit 195 calculates the likelihood that the trigger event is an artificial earthquake (step S53). In addition, the type determination unit 195 calculates the likelihood that the trigger event is a low-frequency earthquake (step S54). In addition, the type determination unit 195 calculates the likelihood that the trigger event is a microearthquake (step S55). Further, the type determination unit 195 calculates the likelihood that the trigger event is a volcanic earthquake (step S56). After step S50, the process proceeds to step S60.
  • Step S60 The determination integrated processing unit 196 corrects the likelihood calculated by the type determination unit 195. After step S60, the seismic observation device 100 ends the process of FIG. 7.
  • the seismic observation device 100 may execute the machine learning, or a device other than the seismic observation device 100 may perform the machine learning. May be good.
  • a model generation device 300 different from the seismic observation device 100 executes machine learning will be described with reference to FIG.
  • FIG. 8 is a schematic block diagram showing an example of the functional configuration of the model generator according to the embodiment.
  • the model generation device 300 includes a machine learning data generation unit 310, a trigger learning unit 321, an artificial earthquake learning unit 322, a trailing wave learning unit 323, a special frequency learning unit 324, and a special phase. It is provided with a learning unit 325.
  • the model generation device 300 executes machine learning to generate a model used for processing each part of the control unit 190.
  • the model generator 300 is configured using a computer such as a workstation or mainframe.
  • the machine learning data generation unit 310 generates supervised machine learning data. Specifically, the machine learning data generation unit 310 acquires seismic waveform data as input data to the model.
  • the seismic waveform data may be vibration measurement data by a sensor, or may be data generated by, for example, simulation, separately from the actual measurement data.
  • the machine learning data generation unit 310 acquires the PS inspection result, the trigger discrimination data, and the event discrimination data as correct answer data.
  • the PS inspection result is data obtained by manually inspecting the P wave and the S wave in the seismic waveform data for each seismic waveform data.
  • the trigger discrimination data is data showing the result of manually determining the trigger in the seismic waveform data for each seismic waveform data.
  • the event discrimination data is data showing the result of manually determining the vibration event indicated by the seismic waveform data for each seismic waveform data.
  • the machine learning data generation unit 310 obtains teacher data, which is a combination of either input data and correct answer data, for each learning unit (that is, trigger learning unit 321, artificial earthquake learning unit 322, subsequent wave learning unit 323, special frequency learning). (For each of the part 324 and the special phase learning part 325).
  • the trigger learning unit 321 performs machine learning using the trigger model. Specifically, the trigger learning unit 321 uses a trigger model (for example, a normal trigger model, a different cycle trigger model, a remote trigger model) prepared for each type of trigger such as a normal trigger, a different cycle trigger, and a remote trigger. , Each machine learning is performed to determine the model parameter value (training parameter value).
  • a trigger model for example, a normal trigger model, a different cycle trigger model, a remote trigger model
  • Each machine learning is performed to determine the model parameter value (training parameter value).
  • the trigger learning unit 321 uses vibration measurement data in a time zone including the time when the trigger is determined to occur and the time before and after it as input data to the model, and either a manual trigger flag or a trigger flag by another system. Supervised learning is performed using learning data in which the correct answer is the one judged to be correct.
  • the trigger flag referred to here is data indicating a trigger determination result (determination result of presence / absence of trigger occurrence). Specifically, the trigger flag is data indicating the time when it is determined that the trigger has occurred. By this machine learning, the trigger learning unit 321 sets the parameter value of the trigger model so as to output the trigger flag by inputting the vibration measurement data.
  • the artificial earthquake learning unit 322 performs machine learning using the artificial earthquake trigger model to determine the model parameter value.
  • an artificial earthquake trigger model a marine artificial earthquake model and an underground artificial earthquake model may be prepared. In this case, the artificial earthquake learning unit 322 performs machine learning for each of the marine artificial earthquake trigger model and the underground artificial earthquake model, and determines the model parameter value.
  • an artificial earthquake trigger model an artificial earthquake model common to both marine artificial earthquakes and underground artificial earthquakes may be prepared. In this case, the artificial earthquake learning unit 322 performs machine learning using this artificial earthquake trigger model to determine the model parameter value.
  • the artificial earthquake learning unit 322 uses the sample waveform of the artificial earthquake (vibration measurement data including the vibration data of the artificial earthquake) as an input to the model, and performs supervised learning using the learning data with the manual trigger flag as the correct answer. ..
  • the trigger flag is data indicating the determination result of the trigger of the artificial earthquake (the determination result of the presence / absence of the occurrence of the trigger due to the artificial earthquake). If it is necessary to distinguish between marine artificial earthquakes and underground artificial earthquakes, perform machine learning separately for each. By this machine learning, the artificial seismic learning unit 322 inputs a vibration measurement data and outputs a trigger flag, so that a model (a marine artificial earthquake model and an underground artificial earthquake model, or a maritime artificial earthquake and an underground artificial earthquake) is output. Set the parameter value of the model) common to earthquakes.
  • the trailing wave learning unit 323 performs machine learning using the trailing wave model to determine the model parameter value.
  • the trailing wave model is a model that receives input of seismic waveform data and detects a trailing wave in the seismic waveform indicated by the data.
  • the trailing wave learning unit 323 uses the vibration measurement data of a single earthquake (vibration measurement data when no simultaneous earthquakes occur) as input to the model, and uses the learning data with the manual phase determination result as the correct answer to teach. Yes Learn. The fact that no new phase is determined in the phase determination result given as the correct answer indicates that the wave is a trailing wave.
  • the trailing wave learning unit 323 sets the parameter value of the trailing wave model so as to input the vibration measurement data and output the phase determination result.
  • the seismic wave included in the vibration measurement data is not determined as a new phase, indicating that it is a subsequent wave.
  • the special frequency learning unit 324 performs machine learning using the special period model to determine the model parameter value.
  • an earthquake having a period or duration different from that of a normal earthquake is referred to as a special period earthquake. Therefore, special periodic earthquakes are earthquakes with a longer period than ordinary earthquakes, earthquakes with a shorter period than ordinary earthquakes, earthquakes with a longer duration than ordinary earthquakes, and earthquakes with a shorter duration than ordinary earthquakes. It is a general term for.
  • the special frequency learning unit 324 may further perform machine learning for earthquakes different from ordinary earthquakes.
  • the special frequency learning unit 324 receives vibration measurement data including vibration data of a special periodic earthquake as input, and performs supervised learning using learning data in which a manual trigger flag is the correct answer.
  • the trigger flag is data indicating the determination result of the trigger of the special periodic earthquake (the determination result of the presence / absence of the trigger due to the special periodic earthquake).
  • the special frequency learning unit 324 sets the parameter value of the special period model so as to output the trigger flag by inputting the vibration measurement data.
  • the possibility of overlooking the occurrence of the trigger can be reduced.
  • the trigger using the special period model it is possible to detect the special period earthquake and collect data, and the obtained data can be used for the study of the special period earthquake.
  • the special phase learning unit 325 performs machine learning using the special phase model to determine the model parameter value.
  • the special phase referred to here is a phase other than the P phase and the S phase.
  • the special phase model receives the input of seismic waveform data and detects the seismic waves of the phases other than the P phase and the S phase shown in the data.
  • the special phase learning unit 325 receives vibration measurement data including the waveform of the special phase as an input, and performs supervised learning using the learning data in which the detection result of the special phase by hand is the correct answer. By this machine learning, the special phase learning unit 325 sets the parameter value of the special phase model so as to output the detection result of the special phase by inputting the vibration measurement data.
  • the special phase model is used to judge the trigger. By determining the trigger using the special phase model, it is possible to reduce the possibility of overlooking the occurrence of the trigger and the possibility of erroneously detecting the type of the trigger. Further, by detecting the waveform of the special phase using the special phase model, the data of the special phase can be collected, and the obtained data can be used for the study of the special phase.
  • FIG. 9 is a diagram showing a first example of seismic wave detection.
  • FIG. 9 shows the result of the first experiment in which the P wave was detected using the machine learning result.
  • the horizontal axis of the graph in FIG. 9 indicates the time.
  • the vertical axis shows data values such as amplitude.
  • Line L111 indicates the amplitude of vertical movement.
  • Lines L112 and L113 both indicate the amplitude of horizontal motion.
  • Lines L121, L122, and L123 show waveforms obtained by applying a bandpass filter to the vibration waveforms of lines L111, L112, and L113, respectively.
  • the line L131 shows the likelihood of the P wave calculated using the learning model obtained by machine learning (the likelihood that the time is the arrival time of the P wave).
  • Line L141 indicates the time when the likelihood of the P wave is highest.
  • Line L142 shows the result of manual P wave inspection. The line L141 and the line L142 show almost the same timing, and it can be said that the P wave could be detected with high accuracy by machine learning.
  • FIG. 10 is a diagram showing a second example of seismic wave detection.
  • FIG. 10 shows the result of the second experiment in which the P wave was detected using the machine learning result.
  • the horizontal axis of the graph in FIG. 10 indicates the time.
  • the vertical axis shows data values such as amplitude.
  • Line L211 shows the amplitude of vertical movement.
  • Both lines L212 and L213 show the amplitude of horizontal motion.
  • Lines L221, L222, and L223 show waveforms obtained by bandpass filtering the vibration waveforms of lines L211, L212, and L213, respectively.
  • Line L231 shows the likelihood of the P wave calculated using the learning model obtained by machine learning (the likelihood that the time is the arrival time of the P wave).
  • Line L241 indicates the time when the likelihood of the P wave is highest.
  • Line L242 shows the result of manual P wave inspection. The line L241 and the line L242 show almost the same timing, and it can be said that the P wave could be detected with high accuracy by machine learning.
  • the communication unit 110 accepts the input of the time series data of the vibration measurement value.
  • the processing target determination unit 191 determines a time zone to be processed among the time series data acquired by the communication unit 110.
  • the type determination unit 195 acquires the likelihood that the vibration generating factor shown in the time series data in the time zone to be processed is classified into the type for each type of the vibration generating factor. According to the seismic observation device 100, it is possible to perform more flexible classification without limiting the distinction between earthquakes and daily vibrations.
  • the type determination unit 195 applies the time-series data in the time zone to be processed to the trained model provided for each type of vibration generating factor, so that the likelihood is determined for each type of vibration generating factor (event). To get.
  • the seismic observation device 100 by determining the event type using the trained model, it is possible to determine the event type with high accuracy without having to manually set the characteristics for each event.
  • the type determination unit 195 acquires the likelihood of vibration generating factors other than natural earthquakes in addition to the likelihood of vibration generating factors classified as natural earthquakes.
  • the processing result of the seismic observation device 100 is used for observing a natural earthquake, it is possible to remove the trigger caused by an event other than the natural earthquake as noise by excluding the trigger classified as an event other than the natural earthquake from the processing target. it can. Further, the processing result of the seismic observation device 100 can be used for observing vibration caused by an event other than a natural earthquake such as an artificial earthquake.
  • the communication unit 110 receives the input of the time-series data including the time-series data of the water pressure.
  • the type determination unit 195 calculates the likelihood based on the time series data of water pressure.
  • the seismic observation device 100 can observe vibrations using not only ground observation points but also underwater observation points. Further, in the seismic observation device 100, the P wave and the S wave can be distinguished by utilizing the property that the P wave is propagated but the S wave is not propagated in water.
  • the exclusion trigger determination unit 193 excludes noise data from the processing target among the time-series data in the processing target time zone based on the meteorological data. According to the seismic observation device 100, data that becomes noise (for example, a trigger that becomes noise) can be excluded, and vibration can be observed with high accuracy at this point.
  • noise data for example, a trigger that becomes noise
  • the seismic observation device 100 By automating the processing of the seismic observation device 100, the following effects can be obtained.
  • the occurrence of an earthquake is detected by an analytical solution and the seismic wave is analyzed manually, there are many insensitive earthquakes that occur every day, so there is a possibility that the manual analysis cannot catch up.
  • the seismic observation device 100 automatically performs the processing, the burden on the person can be reduced and the processing can be avoided from being delayed.
  • seismic wave analysis When seismic wave analysis is performed manually, fluctuations occur due to individual differences in skills. In addition, when analyzing seismic waves manually, it may not be possible to detect earthquakes depending on difficult waves. On the other hand, when the seismic observation device 100 automatically performs the processing, it is possible to eliminate the blurring due to individual differences in skills. Further, since the seismic observation device 100 detects the seismic wave by a process different from that in the case of visual inspection, there is a possibility that the seismic wave that cannot be detected manually can be detected.
  • the seismic observation device 100 analyzes the vibration using the machine learning result, so that the analysis can be performed using the features that cannot be set manually.
  • the seismic observation device 100 can analyze the vibration with higher accuracy. For example, according to the seismic observation device 100, there is a possibility that a minute earthquake that cannot be detected by human hands because it is hidden by noise can be detected.
  • FIG. 11 is a diagram showing a configuration of a seismic observation device according to an embodiment having a minimum configuration.
  • the seismic observation device 400 shown in FIG. 11 includes an input unit 401, a processing target determination unit 402, and a type determination unit 403.
  • the input unit 401 accepts the input of the time series data of the vibration measurement value.
  • the processing target determination unit 402 determines the time zone to be processed in the time series data.
  • the type determination unit 403 acquires the likelihood that the vibration generating factor shown in the time series data in the time zone to be processed is classified into the type for each type of the vibration generating factor.
  • the seismic observation device 400 it is possible to perform more flexible classification regardless of whether the generated vibration is an earthquake or a living vibration.
  • the type determination unit 403 calculates the likelihood of a remote earthquake and the likelihood of a near earthquake, and refers to these likelihoods to distinguish between a seismic wave of a remote earthquake and a seismic wave of a near earthquake. be able to.
  • the seismic observation device 400 can select an appropriate event candidate from the candidates.
  • FIG. 12 is a diagram showing a processing procedure in the seismic observation method according to the embodiment of the minimum configuration.
  • the processing of FIG. 12 includes an input step (step S101) for accepting input of time-series data of vibration measurement values, a processing target determination step (step S102) for determining a time zone to be processed among the time-series data, and vibration.
  • the vibration generation factor shown in the time series data in the time zone to be processed includes a type determination step (step S103) for acquiring the likelihood of being classified into the type. According to the process of FIG. 12, it is possible to perform more flexible classification regardless of whether the generated vibration is an earthquake or a living vibration.
  • step S403 by calculating the likelihood of a remote earthquake and the likelihood of a near-field earthquake, it is possible to distinguish between the seismic wave of a remote earthquake and the seismic wave of a near-field earthquake by referring to these likelihoods. it can.
  • FIG. 13 is a schematic block diagram showing a configuration of a computer according to at least one of the above-described embodiments.
  • the computer 700 includes a CPU (Central Processing Unit) 710, a main storage device 720, an auxiliary storage device 730, and an interface 740. Any one or more of the above-mentioned seismic observation device 100, seismic processing device 230, model generation device 300, and seismic observation device 400 may be mounted on the computer 700.
  • the operation of each of the above-mentioned processing units is stored in the auxiliary storage device 730 in the form of a program.
  • the CPU 710 reads the program from the auxiliary storage device 730, expands it to the main storage device 720, and executes the above processing according to the program. Further, the CPU 710 secures a storage area corresponding to each of the above-mentioned storage units in the main storage device 720 according to the program.
  • the operations of the control unit 190 and each unit thereof are stored in the auxiliary storage device 730 in the form of a program.
  • the CPU 710 reads the program from the auxiliary storage device 730, deploys it to the main storage device 720, and executes the processing of the control unit 190 and each unit according to the program. Further, the CPU 710 secures the storage unit 180 and the storage area corresponding to each unit in the main storage device 720 according to the program.
  • the communication performed by the communication unit 110 is executed by having the interface 740 have a communication function and performing communication according to the control of the CPU 710.
  • the operations of the single observation point trigger processing unit 232, the seismic determination unit 233, the phase inspection unit 234, the epicenter estimation unit 235, and the notification processing unit 236 are in the form of a program. Is stored in the auxiliary storage device 730.
  • the CPU 710 reads the program from the auxiliary storage device 730, deploys it to the main storage device 720, and executes the processing of each of these parts according to the program.
  • the communication performed by the receiving unit 231 is executed by the interface 740 having a communication function and performing communication according to the control of the CPU 710.
  • each part of the machine learning data generation unit 310, the trigger learning unit 321, the artificial earthquake learning unit 322, the trailing wave learning unit 323, the special frequency learning unit 324, and the special phase learning unit 325 is stored in the auxiliary storage device 730 in the form of a program.
  • the CPU 710 reads the program from the auxiliary storage device 730, deploys it to the main storage device 720, and executes the processing of each of these parts according to the program.
  • the operations of the processing target determination unit 402 and the type determination unit 403 are stored in the auxiliary storage device 730 in the form of a program.
  • the CPU 710 reads the program from the auxiliary storage device 730, deploys it to the main storage device 720, and executes the processing of each of these parts according to the program.
  • the acquisition of data performed by the input unit 401 is executed by the interface 740 having a communication function and performing communication according to the control of the CPU 710.
  • a computer-readable recording medium is used to record a program for executing all or part of the processing performed by the seismic observation device 100, the seismic processing device 230, the model generation device 300, and the seismic observation device 400, and this recording medium.
  • the processing of each part may be performed by loading the program recorded in the above into a computer system and executing the program.
  • the term "computer system” as used herein includes hardware such as an OS and peripheral devices.
  • the "computer-readable recording medium” refers to a portable medium such as a flexible disk, a magneto-optical disk, a ROM, or a CD-ROM, or a storage device such as a hard disk built in a computer system.
  • the above-mentioned program may be a program for realizing a part of the above-mentioned functions, and may further realize the above-mentioned functions in combination with a program already recorded in the computer system.
  • the present invention can be used as a device for observing the generated vibration, and it is possible to make a more flexible distinction not only whether the generated vibration is an earthquake or a living vibration.
  • Seismic processing system 100 400 Seismic observation device 110 Communication unit 180 Storage unit 181 Model storage unit 190 Control unit 191, 402 Processing target determination unit 192 Trigger detection unit 193 Exclusion trigger judgment unit 194 Trigger integration unit 195, 403 Type judgment unit 196 Judgment integrated processing unit 210 Sensor 220 Sensor data collection device 230 Earthquake processing device 231 Receiving unit 232 Independent observation point Trigger processing unit 233 Earthquake judgment unit 234 Phase inspection unit 235 Earthquake source estimation unit 236 Notification processing unit 240 Data server equipment 250 Tsunami processing unit 261 Real-time display terminal device 262 Maintenance terminal device 263 Interactive processing terminal device 300 Model generation device 310 Machine learning data generation unit 321 Trigger learning unit 322 Artificial earthquake learning unit 323 Follow-up wave learning unit 324 Special frequency learning unit 325 Special phase learning unit 401 Input section

