(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B2)
(11)【特許番号】
(24)【登録日】2024-02-22
(45)【発行日】2024-03-04
(54)【発明の名称】地震波形処理方法及び地震波形処理システム
(51)【国際特許分類】
G01V 1/28 20060101AFI20240226BHJP
【ＦＩ】
G01V1/28
【請求項の数】
3
(21)【出願番号】P 2020118257
(22)【出願日】2020-07-09
(65)【公開番号】P2022015432
(43)【公開日】2022-01-21
【審査請求日】2023-06-13
(73)【特許権者】
【識別番号】000206211
【氏名又は名称】大成建設株式会社
(74)【代理人】
【識別番号】110002077
【氏名又は名称】園田・小林弁理士法人
(72)【発明者】
【氏名】青木 雅嗣
(72)【発明者】
【氏名】内山 泰生
【審査官】福田 裕司
(56)【参考文献】
【文献】特開２０１４－１７８２２６（ＪＰ，Ａ）
【文献】特開２０１２－１２７９２９（ＪＰ，Ａ）
【文献】特開２００６－２７５９０３（ＪＰ，Ａ）
【文献】特開平１０－２５３７６６（ＪＰ，Ａ）
【文献】特許第７２１６３５９（ＪＰ，Ｂ１）
【文献】特開２００９－１０３６７２（ＪＰ，Ａ）
【文献】米国特許第５４９００６２（ＵＳ，Ａ）
【文献】中国特許出願公開第１１０９８８９８５（ＣＮ，Ａ）
【文献】Zefeng Li et al.，Machine Learning Seismic Wave Discrimination : Application to Earthquake Early Warning，Geophysical Research Letters 2018，2018年03月29日，pp.4773-4779，DOI:10.1029/2018GL077870
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０１Ｖ １／２８
(57)【特許請求の範囲】
【請求項1】
地震計で観測された地震観測データからノイズ成分を除去して地震波形を取り出す地震波形処理方法であって、地震の加速度波形及び速度波形の画像を含む入力データに対し、当該画像中の前記ノイズ成分の有無の情報を教師データとして、深層学習させた第１学習モデルに、前記地震観測データの前記加速度波形及び前記速度波形の画像を入力して、前記ノイズ成分の有無を推論する工程と、
前記ノイズ成分が有ると推論された場合に、地震の加速度フーリエスペクトルの画像を含む入力データに対し、当該画像中の前記ノイズ成分を含む部分が識別された画像を教師データとして、深層学習させた第２学習モデルに、前記地震観測データの前記加速度フーリエスペクトルの画像を入力して、当該画像中の前記ノイズ成分を推論して当該ノイズ成分の周波数境界値を算出し、当該周波数境界値を用いたフィルタ処理により、前記ノイズ成分を除去したノイズ成分除去地震波形を生成する工程と、を含むことを特徴とする地震波形処理方法。
【請求項2】
前記ノイズ成分の無い地震波形と、当該地震波形にフィルタを適用してＰ波及びＳ波の各区間が抽出された波形を含む入力データに対し、Ｐ波及びＳ波の到達時刻を教師データとして、深層学習させた第３学習モデルに、前記ノイズ成分が無いと判別された前記地震観測データの地震波形か、または前記ノイズ成分除去地震波形のいずれかを入力して、Ｐ波及びＳ波の到達時刻を推論する工程とを含むことを特徴とする請求項１に記載の地震波形処理方法。
【請求項3】
地震計で観測された地震観測データからノイズ成分を除去して地震波形を取り出す地震波形処理システムであって、地震の加速度波形及び速度波形の画像を含む入力データに対し、当該画像中の前記ノイズ成分の有無の情報を教師データとして、深層学習させた第１学習モデルと、
前記第１学習モデルに、前記地震観測データの前記加速度波形及び前記速度波形の画像を入力して、前記ノイズ成分の有無を推論するノイズ成分有無推論部と、
地震の加速度フーリエスペクトルの画像を含む入力データに対し、当該画像中の前記ノイズ成分を含む部分が識別された画像を教師データとして、深層学習させた第２学習モデルと、
前記ノイズ成分が有ると推論された場合に、前記第２学習モデルに、前記地震観測データの前記加速度フーリエスペクトルの画像を入力して、当該画像中の前記ノイズ成分を推論して当該ノイズ成分の周波数境界値を算出し、当該周波数境界値を用いたフィルタ処理により、前記ノイズ成分を除去したノイズ成分除去地震波形を生成するノイズ成分除去部と、を備えることを特徴とする地震波形処理システム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、地震計で観測された地震観測データからノイズ成分を除去する技術に関する。
【背景技術】
【0002】
地震が発生すると、各所に設けられた地震計により地震が観測されて、地震観測データとして、地震動波形データが生成される。地震観測データは、地震破壊過程の推定をはじめとした、様々な目的に使用されている。
この地震観測データには、地震計の周囲において生じる、道路交通の振動、列車の振動、工事の振動等の、様々な振動が、ノイズとして混入していることがある。例えば緊急地震速報システム等ではＰ波の僅かな情報からＳ波の到達時刻を予測するが、上記のようなノイズが混入した地震観測データが緊急地震速報システム等の構築の際に用いられると、Ｓ波の予測に誤差が生じ得る。したがって、地震観測データのノイズを除去することが行われている。
この地震観測データには、地震計の周囲において生じる、道路交通の振動、列車の振動、工事の振動等の、様々な振動が、ノイズとして混入していることがある。例えば緊急地震速報システム等ではＰ波の僅かな情報からＳ波の到達時刻を予測するが、上記のようなノイズが混入した地震観測データが緊急地震速報システム等の構築の際に用いられると、Ｓ波の予測に誤差が生じ得る。したがって、地震観測データのノイズを除去することが行われている。
【0003】
例えば、特許文献１には、地震計で計測される振動を周波数成分に対する強度レベルに分解し、該振動の所定周波数が１５～２５（ヘルツ）の範囲内のいずれかの周波数、例えば２０（ヘルツ）であり、その周波数成分の振動レベルをａ２０（デシベル）、振動のノイズレベルをａｎ（デシベル）、振動のピークを与える振動周波数ｆｐ（ヘルツ）における振動レベルをａｐ（デシベル）としたとき、ｒ２０＝（ａ２０－ａｎ）／（ａｐａｎ）×１００で与えられる、ｒ２０（パーセント）が所定の値、例えば６０（パーセント）を越える場合に、ノイズと判定しその振動を除去する、地震観測方法が開示されている。
また、特許文献２には、整数の演算だけで容易に計算される卓越周波数の計算、地震波の立ち上がり方を表すためのパラメータ、及び両者の関係を用いて、地震波の特徴を表し、その属性を持たない地震観測データをノイズであると判定する解析法が開示されている。
更に、特許文献３には、地震計のノイズ識別方法において、地表を伝播する地震以外の振動を検出する地表地震計と、地中から地表へ伝播する地震動を検出する地中地震計とを設置し、地表地震計のみが起動した場合には、地震以外の振動と識別し、地中地震計と地表地震計４との両方の地震計が起動した場合には、地震動と識別する、地震計のノイズ識別方法が開示されている。
また、特許文献２には、整数の演算だけで容易に計算される卓越周波数の計算、地震波の立ち上がり方を表すためのパラメータ、及び両者の関係を用いて、地震波の特徴を表し、その属性を持たない地震観測データをノイズであると判定する解析法が開示されている。
更に、特許文献３には、地震計のノイズ識別方法において、地表を伝播する地震以外の振動を検出する地表地震計と、地中から地表へ伝播する地震動を検出する地中地震計とを設置し、地表地震計のみが起動した場合には、地震以外の振動と識別し、地中地震計と地表地震計４との両方の地震計が起動した場合には、地震動と識別する、地震計のノイズ識別方法が開示されている。
【0004】
上記の特許文献に記載されたようなノイズの識別、除去は、十分な精度が得られない場合がある。したがって、地震観測データのノイズ処理は、作業員が地震観測データを目視することによりノイズを判読し、ノイズと判読された部分の周期帯にフィルタ処理を適用することが一般である。
