I. 서 론
II. 국내 지진파 특성 분석
2.1 주파수 경향 분석
2.2 주파수 대역별 멜 스펙트럼 구분성 분석
III. 다중 주파수 CNN 기반 지진 신호 검출 및 분류
IV. 실험 및 결과 분석
4.1 실험 환경
4.2 실험 결과 및 고찰
V. 결 론
I. 서 론
최근 국내에서는 지진이 발생하는 빈도가 이전과 비교하여 크게 증가하는 경향을 보이고 있으며, 지진의 강도 또한 커지는 것을 볼 수 있다. 이러한 상황에 대처하기 위하여 지진 이벤트 시 발생하는 지진파를 관찰하여 지진의 발생여부 및 강도를 신속하게 판단하는 연구의 필요성이 대두되고 있다.
지진 신호 탐지/식별 및 분석에 대한 이전까지의 연구들은 다음과 같다. 지진 신호를 탐지/식별을 위한 이전의 방식들은 지진 신호에 대한 시간 축 정보, 위상 정보 또는 주파수 축 정보를 이용해 분석하는 방법들이 주로 이루어져 왔다. STA/LTA(Short Time Average over Long Time Average) 방식은 짧은 샘플 시간과 긴 샘플 시간 평균의 비율 문턱치를 이용한 지진 탐지 기법으로 널리 사용되고 있다.[1] 이외에도 첨도(kurtosis)와 왜도(skewness) 값과 같은 시간축의 통계적인 특성을 이용하여 지진 이벤트를 탐지하는 PAI-S/K(Phase Arrival Identification Skewness/Kurtosis) 방식, 미리 수집된 지진 신호 템플릿과의 상관성을 이용한 템플릿 매칭 방식 등의 연구가 진행되었다.[2,3] 또한 엔트로피, 프랙탈 차원(fractal dimension) 측면에서 신호의 비선형성 분석하고 탐지하는 방식도 보고 되었다.[4,5] 주파수 측면에서는 전형적인 푸리에 변환, 파워 스펙트럼 밀도, 스펙트로그램 등을 이용한 1차원 및 2차원 탐지/분석 방법이 주로 이루어져 왔다.[6-8] 소개된 분석 기법들은 낮은 SNR(Signal to Noise Ratio) 상황에서의 성능 저하, 지진 신호와 비슷한 클러터 오분류, 과다한 연산량과 같은 성능적인 한계가 존재하였다.[4]
최근에는 지진 신호에 대한 탐지/식별 성능을 높이고자 다수의 데이터를 기반으로 하는 심층 학습 기법[9,10]을 응용한 연구들 또한 진행되고 있다. 심층학습 기법을 지진 신호에 응용하기 위한 시도들이 시작되고 있으며 최근 CNN(Convolutional Neural Network)를 활용한 지진 탐지 및 식별 기법이 보고되고 있다.[11-13] 이 방식들은 기존 연구에 비해 탐지 성능적으로 좋은 결과를 나타내지만 이러한 CNN 분석 기법을 국내 지진에 대한 탐지/식별로 적용한 연구들은 아직 부족한 상황이다.
본 논문에서는 CNN 기반 분석 기법을 국내 지진파 탐지/식별에 효과적으로 적용하기 위한 다중 주파수 대역 CNN 기법에 대해서 제안한다. 우선 국내에서 발생한 지진 데이터들에 대한 특성을 확인하기 위해 주파수 측면에서 분석을 진행하였다. 다양한 주파수 밴드에서 데이터를 분석해 본 결과 각각의 주파수 밴드에서 서로 다른 지진 신호 및 잡음 클러터를 식별할 수 있는 정보를 얻을 수 있다는 점을 확인하였다. 따라서 본 논문에서는, 이러한 분석 결과를 바탕으로 3개의 주파수 대역(저주파, 중주파, 고주파)의 신호 특징을 각각 볼 수 있도록하는 CNN 분석 기법을 설계하였다. 지진 신호에 대한 멜 스펙트럼을 크기에 따라 3개의 대역으로 나누어 개별적으로 CNN 분석을 수행하였으며, 각각의 식별된 결과를 융합하여 최종적으로 4 개의 지진 및 잡음 클러터 클래스에 대해 식별을 수행하는 구조를 설계하였다. 실제로 최근 2018년 6개월 동안 국내에서 관측된 지진 신호들[14]을 강진, 미소 지진, 인공 지진, 잡음으로 판별하는 실험을 통해 제안한 알고리즘의 효용성을 검증하였다.