Landscapes

  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • Acoustics & Sound (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Geophysics (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)

Abstract

地震観測装置が、振動の測定値の時系列データの入力を受け付ける入力部と、処理する対象とする前記時系列データの時間帯を決定する処理対象決定部と、前記時間帯における前記時系列データに示される前記振動の発生要因が分類される尤度を前記発生要因の種類毎に取得する種類判定部とを備える。

Description

地震観測装置、地震観測方法および地震観測プログラムを記録した記録媒体
　本発明は、地震観測装置、地震観測方法および地震観測プログラムを記録した記録媒体に関する。
　地震の検出に関連して、特許文献１には、発生した振動が、地震と生活振動とのどちらかであるかを区別するための機械学習を行う振動警報装置が記載されている。この振動警報装置は、加速度センサによる振動の加速度測定データから計測された振動等の特徴量を算出し、この特徴量に基づいて発生した振動が、地震かあるいは生活振動かを判定する。かかる判定を行うために、この振動警報装置は、計測された振動の特徴量と、振動判定結果との関係を機械学習する。
特開２０１６－１５６７１２号公報
　振動の観測において、発生した振動が、地震であるかまたは生活振動であるかの区別に限らず、他の種類の区別を行いたい場合が考えられる。例えば、遠地地震と近地地震とがほぼ同時刻に観測された場合、それぞれの地震の震源地を求めるためには、遠地地震の地震波と近地地震の地震波とを区別する必要がある。
　本発明は、上述の課題を解決することのできる地震観測装置、地震観測方法および地震観測プログラムを記録した記録媒体を提供することを目的としている。
　本発明の第１の態様によれば、地震観測装置は、振動の測定値の時系列データの入力を受け付ける入力手段と、処理対象とする前記時系列データの時間帯を決定する処理対象決定手段と、前記時間帯における前記時系列データに示される前記振動の発生要因が分類される尤度を前記発生要因の種類毎に取得する種類判定手段とを備える。
　本発明の第２の態様によれば、地震観測方法は、振動の測定値の時系列データの入力を受け付け、処理対象とする前記時系列データの時間帯を決定し、前記時間帯における前記時系列データに示される前記振動の発生要因が分類される尤度を前記発生要因の種類毎に取得する。
　本発明の第３の態様によれば、地震観測プログラムを記録した記録媒体は、コンピュータに、振動の測定値の時系列データの入力を受け付けさせ、処理対象とする前記時系列データの時間帯を決定させ、前記時間帯における前記時系列データに示される前記振動の発生要因が分類される尤度を前記発生要因の種類毎に取得させる地震観測プログラムを記録する。
　この発明によれば、発生した振動が、地震であるか生活振動であるかの区別に限らず、より柔軟な区別を行うことができる。
実施形態に係る地震観測装置の機能構成の例を示すブロック図である。 実施形態に係る地震処理システムの機能構成の例を示すブロック図である。 地震波の例を示すグラフである。 地震波におけるトリガの分布の例を示す図である。 実施形態に係るイベントの種類毎の尤度の例を示す表である。 実施形態に係る判定統合処理部が尤度の補正に用いる係数の例を示す表である。 実施形態に係る地震観測装置が行う処理の手順の例を示す図である。 実施形態に係るモデル生成装置の機能構成の例を示すブロック図である。 実施形態における地震波の検出の第１例を示すグラフである。 実施形態における地震波の検出の第２例を示すグラフである。 本発明の最小構成の実施形態に係る地震観測装置を示すブロック図である。 本発明の最小構成の実施形態に係る地震観測方法の処理手順を示すフローチャートである。 少なくとも１つの上記実施形態に係るコンピュータの構成を示すブロック図である。
　以下、本発明の実施形態を説明する。以下の実施形態は請求の範囲にかかる発明を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。
　図１は、実施形態に係る地震観測装置の機能構成の例を示す概略ブロック図である。図１に示すように、地震観測装置１００は、通信部１１０と、記憶部１８０と、制御部１９０とを備える。記憶部１８０は、モデル記憶部１８１を備える。制御部１９０は、処理対象決定部１９１と、種類判定部１９５と、判定統合処理部１９６とを備える。処理対象決定部１９１は、トリガ検出部１９２と、除外トリガ判定部１９３と、トリガ統合部１９４とを備える。
　地震観測装置１００は、観測点に設置された地震計等のセンサからのセンサ測定値を取得し、センサ測定値が示す振動から、通常時の振動と異なる振動を検出する。地震観測装置１００は、検出した振動（を示すセンサデータ）を地震観測における処理対象に決定し、その振動の発生要因を推定する。
　地震観測装置１００は、例えばワークステーション（Workstation）またはメインフレーム（Mainframe）等のコンピュータを用いて構成される。
　上記観測点は、地震等の揺れを観測するためのセンサが設置された地点である。観測点は、地震観測点または震度観測点とも称される。
　日常の生活に伴って発生する通常時の振動とは異なる振動をトリガ（Trigger）とも称する。上記のように、地震観測装置１００は通常時の振動と異なる振動を検出すると、その振動に対して地震観測のための処理を行う。この点で、通常時の振動と異なる振動が、地震観測装置１００が地震観測のための処理を行うトリガになっている。
　通常の振動と異なる振動の発生の有無を判定することを、トリガを判定するとも称する。
　地震観測装置１００は、トリガを検出すると、そのトリガの発生要因（すなわち、通常時の振動と異なる振動の発生要因）の種類を推定する。具体的には、地震観測装置１００は、予め設定されている振動発生要因の種類毎に、そのトリガの発生要因がその種類に分類される尤度を算出する。
　例えば遠地地震および近地地震など、振動発生要因が異なる複数の地震がほぼ同時刻に発生した場合、振動発生要因の推定結果を参照することで、複数の地震を区別することができ、地震毎に震源地を推定できることが期待される。
　振動発生要因（振動発生要因となる事象）をイベント（Event）と称する。
　１つの観測点には、複数種類のセンサが設置されていてもよい。感度のよい周波数帯が異なる複数のセンサを１つの観測点に設けることによって地震観測装置１００は、広い周波数幅にわたってトリガを判定することができる。例えば、地震観測装置１００は、通常地震によるトリガ、および低周波地震によるトリガを比較的高精度に判定するなど、広い周波数幅にわたってトリガを比較的高精度に判定することができる。ここで、通常地震とは、低周波地震よりも周波数の高い地震である。通常地震という言葉は、低周波地震と区別するために用いられる。
　観測点は、海、湖または河川などの水中に設けられてもよい。この場合、観測点には水圧計が設置されてもよい。例えば、海底の観測点には加速度センサと水圧計とが設置されていてもよい。水中に観測点が設けられることで、地震観測装置１００は、水中についてもトリガを判定することができる。
　センサとして水圧計を用いることによって、Ｐ波（Primary Wave）とＳ波（Secondary Wave）との区別を比較的容易に、かつ高精度に行うことができる。縦波（疎密波）であるＰ波は水中で伝播するが、横波であるＳ波は水中では伝播しない。この性質により、振動計（例えば加速度センサ）および水圧計の両方で検出される振動をＰ波とし、振動計には検出されるが水圧計には検出されない振動をＳ波として判別することができる。これにより、Ｐ波とＳ波とを区別することができる。
　また、観測点には、振動センサだけでなく、風力センサなど気象情報を測定するセンサが設けられていてもよい。地震観測装置１００は、気象情報を参照することで、トリガをより高精度に判定し得る。例えば、海面の風が強いことで波が高い場合、海底に設置された水圧計が、波の影響による水圧の変化を検出する。この場合、地震観測装置１００が風力のセンサ測定値を参照し、風力が強い場合にその場所の海底の水圧計を地震の検知から除外するようにしてもよい。これにより、風の影響による水圧の変化を、地震による振動であると誤検出する可能性を低減させることができる。
　地震観測装置１００は、地震の震源を推定することに用いることができる。
　図２は、実施形態に係る地震処理システム１の機能構成の例を示す概略ブロック図である。図２に示す構成で、地震処理システム１は、センサ２１０と、センサデータ収集装置２２０と、地震処理装置２３０と、データサーバ装置２４０と、津波処理装置２５０と、リアルタイム表示端末装置２６１と、メンテナンス端末装置２６２と、対話型処理端末装置２６３とを備える。地震処理装置２３０は、受信部２３１と、単独観測点トリガ処理部２３２と、地震判定部２３３と、相検測部２３４と、震源推定部２３５と、通知処理部２３６とを備える。
　地震処理装置２３０、津波処理装置２５０およびデータサーバ装置２４０は、例えばワークステーションまたはメインフレーム等のコンピュータを用いて構成される。
　地震処理システム１は、地震発生時に地震速報を通知する。地震処理システム１では、観測点に設置されているセンサ２１０による測定データを、センサデータ収集装置２２０が収集して地震処理装置２３０へ送信し、また、データサーバ装置２４０に登録する。
　地震処理装置２３０は、センサ２１０による測定データに基づいて地震発生の有無を判定する。地震が発生したと判定した場合、地震処理装置２３０は、震源（震源地）を推定し、推定結果を津波処理装置２５０からの津波情報と共に通知先へ通知する。ここでの通知先は、例えば、地震解析の担当者の端末装置であってもよいし、テレビ局など地震情報を報道する機関であってもよい。
　受信部２３１は、センサ２１０による測定データをセンサデータ収集装置２２０から受信し、後段の各部へ出力する。
　単独観測点トリガ処理部２３２は、センサ２１０による測定データに基づいて、観測点毎のトリガを判定する。個々の観測点を単独観測点とも称する。
　地震判定部２３３は、複数の観測点におけるトリガの判定結果に基づいて、地震発生の有無を判定する。例えば、地震判定部２３３は、所定の範囲に含まれる観測点のうち、地震由来のトリガが判定された観測点の割合が所定の割合以上である場合に、地震が発生したと判定する。
　相検測部２３４は、地震判定部２３３が地震の発生を判定した場合に、各相の地震波（例えば、Ｐ波、Ｓ波およびＴ波）を検測する。検測方法として、既存の方法を用いるようにしてもよい。
　震源推定部２３５は、地震判定部２３３が地震の発生を判定した場合に、相検測部２３４の検測結果に基づいて、震源地を推定する。震源地の推定方法として、既存の方法を用いるようにしてもよい。
　通知処理部２３６は、地震判定部２３３が地震の発生を判定した場合に、震源推定部２３５が推定する震源地と、津波処理装置２５０が生成する津波情報とを、予め定められている通知先へ通知する。