しかし、現在においては、様々な公的機関により、莫大な数の地震記録が公開されており、これらすべての地震観測データを人手でノイズ除去処理することは現実的ではない。
自動で、かつ高い精度でノイズ成分を除去することが望まれている。
しかし、現在においては、様々な公的機関により、莫大な数の地震記録が公開されており、これらすべての地震観測データを人手でノイズ除去処理することは現実的ではない。
自動で、かつ高い精度でノイズ成分を除去することが望まれている。
【先行技術文献】
【特許文献】
【0005】
【文献】特開平１０－２５３７６６号公報
【文献】特開２００９－１０３６７２号公報
【文献】特開２０１４－６６５７１号公報
【発明の概要】
【発明が解決しようとする課題】
【0006】
本発明が解決しようとする課題は、高い精度でノイズ成分を除去することができる、地震波形処理方法及び地震波形処理システムを提供することである。
【課題を解決するための手段】
【0007】
本発明は、上記課題を解決するため、以下の手段を採用する。すなわち、本発明は、地震計で観測された地震観測データからノイズ成分を除去して地震波形を取り出す地震波形処理方法であって、地震の加速度波形及び速度波形の画像を含む入力データに対し、当該画像中の前記ノイズ成分の有無の情報を教師データとして、深層学習させた第１学習モデルに、前記地震観測データの前記加速度波形及び前記速度波形の画像を入力して、前記ノイズ成分の有無を推論する工程と、前記ノイズ成分が有ると推論された場合に、地震の加速度フーリエスペクトルの画像を含む入力データに対し、当該画像中の前記ノイズ成分を含む部分が識別された画像を教師データとして、深層学習させた第２学習モデルに、前記地震観測データの前記加速度フーリエスペクトルの画像を入力して、当該画像中の前記ノイズ成分を推論して当該ノイズ成分の周波数境界値を算出し、当該周波数境界値を用いたフィルタ処理により、前記ノイズ成分を除去したノイズ成分除去地震波形を生成する工程と、を含むことを特徴とする地震波形処理方法を提供する。
上記のような構成によれば、第１学習モデルは、地震の加速度波形及び速度波形の画像を含む入力データに対し、当該画像中のノイズ成分の有無の情報を教師データとして、深層学習されている。このため、第１学習モデルには、地震の加速度波形及び速度波形の画像と、及び当該画像中のノイズ成分の有無に関する情報が、特徴量として学習されている。したがって、第１学習モデルは、地震観測データの加速度波形及び速度波形の画像が入力されると、当該画像内にノイズ成分が有るか無いかを、適切に推論できる。
また、第２学習モデルは、地震の加速度フーリエスペクトルの画像を含む入力データに対し、当該画像中のノイズ成分を含む部分が識別された画像を教師データとして、深層学習されている。このため、第２学習モデルには、地震の加速度フーリエスペクトルの画像と、及び当該画像中のノイズ成分を含む部分に関する情報が、特徴量として学習されている。したがって、第２学習モデルは、地震観測データの加速度フーリエスペクトルの画像が入力されると、当該画像中のどの部分にノイズ成分を含むのか、すなわち、加速度フーリエスペクトルのノイズ成分が含まれる周波数帯を、適切に推論することができる。
このように、第１及び第２学習モデルにより、ノイズ成分が含まれる周波数帯が推論されるので、この周波数帯の境界を周波数境界値として算出し、これを用いたフィルタ処理を行うことで、ノイズ成分を除去したノイズ成分除去地震波形を生成できる。したがって、高い精度でノイズ成分を除去することが可能である。
上記のような構成によれば、第１学習モデルは、地震の加速度波形及び速度波形の画像を含む入力データに対し、当該画像中のノイズ成分の有無の情報を教師データとして、深層学習されている。このため、第１学習モデルには、地震の加速度波形及び速度波形の画像と、及び当該画像中のノイズ成分の有無に関する情報が、特徴量として学習されている。したがって、第１学習モデルは、地震観測データの加速度波形及び速度波形の画像が入力されると、当該画像内にノイズ成分が有るか無いかを、適切に推論できる。
また、第２学習モデルは、地震の加速度フーリエスペクトルの画像を含む入力データに対し、当該画像中のノイズ成分を含む部分が識別された画像を教師データとして、深層学習されている。このため、第２学習モデルには、地震の加速度フーリエスペクトルの画像と、及び当該画像中のノイズ成分を含む部分に関する情報が、特徴量として学習されている。したがって、第２学習モデルは、地震観測データの加速度フーリエスペクトルの画像が入力されると、当該画像中のどの部分にノイズ成分を含むのか、すなわち、加速度フーリエスペクトルのノイズ成分が含まれる周波数帯を、適切に推論することができる。
このように、第１及び第２学習モデルにより、ノイズ成分が含まれる周波数帯が推論されるので、この周波数帯の境界を周波数境界値として算出し、これを用いたフィルタ処理を行うことで、ノイズ成分を除去したノイズ成分除去地震波形を生成できる。したがって、高い精度でノイズ成分を除去することが可能である。
【0008】
本発明の一態様においては、地震波形処理方法は、前記ノイズ成分の無い地震波形と、当該地震波形にフィルタを適用してＰ波及びＳ波の各区間が抽出された波形を含む入力データに対し、Ｐ波及びＳ波の到達時刻を教師データとして、深層学習させた第３学習モデルに、前記ノイズ成分が無いと判別された前記地震観測データの地震波形か、または前記ノイズ成分除去地震波形のいずれかを入力して、Ｐ波及びＳ波の到達時刻を推論する工程とを含む。
上記のような構成によれば、第３学習モデルは、ノイズ成分の無い地震波形と、当該地震波形にフィルタを適用してＰ波及びＳ波の各区間が抽出された波形を含む入力データに対し、Ｐ波及びＳ波の到達時刻を教師データとして、深層学習されている。このため、第３学習モデルには、ノイズ成分の無い地震波形と、当該地震波形にフィルタを適用してＰ波及びＳ波の各区間が抽出された波形、及びＰ波及びＳ波の到達時刻に関する情報が、特徴量として学習されている。したがって、第３学習モデルは、ノイズ成分の無い地震波形として、ノイズ成分が無いと判別された地震観測データの地震波形か、またはノイズ成分除去地震波形のいずれかが入力されると、Ｐ波及びＳ波の到達時刻を、適切に推論することができる。
上記のような構成によれば、第３学習モデルは、ノイズ成分の無い地震波形と、当該地震波形にフィルタを適用してＰ波及びＳ波の各区間が抽出された波形を含む入力データに対し、Ｐ波及びＳ波の到達時刻を教師データとして、深層学習されている。このため、第３学習モデルには、ノイズ成分の無い地震波形と、当該地震波形にフィルタを適用してＰ波及びＳ波の各区間が抽出された波形、及びＰ波及びＳ波の到達時刻に関する情報が、特徴量として学習されている。したがって、第３学習モデルは、ノイズ成分の無い地震波形として、ノイズ成分が無いと判別された地震観測データの地震波形か、またはノイズ成分除去地震波形のいずれかが入力されると、Ｐ波及びＳ波の到達時刻を、適切に推論することができる。
【0009】
また、本発明は、地震計で観測された地震観測データからノイズ成分を除去して地震波形を取り出す地震波形処理システムであって、地震の加速度波形及び速度波形の画像を含む入力データに対し、当該画像中の前記ノイズ成分の有無の情報を教師データとして、深層学習させた第１学習モデルと、前記第１学習モデルに、前記地震観測データの前記加速度波形及び前記速度波形の画像を入力して、前記ノイズ成分の有無を推論するノイズ成分有無推論部と、地震の加速度フーリエスペクトルの画像を含む入力データに対し、当該画像中の前記ノイズ成分を含む部分が識別された画像を教師データとして、深層学習させた第２学習モデルと、前記ノイズ成分が有ると推論された場合に、前記第２学習モデルに、前記地震観測データの前記加速度フーリエスペクトルの画像を入力して、当該画像中の前記ノイズ成分を推論して当該ノイズ成分の周波数境界値を算出し、当該周波数境界値を用いたフィルタ処理により、前記ノイズ成分を除去したノイズ成分除去地震波形を生成するノイズ成分除去部と、を備えることを特徴とする地震波形処理システムを提供する。