본 논문의 구성은 다음과 같다. 2장에서는 국내 지진의 특성 파악을 위해 주파수 측면에서 분석하는 내용에 대해서 다룬다. 3장에서는 분석된 특성을 바탕으로 설계한 CNN 분석 기법에 대해서 설명한다. 4장에서는 실제 지진 데이터를 바탕으로 식별에 대한 실험을 수행하였다. 마지막으로 5장에서는 결론에 대해서 기술한다.
II. 국내 지진파 특성 분석
시계열 지진 신호 데이터를 분석하기 위해 널리 사용되는 방법 중 하나는 시간/주파수 축에서의 분석법이다. 효과적인 지진 신호의 탐지 및 식별을 위한 검출기를 설계하기 위해서는, 신호의 분류 가능한 특성을 살펴보는 것이 선행되어야 한다. 따라서 이 장에서는 미리 정의된 강진, 미소지진, 인공지진, 잡음/클러터 신호의 다양한 특성 중 주파수 축에서의 분석을 주로 수행하였다. 실험에 사용된 데이터 및 클래스는 Fig. 4에서 확인할 수 있다.
2.1 주파수 경향 분석
우선 국내 지진 데이터의 주파수 별 경향을 살펴보기 위하여 각 클래스 별 데이터의 주파수 측면 누적 히스토그램을 확인하였다. 이 분석에는 스펙트로그램이 사용되었으며 이는 Eq. (1)과 같이 시간축 지진 신호 x[n]에 각각 윈도우 w[n]를 씌워 short time Fourier transform를 수행한 후 시간축 m과 주파수축 ω를 가지는 신호 X를 생성하고 각각 크기의 제곱을 이용해 2차원 스펙트로그램을 생성하였다. 생성된 신호는 다시 주파수 측면 누적을 위해 주파수 축 ω로 합산하여 사용하였다.
| $$X(m,w)=\sum_{n=-INF}^{INF}x\lbrack n\rbrack w\lbrack n-m\rbrack e^{-jwn}$$ | (1) |
| $$Spectrogram(x\lbrack n\rbrack)(m,w)=\vert X(m,w)\vert^2$$ | (2) |
주파수 국내 지진 데이터에서 추출한 강진, 미소지진, 인공지진, 잡음의 주파수 대역 히스토그램을 분석한 결과는 Fig. 1과 같다. 전체적으로 초저주파 구간이 모든 클래스에서 높은 값을 보이고 있음을 알 수 있다. 따라서 초저주파 구간의 값이 상대적으로 너무 큰 값을 가져 다른 주파수 대역보다 훨씬 큰 영향을 줄 수 있음을 판단할 수 있다. 또한 10 Hz ~ 30 Hz 대역에서 가지는 값의 크기 차이를 볼 수 있는데 미소지진이 상대적으로 이러한 중주파수 대역에서 높은 비율의 값을 가진다는 것을 확인할 수 있다. 이는 국내 지진 데이터 내에서 미소지진의 크기가 아주 작고 주로 가까운 관측소에서 관측되는 것으로 볼 때, 상대적으로 가까운 거리만을 이동함에 따라 고주파 성분의 감쇠가 적기 때문이라고 추정된다. 마지막으로 30 Hz 이상 고주파 대역에서는 인공지진이 상대적으로 고주파 대역 성분의 비율이 적은 것으로 나타난다.