　データサーバ装置２４０は、センサ２１０による測定データなど、地震の観測に関する各種データを記憶する。また、データサーバ装置２４０は、地震処理装置２３０が各種処理を行うためのパラメータ値を記憶する。例えば、地震処理装置２３０が機械学習による学習済みモデルを用いて各部の処理を行う場合、データサーバ装置２４０が機械学習結果のモデルパラメータ値を記憶するようにしてもよい。
　津波処理装置２５０は、地震判定部２３３が地震の発生を判定した場合に、津波の発生の有無を推定する。津波処理装置２５０が津波の発生の有無を推定する方法として、公知の方法を用いることができる。津波処理装置２５０は、津波の発生の有無の推定結果を示す津波情報を通知処理部２３６へ送信する。上記のように、通知処理部２３６が、震源地の情報と津波情報とを取りまとめて通知先へ通知する。
　リアルタイム表示端末装置２６１は、センサ２１０による測定データをリアルタイムで表示する。
　メンテナンス端末装置２６２は、地震処理システム１のメンテナンス用の端末装置である。例えば、地震処理システム１の保守作業員は、メンテナンス端末装置２６２を用いて、データサーバ装置２４０が記憶しているモデルパラメータ値を更新する。また、地震処理システム１の保守作業員は、センサ２１０の各々が正常に動作しているかどうかをメンテナンス端末装置２６２を用いて確認し、必要に応じてセンサ２１０のメンテナンスを実施する。
　対話型処理端末装置２６３は、地震処理システム１の処理のうち人手による処理が必要な部分について、対話形式でユーザに提示してユーザによる処理を受ける。例えば、相検測部２３４の検測についてユーザの処理を受ける場合、対話型処理端末装置２６３が地震波形など検測用の情報を表示し、ユーザによる処理を受け付けるようにしてもよい。
　かかる地震処理システム１の構成のうち、単独観測点トリガ処理部２３２が地震観測装置１００に対応付けられる。地震観測装置１００が単独観測点トリガ処理部２３２の処理を行うようにしてもよい。その場合、地震処理装置２３０が１つの装置として構成され、地震観測装置１００と地震処理装置２３０の一部とが対応付けられてもよい。あるいは、地震処理装置２３０が、地震観測装置１００を含む複数の装置として構成されていてもよい。
　地震観測装置１００（図１）の通信部１１０は、他の装置と通信を行う。例えば、通信部１１０は、観測点に設置された地震計等のセンサの測定データ（振動測定値）を取得する。特に、通信部１１０は、振動測定値を例えば１００分の１秒毎など所定周期で繰り返し取得する。これにより、通信部１１０は、振動測定値の時系列データの入力を受け付けているといえる。通信部１１０は、入力部の例に該当する。
　通信部１１０が、センサから測定データを直接受信するようにしてもよい。あるいは、センサデータ収集装置がセンサの測定データを集約して地震観測装置１００へ送信するなど、通信部１１０が、センサ以外の装置を介してセンサの測定データを受信するようにしてもよい。
　記憶部１８０は、各種データを記憶する。記憶部１８０は、地震観測装置１００が備える記憶デバイスを用いて構成される。
　モデル記憶部１８１は、学習済みモデルを記憶する。ここでいう学習済みモデルとは、機械学習で得られるモデルである。モデル記憶部１８１は、トリガ検出部１９２、除外トリガ判定部１９３、トリガ統合部１９４、種類判定部１９５および判定統合処理部１９６のうち一部または全部の処理についての学習済みモデルを記憶するようにしてもよい。モデル記憶部１８１は、機械学習の結果得られる学習済みモデルを記憶する。
　例えば、モデル記憶部１８１が、パラメータを含むモデルと機械学習で得られたパラメータ値とを学習済みモデルとして記憶するようにしてもよい。パラメータを含むモデルは、例えば畳み込みニューラルネットワーク（Convolutional Neural Network；ＣＮＮ）等のニューラルネットワークであってもよいが、これに限定されない。
　モデル記憶部１８１が、１つの機能部について複数の学習済みモデルを記憶するようにしてもよい。例えば、トリガ検出部１９２の処理が機械学習の対象となっている場合、トリガ検出部１９２がトリガの判定に用いるための学習済みモデルを、モデル記憶部１８１が、後述するトリガの種類毎に記憶するようにしてもよい。
　制御部１９０は、地震観測装置１００の各部を制御して各種処理を実行する。制御部１９０の機能は、地震観測装置１００が備えるＣＰＵ（Central Processing Unit、中央処理装置）が、記憶部１８０からプログラムを読み出して実行することで実行される。
　処理対象決定部１９１は、振動測定値の時系列データ（センサからの振動測定データを蓄積した履歴データ）のうち処理対象とする時系列データの時間帯を決定する。具体的には、処理対象決定部１９１は、振動測定値の時系列データのうち、所定のトリガ条件を満たす時間帯の部分をトリガとして切り出す。そして、処理対象決定部１９１は、同一のイベントから生じるトリガを１つのトリガに纏める。
　トリガ検出部１９２は、単独観測点におけるセンサによる振動測定データからトリガを判定する。トリガ検出部１９２が、複数の判定方法を用いて（したがって、複数の判定基準を用いて）トリガを判定するようにしてもよい。この場合、判定基準をトリガの種類と称する。すなわち、トリガは、そのトリガの検出に用いられた判定基準毎に分類可能である。分類されるグループをトリガの種類と称する。
　以下では、トリガの判定基準がモデル化されており、トリガ検出部１９２が振動測定データをモデルに適用（入力）することによってトリガの判定を行う場合を例に説明する。このモデルをトリガモデルと称する。ただし、トリガモデルの形式は特定の形式に限定されない。例えば、トリガモデルがニューラルネットワークで構成されていてもよい。あるいは、トリガモデルが数式で記載されていてもよい。
　トリガモデルは、機械学習による学習済みモデルであってもよいし、人手で生成されたモデルなど、機械学習以外の方法で生成されたモデルであってもよい。
　トリガ検出部１９２は、例えば以下の通常トリガ、異周期トリガ、遠地トリガの各々の判定を行う。
　通常トリガ：通常トリガは、通常地震による揺れを示すトリガである。トリガ検出部１９２は、通常の地震計であるセンサからの測定データを、通常トリガ用のトリガモデルに入力して通常トリガを判定する。ここで、通常の地震計という用語は、広帯域計との区別のために用いられる。通常の地震計は、比較的高い周波数の振動に対する感度が高く、広帯域計は、比較的低い周波数の振動に関する感度が高い。
　通常トリガは、近地構造地震によくある周期と波形の減衰を持つ。通常トリガ用のトリガモデルがこの周期と波形の減衰の特徴を検出することで、通常トリガを検出できる。
　異周期トリガ（低周波トリガ）：低周波地震による揺れを示すトリガである。トリガ検出部１９２は、広帯域計であるセンサからの測定データを、異周期トリガ用のトリガモデルに入力して異周期トリガを判定する。
　遠地トリガ：遠地地震による揺れを示すトリガである。周波数は異周期トリガと同様だが、異周期トリガとは波形が異なる。そこで、トリガ検出部１９２は、広帯域計であるセンサからの測定データを、遠地トリガ用のトリガモデルに入力して遠地トリガを判定する。
　トリガ検出部１９２は、センサからの測定データを、トリガの種類毎のトリガモデルに入力して、トリガの種類毎のトリガ判定結果をトリガモデルからの出力として取得するようにしてもよい。
　トリガの判定をリアルタイムで行う場合、トリガモデルが、トリガの発生を検出しているときに「１」を出力し、トリガの発生を検出していないときに「０」を出力するなど、トリガの発生の有無を示す信号を出力するようにしてもよい。
　あるいは、センサからの測定データの取得とトリガの判定との間にタイムラグがある場合、トリガモデルが、トリガの発生を検出した時間帯を出力するようにしてもよい。
　いずれの場合も、トリガモデルの出力によってトリガが発生している時間帯が示される。この点で、トリガ検出部１９２の処理は、振動の時系列データのうちトリガが発生している時間帯のデータを処理対象のデータに仮決定することに相当する。仮決定としているのは、後述するようにトリガ統合部１９４によってトリガの統合が行われるからである。
　トリガ検出部１９２が、センサからの測定データの生データ（特に、時間領域のデータ）を用いてトリガを判定するようにしてもよい。あるいは、トリガ検出部１９２が、センサからの測定データのランニングスペクトル（Running Spectrum）データを用いてトリガを判定するようにしてもよい。ここでいうランニングスペクトルデータは、センサからの測定データに対して、直近過去所定時間のウィンドウ（窓）を設け、ウィンドウ内のデータのフーリエ変換を例えば一定時間間隔で繰り返して得られる、周波数領域のデータの時系列データである。
　広帯域計のデータのランニングスペクトル分析では、通常の地震計のデータのランニングスペクトル分析の場合よりもウィンドウサイズを大きくとるなど、分析対象の信号の周波数に応じてウィンドウサイズを決定するようにしてもよい。
　除外トリガ判定部１９３は、例えば海上人工地震および地中上人工地震など、自然地震（自然発生の地震）以外のイベントに起因するトリガを判定する。これら自然地震以外のイベントに起因するトリガを除外トリガと称する。ここでの除外は、自然地震の震源地の推定など、自然地震の観測対象から除外されることを示す。
　海上人工地震は、例えば海底に対して地中探査を行うためにエアガンを発射することで生じる。この場合、海底で空気を放出することで地面（海底面）に下方向の加速度（押し）のみが生じて始まる。この点で、海上人工地震は、下方向の加速度（押し）と上方向の加速度（引き）とが同時に生じて始まる断層地震と異なる。また、海上人工地震は、海水中でエアガンが発射されることでＳ波が伝播されない。除外トリガ判定部１９３は、海上人工地震のこれらの特徴に基づいて、海上人工地震に起因するトリガを判定する。
　地中上人工地震は、例えば工事または地中へのドリリング等で生じる。除外トリガ判定部１９３は、地中上人工地震についても、その波形の特徴に基づいてトリガを判定する。
　除外トリガ判定部１９３が判定するトリガは、自然地震に起因するトリガとの関係では、ノイズに該当する。後述するように、種類判定部１９５がイベントの種類を判定する際、イベントの種類に自然地震以外のイベントの種類が含まれることで、ノイズを除去することができる。具体的には、自然地震の観測の場合、振動発生要因が自然地震以外のイベントの種類に分類されたトリガを処理対象から除外することで、このトリガをノイズとして除去することができる。
　除外トリガ判定部１９３が判定するトリガは、例えば公害調査の一環として人為的な振動を調査する場合など、自然地震の検出以外の目的に用いることができる。
　除外トリガ判定部１９３によるトリガの判定と、トリガ検出部１９２によるトリガの判定とは、判定条件が異なる以外は同様である。したがって、トリガ検出部１９２によるトリガの判定の場合と同様、除外トリガ判定部１９３が、センサからの振動測定データをトリガモデルに適用することで、トリガの判定を行うようにしてもよい。この場合のトリガモデルが特定の形式のモデルに限定されない点も、トリガ検出部１９２の場合と同様である。また、この場合のトリガモデルが学習済みモデルであってもよいし、機械学習以外の方法で生成されたモデルであってもよい点も、トリガ検出部１９２の場合と同様である。