上記のような構成によれば、既に説明したように、高い精度でノイズ成分を除去することが可能である。
上記のような構成によれば、既に説明したように、高い精度でノイズ成分を除去することが可能である。
【発明の効果】
【0010】
本発明によれば、高い精度でノイズ成分を除去することができる、地震波形処理方法及び地震波形処理システムを提供することができる。
【図面の簡単な説明】
【0011】
【図1】本発明の実施形態における地震波形処理システムのブロック図である。
【図2】地震波形処理システムの第１学習モデルに入力される入力データの、データ中にノイズ成分を含まない場合の説明図である。
【図3】第１学習モデルに入力される入力データの、データ中にノイズ成分を含む場合の説明図である。
【図4】第１学習モデルの模式的なブロック図である。
【図5】地震波形処理システムの第２学習モデルの模式的なブロック図である。
【図6】地震波形処理システムの第３学習モデルの、入力データの説明図である。
【図7】第３学習モデルの、教師データの説明図である。
【図8】実施形態の地震波形処理方法のフローチャートである。
【図9】第３学習モデルの評価結果を表すグラフである。
【発明を実施するための形態】
【0012】
本発明は、機械学習モデル（ＡＩ技術）を用いて、地震観測データからノイズ成分を取り除き、Ｐ波及びＳ波の地震波形を取得する地震波形処理方法、及び地震波形処理システムである。
以下、本発明の実施形態について図面を参照して詳細に説明する。
図１は、本実施形態における地震波形処理システムのブロック図である。本実施形態の地震波形処理システム１は、地震計で観測された地震観測データからノイズ成分を除去して、ノイズ成分を含まないような、地震波形を取り出す。更に、地震波形処理システム１は、このノイズ成分が除去された地震波形を基に、Ｐ波及びＳ波の到達時刻を推論する。
地震波形処理システム１は、図１に示されるように、コンピュータ装置からなるもので、予め設定されたコンピュータプログラムに基づいた処理を実行することで、ノイズ成分を除去し、Ｐ波及びＳ波の到達時刻を推論する。地震波形処理システム１は、ノイズ成分有無推論部２、ノイズ成分除去部３、及び到達時刻導出部４を備えている。ノイズ成分有無推論部２は、速度波形生成部２１、入力画像生成部２２、及び第１学習モデル５０を備えている。ノイズ成分除去部３は、スペクトル生成部３１、第２学習モデル６０、周波数境界値抽出部３２、及びフィルタ処理部３３を備えている。到達時刻導出部４は、入力データ生成部４１と第３学習モデル７０を備えている。
以下、本発明の実施形態について図面を参照して詳細に説明する。
図１は、本実施形態における地震波形処理システムのブロック図である。本実施形態の地震波形処理システム１は、地震計で観測された地震観測データからノイズ成分を除去して、ノイズ成分を含まないような、地震波形を取り出す。更に、地震波形処理システム１は、このノイズ成分が除去された地震波形を基に、Ｐ波及びＳ波の到達時刻を推論する。
地震波形処理システム１は、図１に示されるように、コンピュータ装置からなるもので、予め設定されたコンピュータプログラムに基づいた処理を実行することで、ノイズ成分を除去し、Ｐ波及びＳ波の到達時刻を推論する。地震波形処理システム１は、ノイズ成分有無推論部２、ノイズ成分除去部３、及び到達時刻導出部４を備えている。ノイズ成分有無推論部２は、速度波形生成部２１、入力画像生成部２２、及び第１学習モデル５０を備えている。ノイズ成分除去部３は、スペクトル生成部３１、第２学習モデル６０、周波数境界値抽出部３２、及びフィルタ処理部３３を備えている。到達時刻導出部４は、入力データ生成部４１と第３学習モデル７０を備えている。
【0013】
ノイズ成分有無推論部２は、地震観測データの加速度波形５を入力して、当該加速度波形５にノイズ成分が含まれているか否かを推論する。
まず、速度波形生成部２１は、地震計で観測された加速度波形５が入力されると、これを微分して、速度波形を生成する。
入力画像生成部２２は、加速度波形５と、速度波形生成部２１により生成された速度波形を基に、第１学習モデル５０への入力データとなる、加速度波形及び速度波形の画像（以下、第１入力画像と記載する）を生成する。図２、図３は、第１入力画像７の説明図である。入力画像生成部２２は、加速度波形５を基に加速度波形の画像７ａを生成し、速度波形を基に速度波形の画像７ｂを生成し、更に、これら加速度波形の画像７ａと速度波形の画像７ｂを上下に連接して、１枚の第１入力画像７を生成する。
まず、速度波形生成部２１は、地震計で観測された加速度波形５が入力されると、これを微分して、速度波形を生成する。
入力画像生成部２２は、加速度波形５と、速度波形生成部２１により生成された速度波形を基に、第１学習モデル５０への入力データとなる、加速度波形及び速度波形の画像（以下、第１入力画像と記載する）を生成する。図２、図３は、第１入力画像７の説明図である。入力画像生成部２２は、加速度波形５を基に加速度波形の画像７ａを生成し、速度波形を基に速度波形の画像７ｂを生成し、更に、これら加速度波形の画像７ａと速度波形の画像７ｂを上下に連接して、１枚の第１入力画像７を生成する。
【0014】
図２に示される第１入力画像７は、加速度波形５にノイズ成分が含まれない場合の波形である。これに対し、図３に示される第１入力画像７にはノイズ成分が含まれており、このために、図２とは異なる特徴が画像に表れている。次に説明する第１学習モデル５０は、この特徴を認識するように機械学習されている。
図４は、第１学習モデル５０の模式的なブロック図である。本実施形態においては、第１学習モデル５０は、画像を入出力とした場合の処理と相性の良い畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、以下ＣＮＮと記載する）により実現されている。第１学習モデル５０は、畳み込み処理部５１と全結合部５２を備えている。
図４は、第１学習モデル５０の模式的なブロック図である。本実施形態においては、第１学習モデル５０は、画像を入出力とした場合の処理と相性の良い畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、以下ＣＮＮと記載する）により実現されている。第１学習モデル５０は、畳み込み処理部５１と全結合部５２を備えている。
【0015】
畳み込み処理部５１は、複数の畳み込み層５１ａを備えている。第１学習モデル５０に第１入力画像７が入力されると、初段の畳み込み層５１ａに設けられた複数のフィルタの各々により、畳み込みフィルタ処理が実行され、かつ必要に応じてプーリング処理等が適用されて、初段の畳み込み層５１ａに対応する特徴量マップが生成される。この処理を、後段へと繰り返すことで、最終段の畳み込み層５１ａに対応する特徴量マップ５３が生成される。この、最終段の畳み込み層５１ａに対応する特徴量マップ５３は、全結合部５２への入力となる。
全結合部５２は、入力層５２ａ、複数の中間層５２ｂ、及び出力層５２ｃを備えている。入力された特徴量マップ５３に含まれる値の各々は、入力層５２ａの対応する入力ノードに入力される。この値に対して重み付け和が演算され、その結果が初段の中間層５２ｂへと格納される。この処理を、後段へと繰り返すことで、出力層５２ｃには、最終的な演算値が格納される。
全結合部５２は、入力層５２ａ、複数の中間層５２ｂ、及び出力層５２ｃを備えている。入力された特徴量マップ５３に含まれる値の各々は、入力層５２ａの対応する入力ノードに入力される。この値に対して重み付け和が演算され、その結果が初段の中間層５２ｂへと格納される。この処理を、後段へと繰り返すことで、出力層５２ｃには、最終的な演算値が格納される。
【0016】
第１学習モデル５０は、入力された第１入力画像７にノイズ成分が含まれているか否かを推論する、２クラス分類を解決するものである。本実施形態においては、出力層５２ｃは、第１出力ノード５２ｄと第２出力ノード５２ｅを備えている。第１出力ノード５２ｄは、第１入力画像７がノイズ成分を含む場合に対応し、第２出力ノード５２ｅはノイズ成分を含まない場合に対応している。