2.2 주파수 대역별 멜 스펙트럼 구분성 분석
이 장에서는 각 주파수 대역에서 클래스 별 지진신호 데이터가 어떠한 분포를 가지고 있는지 살펴보기 위해 저/중/고 주파수 대역별로 멜 스펙트럼을 추출한 후, 주성분 분석법(principal component analysis)을 이용하여 2차원으로 시각화한 분포를 확인하였다. 이 결과는 Fig. 2에서 확인할 수 있다. Fig. 2에서 각 축은 주성분 분석법을 이용하여 각 지진 클래스를 가장 잘 구분하는 2차원의 축으로 도식화 하였다. 이 시각화는 다차원의 정보를 2차원으로 축소하였기 때문에 매우 뚜렷한 구분성을 확인할 수는 없었지만 분류 가능한 경향을 확인할 수 있었다. Fig. 2(a)는 전체 주파수 대역 정보를 이용하여 각 클래스를 시각화한 그림이다(적색: 강진, 녹색: 미소지진, 청색: 인공지진, 심홍색: 잡음). 모든 클래스가 전반적으로 구분성이 떨어지는 것을 확인할 수 있다. 이에 비해 Fig. 2(b)는 저 주파수 대역(0 Hz ~ 10 Hz) 정보를 이용한 시각화 그림이다. 이 구간에서는 전반적인 지진 구분성은 약하지만 이 구간에서 가장 큰 값을 보이는 잡음에 대한 구분성이 존재함을 볼 수 있다. Fig. 2(c)의 중주파수 대역(10 Hz ~ 30 Hz)은 마찬가지로 미소지진에 대한 구분성이 존재한다는 것을 볼 수 있다. Fig. 2(d)의 고주파수 대역(30 Hz 이상)에서는 상대적으로 고주파 신호가 약한 인공지진에 대한 구분성이 존재함을 볼 수 있다. Figs. 1과 2를 바탕으로 각 클래스의 지진 신호가 우세한 주파수 대역이 나누어져 있으며, 저/중/고 주파수 대역을 나누어 각각 특성을 파악할 경우 얻을 수 있는 분류 정보를 모두 사용할 때 효용성이 있을 것이라 판단할 수 있다.
III. 다중 주파수 CNN 기반 지진 신호 검출 및 분류
2장에서 분석한 국내 지진 신호 특성을 바탕으로 아래의 Fig. 3과 같이 다중 주파수 CNN 구조를 설계하였다. 제안하는 CNN 구조는 3차원 각 축 방향에 대한 진동의 기록인 3채널 지진 데이터를 이용하며 각 채널당 100 Hz로 샘플링 된 데이터를 사용하였다. 지진 신호에서 추출한 멜 스펙트럼을 바탕으로 주파수 필터를 적용하여서 저주파수(1 Hz ~ 10 Hz), 중주파수(10 Hz ~ 30 Hz), 고주파수(30 Hz ~ 50 Hz) 대역에 대한 3개의 멜 스펙트로그램을 생성한다. 생성된 멜 스펙트로그램 각각을 동일한 CNN 구조에 적용하였다.
CNN 구조는 AlexNet[15]을 이용하였고 최종 출력은 4개의 지진 분류 결과(강진, 미소 지진, 인공 지진, 잡음)를 의미한다. 각각의 CNN은 총 13레이어와 4개의 max pooling 과정으로 구성하였으며, 활성화 함수로는 ReLu 기법을 통한 비선형 맵핑을 적용하였다. 또한 cross-entropy loss를 비용함수로 고려하였다.[16] 최종 분류 결과는 각 주파수 대역의 분류 결과의 가중합을 이용하여 도출하였다.