　除外トリガ判定部１９３が、さらに、気象センサの測定データなどの気象情報に基づいて、ノイズとなるトリガを除去するようにしてもよい。例えば、地震観測装置１００について上述したように、除外トリガ判定部１９３が風力のセンサ測定値を参照し、風力が強い場合にその場所の海底の水圧計を地震の検知から除外するようにしてもよい。これにより、風の影響による水圧の変化を地震による振動と誤検出する可能性を低減させることができる。
　除外トリガ判定部１９３は、除外処理部の例に該当する。
　トリガ統合部１９４は、同一の観測点で検出された複数のトリガのうち同一のイベントに起因する複数相のトリガを統合する。
　例えば、遠地地震の場合、Ｐ波またはＳ波が地中を伝播して地表を揺らしたときに、さらにＰ波およびＳ波が派生する場合がある。
　図３は、地震波における後続波の例を示す図である。図３のグラフの横軸は時刻を示す。縦軸は振幅を示す。また、図３では時間の長さの目安として１０分のスケールが示されている。
　図３の地震波のグラフでは、Ｐ波と、このＰ波から派生したＰ波であるＰＰ波とが示されている。また、このグラフでは、Ｓ波と、このＳ波から派生したＳ波であるＳＳ波と、このＳＳ波からさらに派生したＳ波であるＳＳＳ波とが示されている。さらに、このグラフでは、地表を伝播した表面波が示されている。
　例えば震源地の推定においては、このような後続波（派生したＰＰ波、ＳＳ波およびＳＳＳ波）は、先発の地震波（元のＰ波およびＳ波）と同一の地震に由来するものとして先発の地震波に統合し、先発の地震波に基づいて震源を推定することが妥当である。特に、トリガ検出部１９２によるトリガの判定を機械学習することで、従来の人手による地震波の検出ではノイズに埋もれて検出されなかった後続波が検出され得る。
　そこで、トリガ統合部１９４が、後続波を選抜の地震波に統合する。地震波の検出開始時刻で言えば、トリガ統合部１９４は、先発の地震波の検出開始時刻の情報を残して、後続波の検出開始時刻の情報を削除する。これにより、例えば、震源の推定の際に後続保の情報を適用してしまう誤りを回避できる。
　図３の例の場合、トリガ統合部１９４は、ＰＰ波をＰ波に統合し、ＳＳ波およびＳＳＳ波をＳ波に統合する。地震波の検出開始時刻で言えば、トリガ統合部１９４は、Ｐ波の検出開始時刻およびＳ波の検出開始時刻を残し、ＰＰ波の検出開始時刻、ＳＳ波の検出開始時刻、ＳＳＳ波の検出開始時刻を削除する。
　トリガ統合部１９４が、同一のイベントに起因するトリガを統計的に判定するようにしてもよい。例えば、トリガ統合部１９４が、Ｐ波、Ｓ波それぞれの位置（観測点への到達時刻）、形、レベル（振幅の大きさ）の統計データに基づいて、観測された複数のトリガが同一のイベントに起因するか否かを判定するようにしてもよい。
　トリガ統合部１９４は、同一のイベントに起因するトリガの判定を機械学習によって行うようにしてもよい。トリガ統合部１９４は、例えば、Ｐ波およびＳ波等を含む十分な長さの振動測定データとモデルへの入力データとし、Ｐ波およびＳ波など同一のイベントに起因するトリガの人手による判定結果を正解とする学習データを用いて教師有り学習を行う。トリガ統合部１９４は、得られた学習済みモデルを用いて、同一のイベントに起因するトリガを判定し統合するようにしてもよい。
　後述するように、地震観測装置１００が機械学習を行うようにしてもよい。あるいは、地震観測装置１００以外の装置が機械学習を行い、地震観測装置１００が、機械学習で得られた学習済みモデルを取得するようにしてもよい。
　また、トリガ統合部１９４は、ＳＰ変換を行う。ＳＰ変換は、地震波がＳ波かＰ波かの区別を正しく修正する変換である。例えば、Ｐ波がノイズに埋もれて検出できない場合、Ｓ波がＰ波と誤って判定される場合がある。この場合、ＳＰ変換では、Ｓ波という判定をＰ波の判定に変換する。
　トリガ統合部１９４が、上記した同一のイベントに起因するトリガの統合処理においてＰ波、Ｓ波をそれぞれ判定することで、ＳＰ変換を行うようにしてもよい。
　種類判定部１９５は、トリガをイベントの種類に応じて分類する。具体的には、種類判定部１９５は、予め設定されたイベントの種類毎に、トリガのイベント（振動発生要因）がその種類に属する尤度を算出する。種類判定部１９５がトリガを分類することで、後続の処理で複数のトリガを同一地震由来のトリガ毎にグループ分けする場合に、種類判定部１９５による分類結果を用いることができる。
　図４は、トリガの分布の例を示す図である。図４は、２つの地震がほぼ同時刻に発生した場合の例を示しており、観測点毎に、トリガのイベントの種類が示されている。種類判定部１９５によるトリガの分類に応じてトリガをグループ分けすることで、地震１に由来するトリガと、地震２に由来するトリガとにグループ分けされている。
　図５は、イベントの種類毎の尤度の例を示す図である。図５の例では、イベントの種類として「近地地震」、「遠地地震」、「低周波地震」、「人工地震」、「微小地震」、および「火山性地震」が予め定められている。種類判定部１９５は、トリガＡ、トリガＢ、トリガＣの３つのトリガの各々について、予め定められたイベントの種類毎に尤度（そのトリガのイベントがその種類に分類される尤度）を算出している。また、図５は、トリガ毎に、最も高い尤度を丸で囲んで示している。
　ただし、イベントの種類は特定のものに限定されない。例えば図５の例の「人工地震」に代えて「海上人工地震」と「地中上人工地震」とが設定されていてもよい。
　種類判定部１９５が算出する尤度に基づいて、図４の例のようにトリガをグループ分けする場合、種類判定部１９５が種類毎に算出した尤度を尤度ベクトルとして用いて、トリガ毎に尤度ベクトルの相関をとることでグループ分けを行うようにしてもよい。
　あるいは、種類判定部１９５が算出した尤度の大きさに基づいて、尤度をグループ分けするようにしてもよい。例えば、各トリガを尤度が最も大きいグループに分類するようにしてもよい。この場合、後述する判定統合処理部１９６が補正した尤度を用いることで、種類判定部１９５が算出した尤度をそのまま用いる場合よりも、より高精度にグループ分けを行うことができる。
　種類判定部１９５が行う処理も、トリガ検出部１９２が行う処理と同様、条件判定による分類と捉えることができる。種類判定部１９５が用いる判定基準も、トリガ検出部１９２が用いる判定基準と同様、モデル化されていてもよい。種類判定部１９５が用いる判定基準を示すモデルをイベントモデルと称する。イベントモデルが特定の形式のモデルに限定されない点も、トリガモデルの場合と同様である。また、イベントモデルが学習済みモデルであってもよいし、機械学習以外の方法で生成されたモデルであってもよい点も、トリガモデルの場合と同様である。
　種類判定部１９５がトリガをイベントの種類毎に分類することで、複数の観測点のトリガを地震毎に分類する前処理として、より大まかに分類することができる。これにより、複数の観測点のトリガを地震毎に分類する際、余計なトリガを混ぜることなく地震判定を正確に行えると期待される。
　判定統合処理部１９６は、種類判定部１９５が算出した尤度を補正する。
　種類判定部１９５が算出した尤度に基づいてトリガを何れかのイベントの種類に分類する方法の１つとして、尤度が最も高いグループに分類する方法が考えられる。これに対し、地震波の分類では、地震波の発生のメカニズムに起因して、地震波形が、実際の振動発生要因以外の振動発生要因の場合に近い特徴を示すことがある。
　このことから、種類判定部１９５による尤度の計算によって、複数のグループ（複数のイベントの種類）の尤度が高く算出される場合がある。さらには、実際のイベントの種類の尤度よりも、他の種類の尤度の方が大きく算出される場合がある。
　例えば、火山性地震の地震波形の特徴と低周波の微小地震の地震波形の特徴とが似ているため、火山性地震の場合に、種類判定部１９５が、火山性地震の尤度だけでなく低周波地震の尤度も高く算出する場合を考える。
　この場合、低周波地震の尤度が火山性地震の尤度よりも高く算出されていても、実際のイベントである火山性地震の尤度の方を選択することが好ましい。
　図５の例の場合、トリガＣでは、実際のイベントが火山性地震であるのに対し、低周波地震の尤度が「０．９２」で最も高くなっている。
　一方、火山性地震の地震波形と低周波の微小地震の地震波形とでは、周波数成分の特徴が異なって区別可能である。したがって、低周波地震の場合に、種類判定部１９５が、低周波地震の尤度を大きく算出するが、火山性地震の尤度は比較的小さく算出するものとする。
　そこで、判定統合処理部１９６は、実際のイベントの種類の尤度を高くするように、尤度を補正する。
　図６は、判定統合処理部１９６が尤度の補正に用いる係数の例を示す図である。図６では、判定統合処理部１９６が尤度の補正に用いる係数のベクトルが表形式で示されており、表の左側に示されるイベントが入力を示し、上側に示されるイベントが出力を示すものとする。
　従って、左側に示されるイベント毎に種類判定部１９５が算出した尤度を入力する。表を行方向に辿って、係数が格納されている欄では、その係数を尤度に乗算する。なお、空白欄は「０」を示すものとする。
　次に、表を縦（列方向）に辿って、各欄の値（尤度に係数を乗算した値）を合計して補正後の尤度を算出する。
　図５のトリガＣの尤度に図６の係数を適用する場合、補正前の低周波地震の尤度は「０．９２」であり、補正前の火山性地震の尤度は「０．９１」である。
　補正後の低周波地震の尤度は、
　　　　　１×０．９２　－　０．５×０．９１　＝　０．４６５
と算出される。一方、補正後の火山性地震の尤度は、
　　　　　０．７×０．９２　＋　１×０．９１　＝　１．５４４
と算出される。補正前は低周波地震の尤度が最も高かったのに対し、補正後は、実際のイベントの種類である火山性地震の尤度が最も高くなっている。
　判定統合処理部１９６が行う処理についても、機械学習の対象としてもよい。あるいは、判定統合処理部１９６が行う処理について、人手で処理モデルを生成するなと、機械学習以外の方法で処理を構築するようにしてもよい。
　判定統合処理部１９６が行う処理を機械学習の対象とする場合、判定統合処理部１９６が行う処理は、行列で表されるので、全結合の単層ニューラルネットワークで実行し得る。このニューラルネットワークの重みの値を機械学習で決定するようにしてもよい。
　次に、図７を参照して地震観測装置１００の処理について説明する。
　図７に示されるように、地震観測装置１００は、以下のステップＳ１０からステップＳ６０までの手順で処理を行う。
（ステップＳ１０）
　トリガ検出部１９２がトリガの判定を行う。具体的には、トリガ検出部１９２は、通常トリガの判定（ステップＳ１１）と、異周期トリガの判定（ステップＳ１２）と、遠地トリガの判定（ステップＳ１３）とを判定する。
　ステップＳ１０の後、処理がステップＳ２０およびＳ３０へ遷移する。地震観測装置１００がステップＳ２０とＳ３０とを並列処理するようにしてもよい。あるいは、地震観測装置１００が、ステップＳ２０の処理を実行した後、Ｓ３０の処理を実行するなと、ステップＳ２０の処理とステップＳ３０の処理とを逐次的に実行するようにしてもよい。
（ステップＳ２０）
　除外トリガ判定部１９３が除外トリガの判定を行う。具体的には、除外トリガ判定部１９３は、海上人工地震の判定（ステップＳ２１）と、地中上、人工地震の判定（ステップＳ２２）とを行う。