学習時には、第１学習モデル５０に入力された、学習時の入力データとしての第１入力画像７が、畳み込み処理部５１、全結合部５２により処理されて、第１及び第２出力ノード５２ｄ、５２ｅに処理結果が格納される。この処理結果は、教師データと比較される。本実施形態においては、教師データは、第１入力画像７中のノイズ成分の有無の情報である。より詳細には、例えば入力された第１入力画像７がノイズを含む場合には、第１出力ノード５２ｄ内の処理結果は１と、及び第２出力ノード５２ｅ内の処理結果は０と、それぞれ比較される。また、例えば入力された第１入力画像７がノイズを含まない場合には、第１出力ノード５２ｄ内の処理結果は０と、及び第２出力ノード５２ｅ内の処理結果は１と、それぞれ比較される。
第１学習モデル５０は、これらの処理結果と教師データとの２乗誤差等により表されるコスト関数を小さくするように、誤差逆伝搬法、確率的勾配降下法等により、畳み込み処理部５１の各フィルタの重みの値、全結合部５２の重み付け和に用いられる重みの値等を調整することで、機械学習されている。
結果として、第１学習モデル５０は、第１出力ノード５２ｄと第２出力ノード５２ｅの値が、入力された第１入力画像７にノイズ成分が含まれていればそれぞれ１、０に近く、含まれていなければそれぞれ０、１に近くなるように学習されている。このように、第１学習モデル５０は、人工知能ソフトウェアの一部であるプログラムモジュールとして利用される、適切な学習パラメータが学習された学習済みの学習モデルである。
学習時には、第１学習モデル５０に入力された、学習時の入力データとしての第１入力画像７が、畳み込み処理部５１、全結合部５２により処理されて、第１及び第２出力ノード５２ｄ、５２ｅに処理結果が格納される。この処理結果は、教師データと比較される。本実施形態においては、教師データは、第１入力画像７中のノイズ成分の有無の情報である。より詳細には、例えば入力された第１入力画像７がノイズを含む場合には、第１出力ノード５２ｄ内の処理結果は１と、及び第２出力ノード５２ｅ内の処理結果は０と、それぞれ比較される。また、例えば入力された第１入力画像７がノイズを含まない場合には、第１出力ノード５２ｄ内の処理結果は０と、及び第２出力ノード５２ｅ内の処理結果は１と、それぞれ比較される。
第１学習モデル５０は、これらの処理結果と教師データとの２乗誤差等により表されるコスト関数を小さくするように、誤差逆伝搬法、確率的勾配降下法等により、畳み込み処理部５１の各フィルタの重みの値、全結合部５２の重み付け和に用いられる重みの値等を調整することで、機械学習されている。
結果として、第１学習モデル５０は、第１出力ノード５２ｄと第２出力ノード５２ｅの値が、入力された第１入力画像７にノイズ成分が含まれていればそれぞれ１、０に近く、含まれていなければそれぞれ０、１に近くなるように学習されている。このように、第１学習モデル５０は、人工知能ソフトウェアの一部であるプログラムモジュールとして利用される、適切な学習パラメータが学習された学習済みの学習モデルである。
【0017】
ノイズ成分有無推論部２は、上記のように学習された第１学習モデル５０に対し、入力画像生成部２２により生成された、推論対象となる第１入力画像７を入力して、第１学習モデル５０の第１及び第２出力ノード５２ｄ、５２ｅに格納された処理結果を参照する。ノイズ成分有無推論部２は、第１出力ノード５２ｄに格納された処理結果が第２出力ノード５２ｅに格納された処理結果よりも大きく１に近ければ、第１入力画像７にノイズ成分が含まれていると推論する。逆に、ノイズ成分有無推論部２は、第２出力ノード５２ｅに格納された処理結果が第１出力ノード５２ｄに格納された処理結果よりも大きく１に近ければ、第１入力画像７にノイズ成分が含まれていないと推論する。
ノイズ成分有無推論部２は、このように、第１学習モデル５０に、地震観測データの第１入力画像７を入力して、加速度波形５のノイズ成分の有無を推論し、ノイズ成分除去部３に送信する。
ノイズ成分有無推論部２は、このように、第１学習モデル５０に、地震観測データの第１入力画像７を入力して、加速度波形５のノイズ成分の有無を推論し、ノイズ成分除去部３に送信する。
【0018】
ノイズ成分除去部３は、ノイズ成分有無推論部２において加速度波形５にノイズ成分が有ると推論された場合に、当該加速度波形５を入力して、ノイズ成分を除去したノイズ成分除去地震波形を生成する。図５は、ノイズ成分除去部３の、特に後に説明する第２学習モデル６０の、模式的なブロック図である。
まず、スペクトル生成部３１は、ノイズ成分有無推論部２において加速度波形５にノイズ成分が有ると推論された場合に、当該加速度波形５を受信する。スペクトル生成部３１は、加速度波形５をフーリエ変換し、図５に示されるような、横軸が周波数で、縦軸が各周波数に対応するスペクトル振幅として表される、フーリエスペクトルの画像（以下、第２入力画像と記載する）８を生成する。
スペクトル生成部３１は、第２学習モデル６０に第２入力画像８を送信し、入力する。
まず、スペクトル生成部３１は、ノイズ成分有無推論部２において加速度波形５にノイズ成分が有ると推論された場合に、当該加速度波形５を受信する。スペクトル生成部３１は、加速度波形５をフーリエ変換し、図５に示されるような、横軸が周波数で、縦軸が各周波数に対応するスペクトル振幅として表される、フーリエスペクトルの画像（以下、第２入力画像と記載する）８を生成する。
スペクトル生成部３１は、第２学習モデル６０に第２入力画像８を送信し、入力する。
【0019】
第２学習モデル６０は、入力された第２入力画像８のどの部分がノイズ成分であるかを特徴として認識するように機械学習されている。
本実施形態においては、第２学習モデル６０は、ＣＮＮにより実現されて、セマンティックセグメンテーションにより、入力された第２入力画像８のどの画素がノイズ成分に相当するかを推論するように、学習されている。第２学習モデル６０は、畳み込み処理部６１と逆畳み込み処理部６２を備えている。
畳み込み処理部６１は、複数の畳み込み層６１ａを備えている。第２学習モデル６０に第２入力画像８が入力されると、第１学習モデル５０の畳み込み処理部５１と同様な手順により、畳み込み処理が実行される。最終段の畳み込み層６１ａの処理結果は、第２入力画像８の特徴が抽出されて低次元に圧縮された状態のものとなっており、これは、逆畳み込み処理部６２への入力となる。
逆畳み込み処理部６２は、畳み込み処理部６１により低次元に圧縮された特徴を拡大し、復元するように、逆畳み込み処理を実行する。逆畳み込み処理部６２は、第２学習モデル６０の出力として、出力画像６４を出力する。
本実施形態においては、第２学習モデル６０は、ＣＮＮにより実現されて、セマンティックセグメンテーションにより、入力された第２入力画像８のどの画素がノイズ成分に相当するかを推論するように、学習されている。第２学習モデル６０は、畳み込み処理部６１と逆畳み込み処理部６２を備えている。
畳み込み処理部６１は、複数の畳み込み層６１ａを備えている。第２学習モデル６０に第２入力画像８が入力されると、第１学習モデル５０の畳み込み処理部５１と同様な手順により、畳み込み処理が実行される。最終段の畳み込み層６１ａの処理結果は、第２入力画像８の特徴が抽出されて低次元に圧縮された状態のものとなっており、これは、逆畳み込み処理部６２への入力となる。
逆畳み込み処理部６２は、畳み込み処理部６１により低次元に圧縮された特徴を拡大し、復元するように、逆畳み込み処理を実行する。逆畳み込み処理部６２は、第２学習モデル６０の出力として、出力画像６４を出力する。
【0020】
学習時には、第２学習モデル６０に入力された、学習時の入力データとしての第２入力画像８が、畳み込み処理部６１、逆畳み込み処理部６２により処理されて、出力画像６４が出力される。この処理結果は、教師データである教師画像６５と比較される。本実施形態においては、教師画像６５は、第２入力画像８のどの画素が、ノイズ成分に相当するかという情報であり、第２入力画像８中のノイズ成分を含む部分が識別された画像である。より詳細には、教師画像６５の各画素には、第２入力画像８の対応する画素がノイズ部分である場合には、所定の第１画素値を、ノイズ部分ではない場合には、第１画素値とは異なる所定の第２画素値を、有するように設定されている。出力画像６４は、入力となった第２入力画像８に対応する教師画像６５と、画素ごとに画素値が比較されて、例えば各画素間のこれらの差分の２乗誤差等がコスト関数として計算される。