IV. 실험 및 결과 분석
4.1 실험 환경
본 논문에서는 기상청에서 제공되는 지진 관측 데이터 중 2018년도에 측정된 지진 신호들을 바탕으로 실험 데이터베이스를 구성하였다. 구성한 데이터베이스는 총 4개의 클래스로 강진(규모 2.0 이상), 미소지진(규모 2.0 미만), 인공지진(폭발 등), 잡음으로 분류하였다. 수집한 데이터는 총 3개의 채널로 구성되어 있으며 1 s 당 100 샘플의 신호로 관측되었다. 관측 센서의 종류는 광대역 속도계, 가속도계이며 지진 탐지 후 총 10 s간의 P파 데이터를 식별에 이용하였다.
각 클래스의 데이터는 클래스 별로 700개씩 수집한 지진 신호를 실험에 이용하였다. 수집된 지진 신호의 예제는 아래의 Fig. 4와 같다. Fig. 4에서 (a)는 강진, (b)는 미소지진, (c)는 인공지진, (d)는 잡음의 예시를 보여주고 있다.
5-fold cross validation 기법을 적용하여 제안하는 기법의 성능을 평가하고, confusion matrix를 통해 성능을 측정하였다.
4.2 실험 결과 및 고찰
제안한 기법과의 성능 비교를 위하여 지진 신호의 전체 주파수 대역 멜 스펙트럼을 딥러닝 구조인 Alexnet baseline[15]으로 학습하는 방법을 선택하였다. 비교하는 baseline의 구조는 제안된 기법의 개별 주파수 대역 구조와 동일하게 설정하였다. 또한 비교의 공평성과 객관성을 위하여 Alexnet 기반 baseline딥러닝 파라메터의 개수와 제안하는 다중 주파수의 Alexnet 기반 CNN 구조의 파라메터의 개수를 동일하게 설정하였다. 성능 측정 방식은 4 클래스 개별 성능을 확인할 수 있도록 confusion matrix로 선택하였다. Fig. 5(a)는 전체 주파수 대역 사용 시 confusion matrix 결과이며 Fig. 5(b)는 제안된 기법의 confusion matrix 결과이다. 제안된 기법을 사용하였을 때, 전반적인 식별 성능이 평균적으로 7.35 % 향상됨을 보여주고 있다. 두 경우 모두 잡음의 식별 성능이 가장 높았으며, 자연 지진(강진, 미소지진) 간의 오분류가 존재하는 결과를 나타냈다. 그러나 다른 주파수 대역보다 훨씬 강한 저주파 잡음 성분이 중/고주파 대역의 특성을 가리는 전체 주파수 대역 사용 시 타 클래스를 잡음이라고 판별하는 오분류 비율이 각각 10 % 이상을 보이는데 비하여 제안된 기법을 사용할 경우 저/중/고주파의 특성을 각각 볼 수 있어 잡음으로 판별되는 오분류 비율이 반으로 줄어드는 효과를 얻을 수 있었다. 또한 그로인해 자연 지진(강진과 미소지진) 간의 분류 성능도 약간 개선됨을 알 수 있다.
V. 결 론
본 논문에서는 다중 주파수 대역 CNN을 활용한 지진 탐지/식별 기법에 대해서 제안하였다. 우선 국내에서 발생한 지진 신호의 특성을 확인하고 이를 바탕으로 3개의 주파수 밴드를 통과한 저/중/고주파수 신호에 대한 멜 스펙트로그램으로 구분하였다. 이 후 각각의 멜 스펙트로그램에 대해서 Alexnet 기반의 동일한 CNN 구조를 적용하고 이를 바탕으로 식별한 결과를 융합하여 최종 판단을 내리는 심층학습 기법을 제안하였다. 기상청에서 수집한 2018년도 국내 발생 지진 신호에 대한 데이터베이스를 구축하고 제안하는 기법의 성능을 분석하였다. 실험 결과를 통해 제안하는 다중 주파수 기반 CNN 분석 기법의 국내 지진 신호에 대한 식별 효용성을 입증하였다. 추후 동일한 원인으로 나타나는 자연지진 간의 분류 성능을 높일 수 있는 방안에 대해서도 연구해볼 가치가 있다.