（ステップＳ３０）
　除外トリガ判定部１９３は、ノイズの除去を行う。例えば除外トリガ判定部１９３は、風力のセンサ測定値を参照し、風力が強い場合にその場所の海底の水圧計を地震の検知から除外する。
　ステップＳ２０の処理およびステップＳ３０の処理が何れも終了すると、処理がステップＳ４０へ進む。
（ステップＳ４０）
　トリガ統合部１９４が、トリガの統合を行う。具体的には、トリガ統合部１９４は、同一の観測点で検出された複数のトリガのうち同一のイベントに起因する複数相のトリガを統合する（ステップＳ４１）。また、トリガ統合部１９４は、Ｐ波とＳ波とを誤って判定されているトリガについて、Ｐ波とＳ波との判定を修正する（ステップＳ４２）。
　ステップＳ４０の後、処理がステップＳ５０へ進む。
（ステップＳ５０）
　種類判定部１９５がトリガのイベントの種類を判定する。
　具体的には、種類判定部１９５は、トリガのイベントが近地地震である尤度を算出する（ステップＳ５１）。また、種類判定部１９５は、トリガのイベントが遠地地震である尤度を算出する（ステップＳ５２）。また、種類判定部１９５は、トリガのイベントが人工地震である尤度を算出する（ステップＳ５３）。また、種類判定部１９５は、トリガのイベントが低周波地震である尤度を算出する（ステップＳ５４）。また、種類判定部１９５は、トリガのイベントが微小地震である尤度を算出する（ステップＳ５５）。また、種類判定部１９５は、トリガのイベントが火山性地震である尤度を算出する（ステップＳ５６）。
　ステップＳ５０の後、処理がステップＳ６０へ進む。
（ステップＳ６０）
　判定統合処理部１９６は種類判定部１９５が算出した尤度を補正する。
　ステップＳ６０の後、地震観測装置１００は、図７の処理を終了する。
　制御部１９０の各部の処理を機械学習で生成する場合、地震観測装置１００が機械学習を実行するようにしてもよいし、地震観測装置１００とは別の装置が機械学習を実施するようにしてもよい。以下では図８を参照して、地震観測装置１００とは別のモデル生成装置３００が機械学習を実行する場合について説明する。
　図８は、実施形態に係るモデル生成装置の機能構成の例を示す概略ブロック図である。
　図８に示す構成で、モデル生成装置３００は、機械学習データ生成部３１０と、トリガ学習部３２１と、人工地震学習部３２２と、後続波学習部３２３と、特殊周波数学習部３２４と、特殊相学習部３２５とを備える。
　モデル生成装置３００は、機械学習を実行して、制御部１９０の各部の処理に用いられるモデルを生成する。
　モデル生成装置３００は、例えばワークステーションまたはメインフレーム等のコンピュータを用いて構成される。
　機械学習データ生成部３１０は、教師有りの機械学習データを生成する。具体的には、機械学習データ生成部３１０は、モデルへの入力データとして地震波形データを取得する。地震波形データは、センサによる振動測定データであってもよいし、実測テータとは別に例えばシミュレーション等で生成されたデータであってもよい。
　また、機械学習データ生成部３１０は、正解データとしてＰＳ検測結果、トリガ判別データおよびイベント判別データを取得する。ＰＳ検測結果は、地震波形データ毎に、その地震波形データにおけるＰ波およびＳ波を人手で検測したデータである。トリガ判別データは、地震波形データ毎に、その地震波形データにおけるトリガの判定を人手で行った結果を示すデータである。イベント判別データは、地震波形データ毎に、その地震波形データが示す振動のイベントを人手で判定した結果を示すデータである。
　機械学習データ生成部３１０は、入力データと正解データの何れかとを組み合わせた教師データを、学習部毎に（すなわち、トリガ学習部３２１、人工地震学習部３２２、後続波学習部３２３、特殊周波数学習部３２４、特殊相学習部３２５の各々について）生成する。
　トリガ学習部３２１は、トリガモデルを用いた機械学習を行う。具体的には、トリガ学習部３２１は、通常トリガ、異周期トリガ、遠地トリガなどトリガの種類毎に用意されたトリガモデル（例えば、通常トリガモデル、異周期トリガモデル、遠地トリガモデル）を用いて、それぞれ機械学習を行ってモデルパラメータ値（学習パラメータ値）を決定する。
　トリガ学習部３２１は、トリガが発生していると判定された時間及びその前後の時間を含む時間帯の振動測定データをモデルへの入力データとし、人手によるトリガフラグ、または、別システムによるトリガフラグのうち正しいと人が判断したものを正解とする学習データを用いて教師有り学習を行う。ここでいうトリガフラグは、トリガの判定結果（トリガの発生の有無の判定結果）を示すデータである。具体的には、トリガフラグは、トリガが発生していると判定された時間を示すデータである。
　この機械学習によりトリガ学習部３２１は、振動測定データを入力としてトリガフラグを出力するように、トリガモデルのパラメータ値を設定する。
　人工地震学習部３２２は、人工地震トリガモデルを用いて機械学習を行って、モデルパラメータ値を決定する。
　人工地震トリガモデルとして海上人工地震モデルと、地中上人工地震モデルとが用意されていてもよい。この場合、人工地震学習部３２２は、海上人工地震トリガモデル、地中上人工地震モデルのそれぞれについて機械学習を行って、モデルパラメータ値を決定する。
　あるいは、人工地震トリガモデルとして、海上人工地震および地中上人工地震に共通の人工地震モデルが用意されていてもよい。この場合、人工地震学習部３２２は、この人工地震トリガモデルを用いて機械学習を行って、モデルパラメータ値を決定する。
　人工地震学習部３２２は、人工地震のサンプル波形（人工地震の振動のデータを含む振動測定データ）をモデルへの入力とし、人手によるトリガフラグを正解とする学習データを用いて教師有り学習を行う。ここではトリガフラグは、人工地震のトリガの判定結果（人工地震によるトリガの発生の有無の判定結果）を示すデータである。
　海上人工地震と地中上人工地震とを区別する必要がある場合は、それぞれについて別個に機械学習を行う。
　この機械学習により、人工地震学習部３２２は、振動測定データを入力としてトリガフラグを出力するように、モデル（海上人工地震モデルおよび地中上人工地震モデル、または、海上人工地震と地中上人工地震とに共通のモデル）のパラメータ値を設定する。
　後続波学習部３２３は、後続波モデルを用いて機械学習を行って、モデルパラメータ値を決定する。後続波モデルは、地震波形データの入力を受けて、そのデータが示す地震波形における後続波を検出するモデルである。
　後続波学習部３２３は、単独の地震の振動測定データ（同時地震が発生していないときの振動測定データ）をモデルへの入力とし、人手による相判定結果を正解とする学習データを用いて教師有り学習を行う。正解として与えられる相判定結果で新たに相が判定されていないことで、後続波であることが示される。
　この機械学習により、後続波学習部３２３は、振動測定データを入力として相判定結果を出力するように、後続波モデルのパラメータ値を設定する。振動測定データに含まれる地震波が新たな相として判定されないことで、後続波であることが示される。
　特殊周波数学習部３２４は、特殊周期モデルを用いて機械学習を行って、モデルパラメータ値を決定する。ここで、通常の地震とは異なる周期または継続時間を有する地震を特殊周期地震と称する。したがって、特殊周期地震は、通常の地震よりも周期が長い地震、通常の地震よりも周期が短い地震、通常の地震よりも継続時間が長い地震、および、通常の地震よりも継続時間が短い地震の総称である。特殊周波数学習部３２４が、さらに、これら以外にも通常の地震とは異なる地震について機械学習を行うようにしてもよい。
　特殊周波数学習部３２４は、特殊周期地震の振動のデータを含む振動測定データを入力とし、人手によるトリガフラグを正解とする学習データを用いて教師有り学習を行う。ここではトリガフラグは、特殊周期地震のトリガの判定結果（特集周期地震によるトリガの発生の有無の判定結果）を示すデータである。
　この機械学習により、特殊周波数学習部３２４は、振動測定データを入力としてトリガフラグを出力するように、特殊周期モデルのパラメータ値を設定する。
　特殊周期モデルを用いてトリガの判定を行うことで、トリガの発生を見落とす可能性を低減させることができる。また、特殊周期モデルを用いてトリガの判定を行うことで、特殊周期地震を検出してデータを収集することができ、得られたデータを特殊周期地震の研究に役立てることができる。
　特殊相学習部３２５は、特殊相モデルを用いて機械学習を行って、モデルパラメータ値を決定する。特殊相モデルは、ここでいう特殊相は、Ｐ相およびＳ相以外の相である。特殊相モデルは、地震波形データの入力を受けて、そのデータに示される、Ｐ相およびＳ相以外の相の地震波を検出する。
　特殊相学習部３２５は、特殊相の波形を含む振動測定データを入力とし、人手による特殊相の検出結果を正解とする学習データを用いて教師有り学習を行う。
　この機械学習により、特殊相学習部３２５は、振動測定データを入力として特殊相の検出結果を出力するように、特殊相モデルのパラメータ値を設定する。
　特殊相モデルはトリガの判定に用いられる。特殊相モデルを用いてトリガの判定を行うことで、トリガの発生を見落とす可能性、および、トリガの種類を誤って検出する可能性を低減させることができる。また、特殊相モデルを用いて特殊相の波形を検出することで、特殊相のデータを収集することができ、得られたデータを特殊相の研究に役立てることができる。
　次に、図９および図１０を参照して、機械学習による地震波の検出の実験例について説明する。実験では、オフラインで機械学習済みのニューラルネットワークに振動測定データを入力してＰ波到達時刻およびＳ波到達時刻を判定している。
　図９は、地震波の検出の第１例を示す図である。図９では、機械学習結果を用いてＰ波を検出した第１の実験結果を示している。図９のグラフの横軸は時刻を示す。縦軸は振幅などデータの値を示す。
　線Ｌ１１１は、上下動の振幅を示す。線Ｌ１１２およびＬ１１３は、いずれも水平動の振幅を示す。
　線Ｌ１２１、Ｌ１２２、およびＬ１２３は、それぞれ線Ｌ１１１、Ｌ１１２、Ｌ１１３の振動波形をバンドパスフィルタにかけて得られた波形を示す。
　線Ｌ１３１は、機械学習で得られた学習モデルを用いて算出したＰ波の尤度（その時刻がＰ波の到達時刻である尤度）を示す。
　線Ｌ１４１は、Ｐ波の尤度が最も高くなっている時刻を示す。線Ｌ１４２は、人手によるＰ波の検測結果を示す。
　線Ｌ１４１と線Ｌ１４２とはほぼ同じタイミグを示しており、機械学習によってＰ波を高精度に検出できたといえる。
　図１０は、地震波の検出の第２例を示す図である。図１０では、機械学習結果を用いてＰ波を検出した第２の実験結果を示している。図１０のグラフの横軸は時刻を示す。縦軸は振幅などデータの値を示す。
　線Ｌ２１１は、上下動の振幅を示す。線Ｌ２１２およびＬ２１３いずれも水平動の振幅を示す。
　線Ｌ２２１、Ｌ２２２、およびＬ２２３は、それぞれ線Ｌ２１１、Ｌ２１２、およびＬ２１３の振動波形をバンドパスフィルタにかけて得られた波形を示す。
　線Ｌ２３１は、機械学習で得られた学習モデルを用いて算出したＰ波の尤度（その時刻がＰ波の到達時刻である尤度）を示す。
　線Ｌ２４１は、Ｐ波の尤度が最も高くなっている時刻を示す。線Ｌ２４２は、人手によるＰ波の検測結果を示す。