その上で、このコスト関数を小さくするように、誤差逆伝搬法等により、各フィルタの重みの値等を調整することで、第２学習モデル６０は機械学習されている。
結果として、第２学習モデル６０は、出力された出力画像６４の各画素の画素値が、入力された第２入力画像８の対応する画素がノイズ成分であれば第１画素値に近く、ノイズ成分でなければ第２画素値に近くなるように学習されている。このように、第２学習モデル６０は、人工知能ソフトウェアの一部であるプログラムモジュールとして利用される、適切な学習パラメータが学習された学習済みの学習モデルである。
その上で、このコスト関数を小さくするように、誤差逆伝搬法等により、各フィルタの重みの値等を調整することで、第２学習モデル６０は機械学習されている。
結果として、第２学習モデル６０は、出力された出力画像６４の各画素の画素値が、入力された第２入力画像８の対応する画素がノイズ成分であれば第１画素値に近く、ノイズ成分でなければ第２画素値に近くなるように学習されている。このように、第２学習モデル６０は、人工知能ソフトウェアの一部であるプログラムモジュールとして利用される、適切な学習パラメータが学習された学習済みの学習モデルである。
【0021】
ノイズ成分除去部３は、上記のように学習された第２学習モデル６０に対し、スペクトル生成部３１により生成された、推論対象となる第２入力画像８を入力する。第２学習モデル６０は、第２入力画像８中のノイズ成分を推論し、出力画像６４を生成する。
周波数境界値抽出部３２は、出力画像６４を受信し、出力画像６４内で第１画素値を有する周波数帯を抽出する。特に本実施形態においては、周波数境界値抽出部３２は、低周波数帯域に現れるノイズ成分の上限値である低周波数帯域上限値と、高周波数帯域に現れるノイズ成分の下限値である高周波数帯域下限値を、ノイズ成分の周波数境界値として算出する。
フィルタ処理部３３は、これらの周波数境界値を基に、加速度波形５をフィルタ処理する。より詳細には、フィルタ処理部３３は、加速度波形５に対して、低周波数帯域上限値をカットオフ周波数とし、これ以上の周波数帯域を通すハイパスフィルタを実行し、かつ、高周波数帯域下限値をカットオフ周波数とし、これ以下の周波数帯域を通すローパスフィルタを実行する。このようにして、フィルタ処理部３３は、加速度波形５に対して、ノイズ成分を除去したノイズ成分除去地震波形を生成する。
周波数境界値抽出部３２は、出力画像６４を受信し、出力画像６４内で第１画素値を有する周波数帯を抽出する。特に本実施形態においては、周波数境界値抽出部３２は、低周波数帯域に現れるノイズ成分の上限値である低周波数帯域上限値と、高周波数帯域に現れるノイズ成分の下限値である高周波数帯域下限値を、ノイズ成分の周波数境界値として算出する。
フィルタ処理部３３は、これらの周波数境界値を基に、加速度波形５をフィルタ処理する。より詳細には、フィルタ処理部３３は、加速度波形５に対して、低周波数帯域上限値をカットオフ周波数とし、これ以上の周波数帯域を通すハイパスフィルタを実行し、かつ、高周波数帯域下限値をカットオフ周波数とし、これ以下の周波数帯域を通すローパスフィルタを実行する。このようにして、フィルタ処理部３３は、加速度波形５に対して、ノイズ成分を除去したノイズ成分除去地震波形を生成する。
【0022】
到達時刻導出部４は、ノイズ成分が無いと判別された地震観測データの地震波形か、またはノイズ成分除去地震波形のいずれかを入力して、Ｐ波及びＳ波の到達時刻を推論する。すなわち、到達時刻導出部４は、ノイズ成分有無推論部２において加速度波形５にノイズが無いと推論された場合には、加速度波形５を入力波形として受信する。また、到達時刻導出部４は、ノイズが有ると推論された場合には、ノイズ成分除去部３によってノイズ成分が除去された、ノイズ成分除去地震波形を入力波形として受信する。このように、いずれの場合であっても、到達時刻導出部４は、ノイズ成分の無い地震波形を、入力波形として受信する。
【0023】
図６は、第３学習モデルの、入力データの説明図である。入力データ生成部４１は、次に説明する第３学習モデル７０への入力データである、データセット９を生成する。本実施形態においては、データセット９は、加速度波形９１、０．５ガルで飽和する加速度波形９２、及び偏向解析結果９３を備えている。
加速度波形９１は、南北方向の加速度波形９１ａ、東西方向の加速度波形９１ｂ、及び上下方向の加速度波形９１ｃを備えている。入力データ生成部４１は、南北方向、東西方向、及び上下方向の各々に対応して入力波形を受信し、これらの各々を、最大加速度値で除算して正規化して、各加速度波形９１ａ、９１ｂ、９１ｃを生成する（図６には、正規化する前の波形が記載されている）。
０．５ガルで飽和する加速度波形９２は、南北方向の０．５ガルで飽和する加速度波形９２ａ、東西方向の０．５ガルで飽和する加速度波形９２ｂ、及び上下方向の０．５ガルで飽和する加速度波形９２ｃを備えている。各加速度波形９１ａ、９１ｂ、９１ｃは、上記の正規化において、絶対値の情報が失われている。各加速度波形９２ａ、９２ｂ、９２ｃは、これを補完し、相対的に小さな値となるＰ波が到達する時刻を推定するのに有効な入力となる。
偏向解析結果９３は、Ｐ波の偏向解析結果９３ａとＳ波の偏向解析結果９３ｂを備えている。偏向解析結果９３は、受信した入力波形に対し、Ｒｏｓｓ ａｎｄ Ｂｅｎ－Ｚｉｏｎによるフィルタ処理を施すことにより、これら偏向解析結果９３ａ、９３ｂを生成する。このフィルタ処理は、観測点で得られた水平２成分、上下１成分の観測地震動波形の偏向解析により、Ｐ波とＳ波の特徴を有する波形区間を判定するものであり、本指標が高いときに、Ｐ波あるいはＳ波が到達している可能性が高くなっていると判断可能である。
加速度波形９１は、南北方向の加速度波形９１ａ、東西方向の加速度波形９１ｂ、及び上下方向の加速度波形９１ｃを備えている。入力データ生成部４１は、南北方向、東西方向、及び上下方向の各々に対応して入力波形を受信し、これらの各々を、最大加速度値で除算して正規化して、各加速度波形９１ａ、９１ｂ、９１ｃを生成する（図６には、正規化する前の波形が記載されている）。
０．５ガルで飽和する加速度波形９２は、南北方向の０．５ガルで飽和する加速度波形９２ａ、東西方向の０．５ガルで飽和する加速度波形９２ｂ、及び上下方向の０．５ガルで飽和する加速度波形９２ｃを備えている。各加速度波形９１ａ、９１ｂ、９１ｃは、上記の正規化において、絶対値の情報が失われている。各加速度波形９２ａ、９２ｂ、９２ｃは、これを補完し、相対的に小さな値となるＰ波が到達する時刻を推定するのに有効な入力となる。
偏向解析結果９３は、Ｐ波の偏向解析結果９３ａとＳ波の偏向解析結果９３ｂを備えている。偏向解析結果９３は、受信した入力波形に対し、Ｒｏｓｓ ａｎｄ Ｂｅｎ－Ｚｉｏｎによるフィルタ処理を施すことにより、これら偏向解析結果９３ａ、９３ｂを生成する。このフィルタ処理は、観測点で得られた水平２成分、上下１成分の観測地震動波形の偏向解析により、Ｐ波とＳ波の特徴を有する波形区間を判定するものであり、本指標が高いときに、Ｐ波あるいはＳ波が到達している可能性が高くなっていると判断可能である。
【0024】
第３学習モデル７０は、入力波形の中のＰ波到達時刻及びＳ波到達時刻に関する特徴を認識するように機械学習されている。本実施形態においては、第３学習モデル７０は、第１学習モデル５０の全結合部５２として示されたような、畳み込み層を有さない、全結合部のみのニューラルネットワークとして実現されている。
第３学習モデル７０には、入力として上記データセット９が、数値データの系列として与えられる。これに対応して、第３学習モデル７０の入力層は、複数の入力ノードを備えている。第３学習モデル７０に各データが入力されると、第１学習モデル５０の全結合部５２における説明と同様に、後段へと重み付け和の演算を繰り返すことで、出力層に、最終的な演算値が格納される。
第３学習モデル７０には、入力として上記データセット９が、数値データの系列として与えられる。これに対応して、第３学習モデル７０の入力層は、複数の入力ノードを備えている。第３学習モデル７０に各データが入力されると、第１学習モデル５０の全結合部５２における説明と同様に、後段へと重み付け和の演算を繰り返すことで、出力層に、最終的な演算値が格納される。
【0025】
