단일 관측소 딥러닝으로 지진 규모 실시간 추정

본 논문은 “단일 관측소 딥러닝 접근법을 통한 지진 규모 추정”이라는 주제로, 기존에 다수 관측소와 복잡한 전처리 과정을 필요로 했던 규모 추정 문제를 원시 파형 그대로 입력으로 하는 심층 신경망 모델로 해결하고자 한다. 연구팀은 Stanford University의 S. Mostafa Mousa와 Gregory C. Beroza가 수행했으며, 주요 목표는 (1) 원시 파형을 그대로 사용해 빠르고 정확하게 규모를 추정, (2) 컨볼루션과 순환 신경망을 결합해 정규화에 민감하지 않은 모델 설계, (3) 지역 규모(M_L)와 지속시간 규모(M_d)를 동시에 예측, (4) 단일 관측소 기반 학습이 지역 기반 학습보다 효율적임을 검증, (5) 조기 경보 및 실시간 모니터링에 적용 가능한 시스템을 제시하는 것이다. **배경 및 필요성** 전통적인 규모 추정은 파형을 변위로 변환하고, 관측소‑진원거리 보정, 사이트 효과 보정 등을 거쳐 여러 관측소의 결과를 평균화한다. 이러한 과정은 시간 소모가 크고, 특히 조기 경보 시스템에서는 초기 몇 초 안에 규모를 파악해야 하므로 비효율적이다. 최근 딥러닝이 지진 신호 검출·분류에 성공적으로 적용된 사례가 늘어나면서, 원시 파형을 직접 사용해 규모를 추정하는 시도가 등장했지만, 진폭 정보를 보존하면서도 정규화에 강인한 모델 설계가 어려웠다. **모델 설계** 저자들은 컨볼루션 레이어와 양방향 LSTM을 결합한 회귀 네트워크를 설계했다. 핵심 아이디어는 컨볼루션 레이어에 활성화 함수를 사용하지 않아 진폭 정보를 그대로 전달하고, 차원 축소와 특징 추출만 수행하도록 하는 것이다. 이후 양방향 LSTM(100 유닛)이 시계열 의존성을 학습하고, 최종 완전 연결층(1 뉴런, 선형 활성화)이 규모 값을 직접 출력한다. 네트워크는 30 초(3000 샘플) 길이의 3채널(N‑E‑Z) 파형을 입력으로 받으며, 두 개의 컨볼루션 레이어(64, 32 커널, 커널 크기 3)와 각각 뒤따르는 드롭아웃(0.2) 및 맥스풀링(4배 다운샘플링)으로 구성된다. 손실 함수는 평균 제곱 오차(MSE)이며, Adam 옵티마이저와 검증 손실이 5 epoch 연속 감소하지 않을 경우 학습을 중단하는 조기 종료 기법을 적용해 과적합을 방지한다. **데이터 및 전처리** 학습 데이터는 Stanford Earthquake Dataset(STEAD)에서 추출했으며, 진원거리 1° 이내, 파형 길이 ≤30 초, 신호‑대‑소음비(SNR) ≥20 dB인 약 30만 건의 지진 파형을 사용했다. 파형은 1–40 Hz 대역통과 필터링을 적용했으며, 각 파형은 3채널(수직, 동서, 남북)으로 구성된다. 데이터는 70 % 학습, 10 % 검증, 20 % 테스트로 무작위 분할했으며, 규모 분포는 0 ~ 8 정도의 폭을 가진다. **실험 결과** 전체 테스트 셋에 대해 모델은 평균 오차가 거의 0에 가깝고, 표준편차가 약 0.2인 높은 정확도를 보였다. 특히 규모가 극단적으로 큰(>7) 혹은 작은(<2) 경우에는 학습 샘플이 부족해 오차가 다소 커지는 경향을 보였다. 지역 규모(M_L)와 지속시간 규모(M_d) 모두를 동시에 예측했으며, 이는 모델이 진폭과 지속시간 두 가지 정보를 모두 학습했음을 의미한다. 지역별 모델을 별도로 학습한 결과, 남부 캘리포니아 데이터만 사용했을 때 약간의 성능 향상이 있었지만, 데이터 양이 감소하면서 전반적인 개선 폭은 제한적이었다. 관측소별 모델을 비교했을 때, 관측 횟수가 1000회 이상인 스테이션을 사용한 경우가 가장 낮은 표준편차를 기록했으며, 이는 사이트 특성이 규모 추정에 중요한 영향을 미친다는 점을 시사한다. 또한, 구멍 관측소(borehole)와 표면 관측소를 구분해 학습했을 때, 구멍 관측소에서 더 높은 정확도를 보였지만, 이는 표면 데이터가 일반적으로 잡음 수준이 높기 때문이라는 해석이 가능하다. SNR 분석에서는 신호‑대‑소음비가 낮을수록 오차가 크게 증가함을 확인했으며, 더 깊은 네트워크 구조가 잡음에 대한 강인성을 향상시킬 수 있음을 제시한다. **결론 및 향후 과제** 연구는 단일 관측소에서 원시 파형만으로도 지진 규모를 실시간으로 추정할 수 있음을 입증했다. 모델은 규모 유형에 관계없이(지역·지속시간) 높은 정확도를 유지했으며, 사이트‑특화 학습이 성능 향상에 효과적임을 보여준다. 지역‑기반 학습은 데이터 양이 충분하지 않을 경우 큰 이점을 제공하지 못한다는 점도 확인했다. 실제 적용 측면에서는 조기 경보 시스템에서 초기 몇 초 내에 규모를 제공함으로써 경보 전파 시간을 단축하고, 관측소가 제한된 지역이나 저가형 센서 네트워크에서도 활용 가능하다. 향후 연구에서는 (1) 다양한 지진 유형(대형 전역 지진, 인공 지진)과 복합 지질 환경을 포함한 데이터 확대, (2) 잡음에 대한 강인성을 높이기 위한 데이터 증강 및 정규화 기법 도입, (3) 실시간 스트리밍 파이프라인 구현 및 현장 테스트 등을 통해 실제 운영 환경에서의 신뢰성을 강화할 필요가 있다.