　線Ｌ２４１と線Ｌ２４２とはほぼ同じタイミグを示しており、機械学習によってＰ波を高精度に検出できたといえる。
　図９および図１０の例のように、機械学習によって人手による場合と同様にＰ波到来時刻およびＳ波到来時刻を判定することができる。特に、人の目ではどこにあるか判定が困難でありバンドパスフィルタの適用などの前処理行う必要がある場合でも、機械学習では、それらの前処理の必要なしに判定を行うことができた。
　以上のように、通信部１１０は、振動測定値の時系列データの入力を受け付ける。処理対象決定部１９１は、通信部１１０が取得した時系列データのうち処理対象とする時間帯を決定する。種類判定部１９５は、振動発生要因の種類毎に、処理対象の時間帯における時系列データに示される振動の発生要因が、その種類に分類される尤度を取得する。
　地震観測装置１００によれば、地震と生活振動との区別に限らず、より柔軟な分類を行うことができる。例えば、種類判定部１９５が算出する遠地地震の尤度と近地地震の尤度とを参照して、遠地地震の地震波と近地地震の地震波とを区別することができる。
　また、種類判定部１９５は、振動発生要因の種類毎に設けられた学習済みモデルに、処理対象の時間帯における時系列データを適用することで、振動発生要因（イベント）の種類毎に尤度を取得する。
　地震観測装置１００によれば、学習済みモデルを用いてイベントの種類を判定することで、人手でイベント毎の特徴を設定する必要なしに、イベントの種類を高精度に判定することができる。
　また、種類判定部１９５は、自然地震に分類される振動発生要因の尤度に加えて、自然地震以外の振動発生要因の尤度を取得する。
　地震観測装置１００の処理結果を自然地震の観測に用いる場合は、自然地震以外のイベントに分類されるトリガを処理対象から除外することで、自然地震以外のイベントによるトリガをノイズとして除去することができる。
　また、地震観測装置１００の処理結果を人工地震など自然地震以外のイベントによる振動の観測に用いることができる。
　また、通信部１１０は、水圧の時系列データを含む前記時系列データの入力を受ける。
　種類判定部１９５は、水圧の時系列データに基づいて尤度を算出する。
　地震観測装置１００は、地上の観測点だけでなく水中の観測点も利用して振動を観測することができる。
　また、地震観測装置１００では、水中ではＰ波は伝播されるがＳ波は伝播されない性質を利用して、Ｐ波とＳ波とを区別することができる。
　除外トリガ判定部１９３は、気象データに基づいて、処理対象の時間帯における時系列データのうち、ノイズとなるデータを処理対象から除外する。
　地震観測装置１００によれば、ノイズとなるデータ（例えば、ノイズとなるトリガ）を除外することができ、この点で振動を高精度に観測することができる。
　地震観測装置１００の処理を自動化することで、以下のような効果を得られる。
　地震の発生を解析的解法で検知して地震波の解析を人手行う場合、無感地震が多く、日々発生するため、人手での解析が追いつかない可能性がある。これに対し、地震観測装置１００が自動で処理を行うことで、人の負担を軽減することができ、処理が滞ることを回避できる。
　地震波の解析を人手で行う場合、スキルの個人差によるぶれが生じる。
また、地震波の解析を人手で行う場合、難しい波によっては地震が発見できないことがある。これに対し、地震観測装置１００が自動で処理を行うことで、スキルの個人差によるぶれを解消することができる。また、地震観測装置１００が目視の場合と異なる処理で地震波を検出するため、人手では検出できない地震波を検出できる可能性がある。
　また、人手による地震波の解析の場合、振幅の差をみて、地震が到達した時点を検出して相を決定するといった方法が用いられる。この方法では、ノイズが大きいと地震の変化があっても見つけることが困難である。これに対し、地震観測装置１００では、例えばノイズが比較的小さい周波数を用いて振動を検出することで、ノイズが比較的大きい場合であっても地震波等の振動を検出し得る。
　また、地震観測装置１００が機械学習結果を用いて振動の解析を行うことで、人手では設定しきれない特徴を用いて解析を行うことができる。この点で、地震観測装置１００はより高精度に振動の解析を行い得る。
　例えば、地震観測装置１００によれば、人手ではノイズに隠れて検知できい微小地震を検知できる可能性がある。
　次に、図１１および図１２を参照して、実施形態の構成について説明する。
　図１１は、最小の構成の実施形態に係る地震観測装置の構成を示す図である。図１１に示す地震観測装置４００は、入力部４０１と、処理対象決定部４０２と、種類判定部４０３とを備える。
　かかる構成で、入力部４０１は、振動測定値の時系列データの入力を受け付ける。処理対象決定部４０２は、時系列データのうち処理対象とする時間帯を決定する。種類判定部４０３は、振動発生要因の種類毎に、処理対象の時間帯における時系列データに示される振動の発生要因が、その種類に分類される尤度を取得する。
　地震観測装置４００によれば、発生した振動が、地震であるか生活振動であるかの区別に限らず、より柔軟な分類を行うことができる。例えば、種類判定部４０３が、遠地地震の尤度と近地地震の尤度とを算出することで、これらの尤度を参照して、遠地地震の地震波と近地地震の地震波とを区別することができる。もしくは、地震観測装置４００は、イベントの候補から適切なものを選択可能とすることができる。
　図１２は、最小の構成の実施形態に係る地震観測方法における処理手順を示す図である。
　図１２の処理は、振動測定値の時系列データの入力を受け付ける入力工程（ステップＳ１０１）と、時系列データのうち処理対象とする時間帯を決定する処理対象決定工程（ステップＳ１０２）と、振動発生要因の種類毎に、処理対象の時間帯における時系列データに示される振動の発生要因が、その種類に分類される尤度を取得する種類判定工程（ステップＳ１０３）とを含む。
　図１２の処理によれば、発生した振動が、地震であるかまたは生活振動であるかの区別に限らず、より柔軟な分類を行うことができる。例えば、ステップＳ４０３で、遠地地震の尤度と近地地震の尤度とを算出することで、これらの尤度を参照して、遠地地震の地震波と近地地震の地震波とを区別することができる。
　図１３は、上述した実施形態のうち少なくとも１つの実施形態に係るコンピュータの構成を示す概略ブロック図である。
　図１３に示す構成で、コンピュータ７００は、ＣＰＵ（Central Processing Unit）７１０と、主記憶装置７２０と、補助記憶装置７３０と、インタフェース７４０とを備える。
　上記の地震観測装置１００、地震処理装置２３０、モデル生成装置３００および地震観測装置４００のうち何れか１つ以上が、コンピュータ７００に実装されてもよい。その場合、上述した各処理部の動作は、プログラムの形式で補助記憶装置７３０に記憶されている。ＣＰＵ７１０は、プログラムを補助記憶装置７３０から読み出して主記憶装置７２０に展開し、当該プログラムに従って上記処理を実行する。また、ＣＰＵ７１０は、プログラムに従って、上述した各記憶部に対応する記憶領域を主記憶装置７２０に確保する。
　地震観測装置１００がコンピュータ７００に実装される場合、制御部１９０およびその各部の動作は、プログラムの形式で補助記憶装置７３０に記憶されている。ＣＰＵ７１０は、プログラムを補助記憶装置７３０から読み出して主記憶装置７２０に展開し、当該プログラムに従って制御部１９０およびその各部の処理を実行する。
　また、ＣＰＵ７１０は、プログラムに従って、記憶部１８０およびその各部に対応する記憶領域を主記憶装置７２０に確保する。通信部１１０が行う通信は、インタフェース７４０が通信機能を有し、ＣＰＵ７１０の制御に従って通信を行うことで実行される。
　地震処理装置２３０がコンピュータ７００に実装される場合、単独観測点トリガ処理部２３２、地震判定部２３３、相検測部２３４、震源推定部２３５および通知処理部２３６の各部の動作は、プログラムの形式で補助記憶装置７３０に記憶されている。ＣＰＵ７１０は、プログラムを補助記憶装置７３０から読み出して主記憶装置７２０に展開し、当該プログラムに従ってこれら各部の処理を実行する。受信部２３１が行う通信は、インタフェース７４０が通信機能を有し、ＣＰＵ７１０の制御に従って通信を行うことで実行される。
　モデル生成装置３００がコンピュータ７００に実装される場合、機械学習データ生成部３１０、トリガ学習部３２１、人工地震学習部３２２、後続波学習部３２３、特殊周波数学習部３２４および特殊相学習部３２５の各部の動作は、プログラムの形式で補助記憶装置７３０に記憶されている。ＣＰＵ７１０は、プログラムを補助記憶装置７３０から読み出して主記憶装置７２０に展開し、当該プログラムに従ってこれら各部の処理を実行する。
　地震観測装置４００がコンピュータ７００に実装される場合、処理対象決定部４０２および種類判定部４０３の各部の動作は、プログラムの形式で補助記憶装置７３０に記憶されている。ＣＰＵ７１０は、プログラムを補助記憶装置７３０から読み出して主記憶装置７２０に展開し、当該プログラムに従ってこれら各部の処理を実行する。
　入力部４０１が行うデータの取得は、インタフェース７４０が通信機能を有し、ＣＰＵ７１０の制御に従って通信を行うことで実行される。
　なお、地震観測装置１００、地震処理装置２３０、モデル生成装置３００および地震観測装置４００が行う処理の全部または一部を実行するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより各部の処理を行ってもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。
　また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。また上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであっても良い。
　以上、この発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。
　本願は、２０１９年８月２０日に、日本に出願された特願２０１９－１５０６３０号に基づき優先権を主張し、その内容をここに援用する。
　本発明は、発生した振動を観測するための装置に利用することができ、発生した振動が、地震であるか生活振動であるかの区別に限らず、より柔軟な区別を行うことができる。
　１　地震処理システム
　１００、４００　地震観測装置
　１１０　通信部
　１８０　記憶部
　１８１　モデル記憶部
　１９０　制御部
　１９１、４０２　処理対象決定部
　１９２　トリガ検出部
　１９３　除外トリガ判定部
　１９４　トリガ統合部
　１９５、４０３　種類判定部
　１９６　判定統合処理部
　２１０　センサ
　２２０　センサデータ収集装置
　２３０　地震処理装置
　２３１　受信部
　２３２　単独観測点トリガ処理部
　２３３　地震判定部
　２３４　相検測部
　２３５　震源推定部
　２３６　通知処理部
　２４０　データサーバ装置
　２５０　津波処理装置
　２６１　リアルタイム表示端末装置
　２６２　メンテナンス端末装置
　２６３　対話型処理端末装置
　３００　モデル生成装置
　３１０　機械学習データ生成部
　３２１　トリガ学習部
　３２２　人工地震学習部
　３２３　後続波学習部
　３２４　特殊周波数学習部
　３２５　特殊相学習部
　４０１　入力部