第３学習モデル７０は、入力されたデータセット９に対し、Ｐ波及びＳ波の到達時刻を推論するものである。これに対応し、第３学習モデル７０の出力層は、Ｐ波到達時刻に関連する数値の系列に対応する、複数の出力ノードと、Ｓ派到達時刻に関連する数値の系列に対応する、複数の出力ノードにより構成されている。
より詳細には、例えば、６０秒にわたる入力波形に対して、０．１秒の精度でＰ波の到達時刻を推論する場合には、Ｐ波の到達時刻に関しては、０．１×６０＝６００個の、６０秒を０．１秒刻みに分割した各時刻に対応する出力ノードが設けられる。Ｓ波の到達時刻に関しても同様に、例えば６００個の出力ノードが設けられ、全体として、例えば計１２００個の出力ノードが設けられる。
学習時には、第３学習モデル７０に入力された、学習時の入力データとしてのデータセット９が、全結合部により処理されて、各出力ノードに処理結果が格納される。この処理結果は、教師データと比較される。本実施形態においては、教師データは、Ｐ波の到達時刻及びＳ波の到達時刻を示す、ベクトルである。図７に、第３学習モデル７０の教師データである、教師ベクトル７１を模式的に示す。教師ベクトル７１は、Ｐ波教師ベクトル７１ａとＳ波教師ベクトル７１ｂを備えている。Ｐ波教師ベクトル７１ａは、Ｐ波到達時刻に対応する出力ノードの各々に各要素が対応して設けられた、ワンホットベクトルである。すなわち、Ｐ波教師ベクトル７１ａは、例えば上記の例で示すところの６００個の要素を有しており、入力波形においてＰ波が到達した時刻に対応する要素のみが１で、他の時刻に対応する要素が全て０で、表現されている。同様に、Ｓ波教師ベクトル７１ｂは、Ｓ波到達時刻に対応する出力ノードの各々に各要素が対応して設けられた、ワンホットベクトルである。すなわち、Ｓ波教師ベクトル７１ｂも同様に例えば６００個の要素を有しており、入力波形においてＳ波が到達した時刻に対応する要素のみが１で、他の時刻に対応する要素が全て０で、表現されている。第３学習モデル７０の処理結果は、出力ノードごとに、各出力ノードに対応する教師ベクトル７１の要素と比較される。
第３学習モデル７０は、これらの処理結果と教師データとの２乗誤差等により表されるコスト関数を小さくするように、誤差逆伝搬法、確率的勾配降下法等により、全結合部の重み付け和に用いられる重みの値等を調整することで、機械学習されている。
結果として、第３学習モデル７０は、入力波形のなかで、Ｐ波到達時刻とＳ波到達時刻であると推論した各時刻に対応する出力ノードの値が１に、他の出力ノードの値が０に、それぞれ近くなるように学習されている。このように、第３学習モデル７０は、人工知能ソフトウェアの一部であるプログラムモジュールとして利用される、適切な学習パラメータが学習された学習済みの学習モデルである。
より詳細には、例えば、６０秒にわたる入力波形に対して、０．１秒の精度でＰ波の到達時刻を推論する場合には、Ｐ波の到達時刻に関しては、０．１×６０＝６００個の、６０秒を０．１秒刻みに分割した各時刻に対応する出力ノードが設けられる。Ｓ波の到達時刻に関しても同様に、例えば６００個の出力ノードが設けられ、全体として、例えば計１２００個の出力ノードが設けられる。
学習時には、第３学習モデル７０に入力された、学習時の入力データとしてのデータセット９が、全結合部により処理されて、各出力ノードに処理結果が格納される。この処理結果は、教師データと比較される。本実施形態においては、教師データは、Ｐ波の到達時刻及びＳ波の到達時刻を示す、ベクトルである。図７に、第３学習モデル７０の教師データである、教師ベクトル７１を模式的に示す。教師ベクトル７１は、Ｐ波教師ベクトル７１ａとＳ波教師ベクトル７１ｂを備えている。Ｐ波教師ベクトル７１ａは、Ｐ波到達時刻に対応する出力ノードの各々に各要素が対応して設けられた、ワンホットベクトルである。すなわち、Ｐ波教師ベクトル７１ａは、例えば上記の例で示すところの６００個の要素を有しており、入力波形においてＰ波が到達した時刻に対応する要素のみが１で、他の時刻に対応する要素が全て０で、表現されている。同様に、Ｓ波教師ベクトル７１ｂは、Ｓ波到達時刻に対応する出力ノードの各々に各要素が対応して設けられた、ワンホットベクトルである。すなわち、Ｓ波教師ベクトル７１ｂも同様に例えば６００個の要素を有しており、入力波形においてＳ波が到達した時刻に対応する要素のみが１で、他の時刻に対応する要素が全て０で、表現されている。第３学習モデル７０の処理結果は、出力ノードごとに、各出力ノードに対応する教師ベクトル７１の要素と比較される。
第３学習モデル７０は、これらの処理結果と教師データとの２乗誤差等により表されるコスト関数を小さくするように、誤差逆伝搬法、確率的勾配降下法等により、全結合部の重み付け和に用いられる重みの値等を調整することで、機械学習されている。
結果として、第３学習モデル７０は、入力波形のなかで、Ｐ波到達時刻とＳ波到達時刻であると推論した各時刻に対応する出力ノードの値が１に、他の出力ノードの値が０に、それぞれ近くなるように学習されている。このように、第３学習モデル７０は、人工知能ソフトウェアの一部であるプログラムモジュールとして利用される、適切な学習パラメータが学習された学習済みの学習モデルである。
【0026】
到達時刻導出部４は、上記のように学習された第３学習モデル７０に対し、入力データ生成部４１により生成された、推論対象となるデータセット９を入力して、第３学習モデル７０の各出力ノードに格納された処理結果を参照する。到達時刻導出部４は、Ｐ波到達時刻に対応する出力ノードの中で、最も値が大きく１に近い出力ノードに対応する時刻を、Ｐ波の到達時刻として推論する。また、到達時刻導出部４は、Ｓ波到達時刻に対応する出力ノードの中で、最も値が大きく１に近い出力ノードに対応する時刻を、Ｓ波の到達時刻として推論する。
到達時刻導出部４は、このように推論されたＰ波及びＳ波の到達時刻を、到達時刻６として出力する。
到達時刻導出部４は、このように推論されたＰ波及びＳ波の到達時刻を、到達時刻６として出力する。
【0027】
次に、図１～図７、及び図８を用いて、上記の地震波形処理システム１を用いた地震波形処理方法を説明する。図８は、地震波形処理方法のフローチャートである。
処理が開始されると（ステップＳ１）、速度波形生成部２１は、地震計で観測された加速度波形５を取得し、これを微分して、速度波形を生成する。
入力画像生成部２２は、加速度波形５と、速度波形生成部２１により生成された速度波形を基に、第１学習モデル５０への入力データとなる第１入力画像７を生成する（ステップＳ３）。
ノイズ成分有無推論部２は、第１学習モデル５０に、地震観測データの第１入力画像７を入力して、ノイズ成分の有無を推論する（ステップＳ５）。
処理が開始されると（ステップＳ１）、速度波形生成部２１は、地震計で観測された加速度波形５を取得し、これを微分して、速度波形を生成する。
入力画像生成部２２は、加速度波形５と、速度波形生成部２１により生成された速度波形を基に、第１学習モデル５０への入力データとなる第１入力画像７を生成する（ステップＳ３）。
ノイズ成分有無推論部２は、第１学習モデル５０に、地震観測データの第１入力画像７を入力して、ノイズ成分の有無を推論する（ステップＳ５）。
【0028】
次に、地震波形処理システム１は、ノイズ成分の推論結果を基に、加速度波形５にノイズ成分が有るか無いかを判定する（ステップＳ７）。
ノイズ成分が有ると判定された場合には（ステップＳ７のＹｅｓ）、スペクトル生成部３１が、加速度波形５をフーリエ変換し、第２入力画像８を生成する。ノイズ成分除去部３は、第２学習モデル６０に、第２入力画像８を入力して、第２入力画像８中のノイズ成分を推論し、出力画像６４を生成する。周波数境界値抽出部３２は、出力画像６４を受信し、出力画像６４内で第１画素値を有する周波数帯を抽出し、ノイズ成分の周波数境界値を算出する（ステップＳ９）。フィルタ処理部３３は、周波数境界値を基に、加速度波形５をフィルタ処理して、ノイズ成分除去地震波形を生成する（ステップＳ１１）。その後、処理は、次に説明するステップＳ１３へと遷移する。
ノイズ成分が無いと判定された場合にも（ステップＳ７のＮｏ）、ステップＳ１３へと遷移する。
