딥러닝으로 잡음 상관관계에서 파동 분산곡선 자동 추출

본 논문은 표면파 분산곡선 추출 과정을 자동화하기 위해 딥러닝 기반 이미지 세그멘테이션 모델을 설계하고, 실제 현장 데이터에 적용한 전 과정을 상세히 기술한다. 연구 배경으로는 표면파의 분산곡선이 근접 지표면 전단 속도 모델링에 핵심적인 입력이며, 전통적인 FTAN(Frequency‑Time Analysis) 방법으로 얻은 결과를 인간이 직접 픽킹하는 과정이 매우 노동집약적이라는 점을 들었다. 특히, 밀집형 배열(5340개 스테이션)에서 발생하는 방대한 데이터량과 높은 정밀도 요구는 자동화의 필요성을 강조한다. 데이터 준비 단계에서는 Long Beach 지역의 5340개 스테이션 쌍으로부터 얻은 상관관계 신호에 FTAN을 적용해 주파수‑시간 이미지(64×64 회색조)로 변환하였다. 각 이미지 픽셀은 진폭 값을 나타내며, 해당 픽셀에 ‘기본 모드’, ‘1차 오버톤’, ‘노이즈’ 라벨이 부여된다. 라벨링은 전문가가 직접 수행했으며, 전체 중 1000개 이미지만을 학습용으로 사용하고 나머지 4340개는 테스트용으로 보관하였다. 합성 데이터 생성은 1차원 층상 속도 모델을 기반으로 하며, 속도와 층 두께를 ±10% 범위 내에서 무작위 변동시켜 다양한 지질 구조를 모사한다. 각 모델에 대해 고유값 문제를 풀어 이론적 분산곡선을 얻고, 주파수·속도에 ±2.5%의 변동과 랜덤 노이즈를 추가해 100,000개의 합성 이미지 세트를 구축하였다. 이러한 대규모 합성 데이터는 초기 학습 단계에서 네트워크가 기본적인 곡선 형태와 노이즈 패턴을 학습하도록 돕는다. 모델 아키텍처는 U‑Net을 채택했으며, 입력은 64×64×1 이미지, 출력은 64×64×3(클래스별 확률) 텐서이다. 소프트맥스 활성화와 교차 엔트로피 손실 함수를 사용해 픽셀‑단위 다중 클래스 분류를 수행한다. 학습은 Adam 옵티마이저와 배치 크기 32로 진행되며, 합성 데이터의 10%를 검증셋으로 활용해 조기 종료를 적용한다. 초기 합성 데이터 학습이 완료된 후, 실제 Long Beach 데이터 1000개(900학습, 100검증)로 파인튜닝한다. 이때도 동일한 하이퍼파라미터와 학습 전략을 유지한다. 성능 평가는 픽셀 수준의 정밀도(Precision)와 재현율(Recall)로 수행되었다. ‘노이즈’ 클래스는 99% 이상, ‘기본 모드’는 평균 정밀도 99%·재현율 95%, ‘1차 오버톤’은 평균 정밀도 98%·재현율 94%를 기록했다. 이는 인간 전문가가 수행한 라벨링과 거의 구분이 되지 않을 정도의 정확도이며, 전체 데이터셋에 대한 자동 처리 시 인간 작업량을 약 80% 절감할 수 있음을 의미한다. 다중 스테이션 입력을 시도한 실험에서는 인접 K개의 이미지(최대 K=8)를 깊이 차원에 쌓아 3‑차원 입력으로 제공했지만, 평균 정밀도·재현율이 크게 변하지 않았다. 이는 개별 스테이션 간 신호 차이가 미미하거나, 이미 학습된 네트워크가 충분히 일반화된 특성을 이미 포착하고 있기 때문으로 해석된다. 또한, 순차 모델(Bi‑GRU)을 이용해 원시 (주기, 그룹 속도, 진폭) 튜플을 직접 입력했지만, 이미지 기반 CNN보다 성능이 현저히 낮았다. 결론적으로, 합성 데이터와 소량의 실제 라벨을 결합한 전이 학습 전략이 표면파 분산곡선 자동 추출에 매우 효과적임을 입증하였다. 향후 연구에서는 (1) 다양한 지질 환경을 반영한 합성 데이터 확대, (2) 고해상도 이미지(예: 128×128)와 더 깊은 네트워크 구조 탐색, (3) 실시간 처리 파이프라인 구축 및 다른 지진학 문제(예: 체적 파동 모드 분류)로의 확장 가능성을 제시한다.