Claims (7)

  1. 　振動の測定値の時系列データの入力を受け付ける入力手段と、
    　処理対象とする前記時系列データの時間帯を決定する処理対象決定手段と、
    　前記時間帯における前記時系列データに示される前記振動の発生要因が分類される尤度を前記発生要因の種類毎に取得する種類判定手段と、
    　を備える地震観測装置。
  2. 　前記種類判定手段は、前記発生要因の種類毎に設けられた学習済みモデルに、前記時間帯における前記時系列データを適用することで、前記発生要因の種類毎に前記尤度を取得する、
    　請求項１に記載の地震観測装置。
  3. 　前記種類判定手段は、自然地震に分類される振動の発生要因の尤度に加えて、自然地震以外の振動の発生要因の尤度を取得する
    　請求項１または請求項２に記載の地震観測装置。
  4. 　前記入力手段は、水圧の時系列データを含む前記時系列データの入力を受け、
    　前記種類判定手段は、前記水圧の時系列データに基づいて前記尤度を算出する
    　請求項１または請求項２に記載の地震観測装置。
  5. 　気象データに基づいて、前記時間帯における前記時系列データから、ノイズとなるデータを処理対象から除外する除外処理手段を備える、
    　請求項１または請求項２に記載の地震観測装置。
  6. 　振動の測定値の時系列データの入力を受け付け、
    　処理する対象とする前記時系列データの時間帯を決定し、
    　前記時間帯における前記時系列データに示される前記振動の発生要因が分類される尤度を前記発生要因の種類毎に取得する、
    　を含む地震観測方法。
  7. 　コンピュータに、
    　振動の測定値の時系列データの入力を受け付けさせ、
    　処理する対象とする前記時系列データの時間帯を決定させ、
    　前記時間帯における前記時系列データに示される前記振動の発生要因が分類される尤度を前記発生要因の種類毎に取得させる、
    　地震観測プログラムを記録した記録媒体。
PCT/JP2020/028855 2019-08-20 2020-07-28 地震観測装置、地震観測方法および地震観測プログラムを記録した記録媒体 WO2021033501A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202080057454.6A CN114270224A (zh) 2019-08-20 2020-07-28 地震观测设备、地震观测方法以及记录地震观测程序的记录介质
JP2021540695A JP7216359B2 (ja) 2019-08-20 2020-07-28 地震観測装置、地震観測方法および地震観測プログラム
US17/631,195 US11906678B2 (en) 2019-08-20 2020-07-28 Seismic observation device, seismic observation method, and recording medium on which seismic observation program is recorded