ノイズ成分が有ると判定された場合には（ステップＳ７のＹｅｓ）、スペクトル生成部３１が、加速度波形５をフーリエ変換し、第２入力画像８を生成する。ノイズ成分除去部３は、第２学習モデル６０に、第２入力画像８を入力して、第２入力画像８中のノイズ成分を推論し、出力画像６４を生成する。周波数境界値抽出部３２は、出力画像６４を受信し、出力画像６４内で第１画素値を有する周波数帯を抽出し、ノイズ成分の周波数境界値を算出する（ステップＳ９）。フィルタ処理部３３は、周波数境界値を基に、加速度波形５をフィルタ処理して、ノイズ成分除去地震波形を生成する（ステップＳ１１）。その後、処理は、次に説明するステップＳ１３へと遷移する。
ノイズ成分が無いと判定された場合にも（ステップＳ７のＮｏ）、ステップＳ１３へと遷移する。
【0029】
ステップＳ１３においては、到達時刻導出部４は、ステップＳ７においてノイズ成分が無いと判別された場合には、地震観測データの地震波形（加速度波形５）を、またはステップＳ７においてノイズ成分が有ると判別された場合には、ステップＳ１１で生成されたノイズ成分除去地震波形を受信し、これを基に、Ｐ波及びＳ波の到達時刻を推論する。
より詳細には、入力データ生成部４１は、第３学習モデル７０への入力データであるデータセット９を生成する。到達時刻導出部４は、これを第３学習モデル７０に入力して、Ｐ波及びＳ波の到達時刻を推論し、到達時刻６として出力する。その後、処理は終了する（ステップＳ１５）。
より詳細には、入力データ生成部４１は、第３学習モデル７０への入力データであるデータセット９を生成する。到達時刻導出部４は、これを第３学習モデル７０に入力して、Ｐ波及びＳ波の到達時刻を推論し、到達時刻６として出力する。その後、処理は終了する（ステップＳ１５）。
【0030】
次に、上記の地震波形処理方法及び地震波形処理システムの効果について説明する。
本実施形態における地震波形処理方法は、地震計で観測された地震観測データからノイズ成分を除去して地震波形を取り出す地震波形処理方法であって、地震の加速度波形及び速度波形の画像（第１入力画像）７を含む入力データに対し、当該画像７中のノイズ成分の有無の情報を教師データとして、深層学習させた第１学習モデル５０に、地震観測データの加速度波形及び速度波形の画像（第１入力画像）７を入力して、ノイズ成分の有無を推論する工程（ステップＳ５）と、ノイズ成分が有ると推論された場合に、地震の加速度フーリエスペクトルの画像（第２入力画像）８を含む入力データに対し、当該画像８中のノイズ成分を含む部分が識別された画像（教師画像）６５を教師データとして、深層学習させた第２学習モデル６０に、地震観測データの加速度フーリエスペクトルの画像（第２入力画像）８を入力して、当該画像８中のノイズ成分を推論して当該ノイズ成分の周波数境界値を算出し、当該周波数境界値を用いたフィルタ処理により、ノイズ成分を除去したノイズ成分除去地震波形を生成する工程（ステップＳ９、Ｓ１１）と、を含む。
また、本実施形態における地震波形処理システム１は、地震計で観測された地震観測データからノイズ成分を除去して地震波形を取り出す地震波形処理システム１であって、地震の加速度波形及び速度波形の画像（第１入力画像）７を含む入力データに対し、当該画像７中のノイズ成分の有無の情報を教師データとして、深層学習させた第１学習モデル５０と、第１学習モデル５０に、地震観測データの加速度波形及び速度波形の画像（第１入力画像）７を入力して、ノイズ成分の有無を推論するノイズ成分有無推論部２と、地震の加速度フーリエスペクトルの画像（第２入力画像）８を含む入力データに対し、当該画像８中のノイズ成分を含む部分が識別された画像（教師画像）６５を教師データとして、深層学習させた第２学習モデル６０と、ノイズ成分が有ると推論された場合に、第２学習モデル６０に、地震観測データの加速度フーリエスペクトルの画像（第２入力画像）８を入力して、当該画像８中のノイズ成分を推論して当該ノイズ成分の周波数境界値を算出し、当該周波数境界値を用いたフィルタ処理により、ノイズ成分を除去したノイズ成分除去地震波形を生成するノイズ成分除去部３と、を備える。
上記のような構成によれば、第１学習モデル５０は、地震の加速度波形及び速度波形の画像（第１入力画像）７を含む入力データに対し、当該画像７中のノイズ成分の有無の情報を教師データとして、深層学習されている。このため、第１学習モデル５０には、地震の加速度波形及び速度波形の画像（第１入力画像）７と、及び当該画像７中のノイズ成分の有無に関する情報が、特徴量として学習されている。したがって、第１学習モデル５０は、地震観測データの加速度波形及び速度波形の画像（第１入力画像）７が入力されると、当該画像７内にノイズ成分が有るか無いかを、適切に推論できる。
また、第２学習モデル６０は、地震の加速度フーリエスペクトルの画像（第２入力画像）８を含む入力データに対し、当該画像８中のノイズ成分を含む部分が識別された画像（教師画像）６５を教師データとして、深層学習されている。このため、第２学習モデル６０には、地震の加速度フーリエスペクトルの画像（第２入力画像）８と、及び当該画像８中のノイズ成分を含む部分に関する情報が、特徴量として学習されている。したがって、第２学習モデル６０は、地震観測データの加速度フーリエスペクトルの画像（第２入力画像）８が入力されると、当該画像８中のどの部分にノイズ成分を含むのか、すなわち、加速度フーリエスペクトルのノイズ成分が含まれる周波数帯を、適切に推論することができる。
このように、第１及び第２学習モデル５０、６０により、ノイズ成分が含まれる周波数帯が推論されるので、この周波数帯の境界を周波数境界値として算出し、これを用いたフィルタ処理を行うことで、ノイズ成分を除去したノイズ成分除去地震波形を生成できる。よって、機械学習デモル（第１及び第２学習モデル５０、６０）では、例えば特定の周波数帯を対象として、閾値を設定してノイズ成分を除去しているものではなく、閾値は不要であり、高い精度でノイズ成分を除去することが可能である。
本実施形態における地震波形処理方法は、地震計で観測された地震観測データからノイズ成分を除去して地震波形を取り出す地震波形処理方法であって、地震の加速度波形及び速度波形の画像（第１入力画像）７を含む入力データに対し、当該画像７中のノイズ成分の有無の情報を教師データとして、深層学習させた第１学習モデル５０に、地震観測データの加速度波形及び速度波形の画像（第１入力画像）７を入力して、ノイズ成分の有無を推論する工程（ステップＳ５）と、ノイズ成分が有ると推論された場合に、地震の加速度フーリエスペクトルの画像（第２入力画像）８を含む入力データに対し、当該画像８中のノイズ成分を含む部分が識別された画像（教師画像）６５を教師データとして、深層学習させた第２学習モデル６０に、地震観測データの加速度フーリエスペクトルの画像（第２入力画像）８を入力して、当該画像８中のノイズ成分を推論して当該ノイズ成分の周波数境界値を算出し、当該周波数境界値を用いたフィルタ処理により、ノイズ成分を除去したノイズ成分除去地震波形を生成する工程（ステップＳ９、Ｓ１１）と、を含む。
また、本実施形態における地震波形処理システム１は、地震計で観測された地震観測データからノイズ成分を除去して地震波形を取り出す地震波形処理システム１であって、地震の加速度波形及び速度波形の画像（第１入力画像）７を含む入力データに対し、当該画像７中のノイズ成分の有無の情報を教師データとして、深層学習させた第１学習モデル５０と、第１学習モデル５０に、地震観測データの加速度波形及び速度波形の画像（第１入力画像）７を入力して、ノイズ成分の有無を推論するノイズ成分有無推論部２と、地震の加速度フーリエスペクトルの画像（第２入力画像）８を含む入力データに対し、当該画像８中のノイズ成分を含む部分が識別された画像（教師画像）６５を教師データとして、深層学習させた第２学習モデル６０と、ノイズ成分が有ると推論された場合に、第２学習モデル６０に、地震観測データの加速度フーリエスペクトルの画像（第２入力画像）８を入力して、当該画像８中のノイズ成分を推論して当該ノイズ成分の周波数境界値を算出し、当該周波数境界値を用いたフィルタ処理により、ノイズ成分を除去したノイズ成分除去地震波形を生成するノイズ成分除去部３と、を備える。
上記のような構成によれば、第１学習モデル５０は、地震の加速度波形及び速度波形の画像（第１入力画像）７を含む入力データに対し、当該画像７中のノイズ成分の有無の情報を教師データとして、深層学習されている。このため、第１学習モデル５０には、地震の加速度波形及び速度波形の画像（第１入力画像）７と、及び当該画像７中のノイズ成分の有無に関する情報が、特徴量として学習されている。したがって、第１学習モデル５０は、地震観測データの加速度波形及び速度波形の画像（第１入力画像）７が入力されると、当該画像７内にノイズ成分が有るか無いかを、適切に推論できる。
また、第２学習モデル６０は、地震の加速度フーリエスペクトルの画像（第２入力画像）８を含む入力データに対し、当該画像８中のノイズ成分を含む部分が識別された画像（教師画像）６５を教師データとして、深層学習されている。このため、第２学習モデル６０には、地震の加速度フーリエスペクトルの画像（第２入力画像）８と、及び当該画像８中のノイズ成分を含む部分に関する情報が、特徴量として学習されている。したがって、第２学習モデル６０は、地震観測データの加速度フーリエスペクトルの画像（第２入力画像）８が入力されると、当該画像８中のどの部分にノイズ成分を含むのか、すなわち、加速度フーリエスペクトルのノイズ成分が含まれる周波数帯を、適切に推論することができる。
このように、第１及び第２学習モデル５０、６０により、ノイズ成分が含まれる周波数帯が推論されるので、この周波数帯の境界を周波数境界値として算出し、これを用いたフィルタ処理を行うことで、ノイズ成分を除去したノイズ成分除去地震波形を生成できる。よって、機械学習デモル（第１及び第２学習モデル５０、６０）では、例えば特定の周波数帯を対象として、閾値を設定してノイズ成分を除去しているものではなく、閾値は不要であり、高い精度でノイズ成分を除去することが可能である。
【0031】
特に、本実施形態においては、第１学習モデル５０の入力として、地震の加速度波形と速度波形の双方が用いられている。短周期のノイズ成分は加速度波形に、及び長周期のノイズ成分は速度波形に、それぞれ現れやすいため、これら双方を入力として用いることで、ノイズ成分の周期帯に依らずに、ノイズ成分を効率的に検出することができる。
【0032】
また、上記の地震波形処理方法は、ノイズ成分の無い地震波形（ノイズ成分が無いと判別された場合の加速度波形５、またはノイズ成分除去地震波形）と、当該地震波形にフィルタを適用してＰ波及びＳ波の各区間が抽出された波形（偏向解析結果）９３を含む入力データに対し、Ｐ波及びＳ波の到達時刻を教師データとして、深層学習させた第３学習モデル７０に、ノイズ成分が無いと判別された地震観測データの地震波形か、またはノイズ成分除去地震波形のいずれかを入力して、Ｐ波及びＳ波の到達時刻６を推論する工程とを含む。
上記のような構成によれば、第３学習モデル７０は、ノイズ成分の無い地震波形と、当該地震波形にフィルタを適用してＰ波及びＳ波の各区間が抽出された波形を含む入力データに対し、Ｐ波及びＳ波の到達時刻を教師データとして、深層学習されている。このため、第３学習モデル７０には、ノイズ成分の無い地震波形と、当該地震波形にフィルタを適用してＰ波及びＳ波の各区間が抽出された波形、及びＰ波及びＳ波の到達時刻に関する情報が、特徴量として学習されている。したがって、第３学習モデル７０は、ノイズ成分が無いと判別された地震観測データの地震波形か、またはノイズ成分除去地震波形のいずれかが入力されると、Ｐ波及びＳ波の到達時刻６を、適切に推論することができる。
上記のような構成によれば、第３学習モデル７０は、ノイズ成分の無い地震波形と、当該地震波形にフィルタを適用してＰ波及びＳ波の各区間が抽出された波形を含む入力データに対し、Ｐ波及びＳ波の到達時刻を教師データとして、深層学習されている。このため、第３学習モデル７０には、ノイズ成分の無い地震波形と、当該地震波形にフィルタを適用してＰ波及びＳ波の各区間が抽出された波形、及びＰ波及びＳ波の到達時刻に関する情報が、特徴量として学習されている。したがって、第３学習モデル７０は、ノイズ成分が無いと判別された地震観測データの地震波形か、またはノイズ成分除去地震波形のいずれかが入力されると、Ｐ波及びＳ波の到達時刻６を、適切に推論することができる。
【0033】
図９は、上記のように構築された第３学習モデル７０の評価結果を表すグラフであり、地震記録に対してＳ波の到達時刻を目視によって識別した際の結果と、第３学習モデル７０によって推論された結果との、残差のヒストグラムである。０秒近傍に結果が集中しており、残差が０に近く、すなわち第３学習モデル７０の精度が高いことがわかる。
【0034】
なお、本発明の地震波形処理方法及び地震波形処理システムは、図面を参照して説明した上述の各実施形態に限定されるものではなく、その技術的範囲において他の様々な変形例が考えられる。
例えば、上記実施形態において、第１学習モデル５０は、地震の加速度波形及び速度波形の画像（第１入力画像）７を入力データとしていたが、これに加えて、他のデータを入力して与えてもよい。
また、上記実施形態において、第２学習モデル６０は、地震の加速度フーリエスペクトルの画像（第２入力画像）８を入力データとしていたが、これに加えて、他のデータを入力して与えてもよい。
更に、上記実施形態において、第３学習モデル７０は、データセット９を入力データとしていたが、このデータセット９には、加速度波形９１、０．５ガルで飽和する加速度波形９２、偏向解析結果９３以外の、他のデータが含まれていてもよい。
その他、第１、第２、及び第３学習モデル５０、６０、７０を実現するに際し、上記実施形態において説明したような構成とする必要はなく、例えばＣＮＮ以外の他の機械学習器を使用してもよいことは、言うまでもない。
これ以外にも、本発明の主旨を逸脱しない限り、上記各実施形態で挙げた構成を取捨選択したり、他の構成に適宜変更したりすることが可能である。
例えば、上記実施形態において、第１学習モデル５０は、地震の加速度波形及び速度波形の画像（第１入力画像）７を入力データとしていたが、これに加えて、他のデータを入力して与えてもよい。
また、上記実施形態において、第２学習モデル６０は、地震の加速度フーリエスペクトルの画像（第２入力画像）８を入力データとしていたが、これに加えて、他のデータを入力して与えてもよい。
更に、上記実施形態において、第３学習モデル７０は、データセット９を入力データとしていたが、このデータセット９には、加速度波形９１、０．５ガルで飽和する加速度波形９２、偏向解析結果９３以外の、他のデータが含まれていてもよい。
その他、第１、第２、及び第３学習モデル５０、６０、７０を実現するに際し、上記実施形態において説明したような構成とする必要はなく、例えばＣＮＮ以外の他の機械学習器を使用してもよいことは、言うまでもない。
これ以外にも、本発明の主旨を逸脱しない限り、上記各実施形態で挙げた構成を取捨選択したり、他の構成に適宜変更したりすることが可能である。
【符号の説明】
【0035】
１ 地震波形処理システム ５ 加速度波形
２ ノイズ成分有無推論部 ６ 到達時刻
２１ 速度波形生成部 ７ 第１入力画像（加速度波形及び速度波形の画像）
２２ 入力画像生成部 ８ 第２入力画像（加速度フーリエスペクトルの画像）
３ ノイズ成分除去部 ５０ 第１学習モデル
３１ スペクトル生成部 ６０ 第２学習モデル
３２ 周波数境界値抽出部 ６５ 教師画像（ノイズ成分を含む部分が識別された画像）
３３ フィルタ処理部 ７０ 第３学習モデル
４ 到達時刻導出部 ９１ ノイズ成分の無い地震波形（加速度波形）
４１ 入力データ生成部 ９３ 偏向解析結果（区間が抽出された波形）
４２ 到達時刻抽出部
２ ノイズ成分有無推論部 ６ 到達時刻
２１ 速度波形生成部 ７ 第１入力画像（加速度波形及び速度波形の画像）
２２ 入力画像生成部 ８ 第２入力画像（加速度フーリエスペクトルの画像）
３ ノイズ成分除去部 ５０ 第１学習モデル
３１ スペクトル生成部 ６０ 第２学習モデル
３２ 周波数境界値抽出部 ６５ 教師画像（ノイズ成分を含む部分が識別された画像）
３３ フィルタ処理部 ７０ 第３学習モデル
４ 到達時刻導出部 ９１ ノイズ成分の無い地震波形（加速度波形）
４１ 入力データ生成部 ９３ 偏向解析結果（区間が抽出された波形）
４２ 到達時刻抽出部
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