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-150630 2019-08-20
JP2019150630 2019-08-20

Publications (1)

Publication Number Publication Date
WO2021033501A1 true WO2021033501A1 (ja) 2021-02-25

Family

ID=74660863

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/028855 WO2021033501A1 (ja) 2019-08-20 2020-07-28 地震観測装置、地震観測方法および地震観測プログラムを記録した記録媒体

Country Status (5)

Country Link
US (1) US11906678B2 (ja)
JP (1) JP7216359B2 (ja)
CN (1) CN114270224A (ja)
TW (1) TWI809293B (ja)
WO (1) WO2021033501A1 (ja)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7442404B2 (ja) 2020-07-09 2024-03-04 大成建設株式会社 地震波形処理方法及び地震波形処理システム
KR102286665B1 (ko) * 2020-12-30 2021-08-05 주식회사 나노켐 가스 및 지진 감지기, 이를 이용한 가스 및 지진 원격 모니터링 시스템 및 방법
CN117872474B (zh) * 2024-03-12 2024-05-17 山东省地震局 地震预警台网波形数据质量分析方法和系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5373486A (en) * 1993-02-03 1994-12-13 The United States Department Of Energy Seismic event classification system
US5490062A (en) * 1994-05-11 1996-02-06 The Regents Of The University Of California Real-time neural network earthquake profile predictor
WO1997022892A1 (en) * 1995-12-20 1997-06-26 Antoni Marjan Ziolkowski Signatures of marine seismic sources
JPH1019654A (ja) * 1996-07-03 1998-01-23 Matsushita Electric Ind Co Ltd 感震装置
JP2007198813A (ja) * 2006-01-25 2007-08-09 Matsushita Electric Works Ltd 震度計
JP2008107225A (ja) * 2006-10-26 2008-05-08 Akebono Brake Ind Co Ltd 津波検知装置
JP2010237153A (ja) * 2009-03-31 2010-10-21 Occ Corp 海底観測システム
JP2017151047A (ja) * 2016-02-26 2017-08-31 株式会社竹中工務店 津波検知装置
CN108021922A (zh) * 2017-12-01 2018-05-11 广西师范大学 天然地震和人工爆破的区分识别方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6389361B1 (en) 1998-10-16 2002-05-14 Strm, Llc Method for 4D permeability analysis of geologic fluid reservoirs
FR2873823B1 (fr) 2004-08-02 2006-09-15 Inst Francais Du Petrole Methode pour construire un modele d'un milieu heterogene decrit par plusieurs parametres a partir de donnees exprimees dans des echelles de temps differentes
US20100274492A1 (en) 2009-04-24 2010-10-28 Susanne Rentsch Determining attributes of seismic events
JP5847425B2 (ja) 2011-04-01 2016-01-20 本田技研工業株式会社 観測行動選択機能を有する分類システム及び該システムを使用する分類方法
JP6112453B2 (ja) 2013-04-03 2017-04-12 白山工業株式会社 計測データを時空間上に蓄積し抽出する方法を持ったセンサ・クラウドシステム
JP6399947B2 (ja) 2015-02-25 2018-10-03 Kddi株式会社 学習による地震判定が可能な地震判定装置、システム、プログラム及び方法
JP2019125306A (ja) 2018-01-19 2019-07-25 国立研究開発法人科学技術振興機構 データ処理方法、データ処理装置およびプログラム
CN110065077B (zh) 2019-04-25 2021-03-26 王荩立 一种用于考古的环境探测方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5373486A (en) * 1993-02-03 1994-12-13 The United States Department Of Energy Seismic event classification system
US5490062A (en) * 1994-05-11 1996-02-06 The Regents Of The University Of California Real-time neural network earthquake profile predictor
WO1997022892A1 (en) * 1995-12-20 1997-06-26 Antoni Marjan Ziolkowski Signatures of marine seismic sources
JPH1019654A (ja) * 1996-07-03 1998-01-23 Matsushita Electric Ind Co Ltd 感震装置
JP2007198813A (ja) * 2006-01-25 2007-08-09 Matsushita Electric Works Ltd 震度計
JP2008107225A (ja) * 2006-10-26 2008-05-08 Akebono Brake Ind Co Ltd 津波検知装置
JP2010237153A (ja) * 2009-03-31 2010-10-21 Occ Corp 海底観測システム
JP2017151047A (ja) * 2016-02-26 2017-08-31 株式会社竹中工務店 津波検知装置
CN108021922A (zh) * 2017-12-01 2018-05-11 广西师范大学 天然地震和人工爆破的区分识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DEL, PEZZO E. ET AL.: "Discrimination of Earthquakes and Underwater Explosions Using Neural Networks", BULLETIN OF THE SEISMOLOGICAL SOCIETY OF AMERICA, vol. 93, no. 1, 2003, pages 215 - 223 *
SCARPETTA S., GIUDICEPIETRO F., EZIN E. C., PETROSINO S., DEL PEZZO E., MARTINI M., MARINARO M.: "Automatic Classification of Seismic Signals at Mt. Vesuvius Volcano, Italy, Using Neural Networks", BULLETIN OF THE SEISMOLOGICAL SOCIETY OF AMERICA, vol. 95, no. 1, February 2005 (2005-02-01), pages 185 - 196, XP055803264 *

Also Published As

Publication number Publication date
US20220276400A1 (en) 2022-09-01
TW202111352A (zh) 2021-03-16
CN114270224A (zh) 2022-04-01
JPWO2021033501A1 (ja) 2021-02-25
US11906678B2 (en) 2024-02-20
TWI809293B (zh) 2023-07-21
JP7216359B2 (ja) 2023-02-01

Similar Documents

Publication Publication Date Title
WO2021033501A1 (ja) 地震観測装置、地震観測方法および地震観測プログラムを記録した記録媒体
US20220205956A1 (en) Detection of structural anomalies in a pipeline network
Fuchs et al. Seismic detection of rockslides at regional scale: examples from the Eastern Alps and feasibility of kurtosis-based event location
US20220260737A1 (en) Seismic observation device, seismic observation method, and recording medium in which seismic observation program is recorded
JP6429042B2 (ja) 地盤特性を自動校正する現地型地震早期警報システム及び関連方法
CN117007681B (zh) 超声波探伤方法及系统
KR101579732B1 (ko) 스마트 콘크리트 구조물의 건전성을 모니터링하기 위한 방법
Ashton et al. On errors in low frequency wave measurements from wave buoys
Shamsudin et al. Application of Bayesian estimation to structural health monitoring of fatigue cracks in welded steel pipe
Huot et al. Machine learning algorithms for automated seismic ambient noise processing applied to DAS acquisition
Li et al. Automated platform for microseismic signal analysis: Denoising, detection, and classification in slope stability studies
Wang et al. A method of real‐time tsunami detection using ensemble empirical mode decomposition
JP2011002371A (ja) 震度推定方法及び装置
Jiang et al. Microseismic event classification with time-, frequency-, and wavelet-domain convolutional neural networks
KR101646981B1 (ko) 구조물의 안전성 평가를 위한 데이터 처리 시스템 및 그 방법
Haldar et al. Data analysis challenges in structural health assessment using measured dynamic responses
Lee et al. Damage localization for bridges using probabilistic neural networks
JP5770051B2 (ja) 大地震の破壊領域の即時的推定方法
Chen et al. A comparison of operational modal parameter identification methods for a multi-span concrete motorway bridge
JP2021071332A (ja) 地震動の到達判定方法、地震動の到達判定システム
JP6778921B1 (ja) 地震解析装置及び地震解析プログラム
Ojeda MATLAB implementation of an operational modal analysis technique for vibration-based structural health monitoring
Nazarko et al. Application of the elastic waves and neural networks as a tool of damage detection and health monitoring in aircraft's structures
Chai et al. Automatic Seismic Phase Picking Using Deep Learning for the EGS Collab project
Casale et al. Benefits of using convolutional neural networks for seismic data quality analysis

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20855139

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021540695

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20855139

Country of ref document: EP

Kind code of ref document: A1