胡桂^1,2, 佐竹健治², 李琳琳^1,3, 杜朋¹

¹中山大学　地球科学与工程学院　²東京大学　地震研究所　³南方海洋科学与工程　広東省実験室

Hu, G., Satake, K., Li, L., & Du, P. (2023). Origins of the tsunami following the 2023 Turkey–Syria earthquake. Geophysical Research Letters, 50, e2023GL103997. https://doi.org/10.1029/2023GL103997

　2023年2月6日、トルコの東アナトリア断層付近でMw7.7と7.6の内陸横ずれ断層タイプの地震が発生し、トルコ南部とシリア北部を約9時間間隔で襲った(図1a)。最初の地震の後、地中海南東部で局所的な津波が記録された(図1b)。この地域で津波が記録されたのは、1953年のキプロス地震(M L 6.2)以来であった。
　海中での観測記録がないことから、この津波の発生メカニズムは謎のままである。発生メカニズムを理解するために、我々は近隣の4つの検潮所で記録された津波波形のスペクトルエネルギー（図1c）と波形（図1d）を解析し、津波の波線追跡の逆解析（図1e）を用いて発生源を特定した。次に、想定される津波源のパラメータ範囲についてフォワード数値モデリングを行った。その結果、イスケンデルン湾の内側と外側に、おそらく2つの津波源（図1f）が存在することがわかった。これらの津波源は、最初の本震時の強い揺れと、厚い沿岸堆積物に関連している可能性がある。湾の内側にある長さ7kmの沈降域は、引き波初動と10～30分の卓越的な周期を生じ、地すべりによって発生した可能性がある。湾の外側にある長さ6kmの隆起域は、押し波初動と2～10分の卓越的な周期をもたらし、液状化に関連している可能性がある。両方の波源を合わせると、観測された津波波形をよく説明できる（図1g）。

徳田智磯¹、長尾大道^1,2
1東京大学地震研究所、²東京大学大学院情報理工学系研究科

Seismic-phase detection using multiple deep learning models for global and local representations of waveforms Geophysical Journal International, Volume 235, Issue 2, November 2023, Pages 1163–1182, https://doi.org/10.1093/gji/ggad270

　
　今日、地震検出は地面の動きを測定する地震計に基づいて行われています。地表面は人間活動を含む様々な要因によって常に揺れ動いていますので、地震を検出するためには測定された揺れの中から地震波特有の揺れを識別する必要があります。従来の識別方法は揺れ幅の急激な時間変化を評価し、閾値を超えた場合に地震波と判定していました。近年、AI技術の発展に伴い、深層学習モデルに基づく地震検出AIの開発・研究がおこなわれてきました。これまで蓄積された地震波データをAIに学習させ、従来手法では見落とされていた地震波の特徴を捉え、より精度よく地震を検出することが可能になりました。
　本研究ではこうしたAI技術のさらなる向上のため、新しい深層学習モデルを開発しました。具体的には畳み込みニューラルネットワークと呼ばれる深層学習モデルを用いたGPD（Generalized Phase Detection）法を発展させ、地震波形全体だけでなく、地震波形の局所的な情報も取り入れたモデルに改良しました（図１）。このアイデアの基本は私たちの生活の中でも経験することです。例えば、蝶/蛾、梅の木/桃の木の識別は、遠方から全体だけを見ていると見誤ることがありますが、羽や花（局所情報）を注視すれば正確な識別ができます。それと同様に、改良したモデルでは全体波形、及び局所波形、それぞれについて地震検出モデルを作成し、各モデルによる判別結果を統合したものを最終結果としました。このように波形の局所情報を明瞭な形でモデルに取り入れる(つまり注視する)ことにより、誤判定しがちな波形をより精度よく判定できるようになりました（図２）。連続波形データに応用した場合も、誤検出が少なくなることがわかりました（図３）。本研究の成果として、検出精度の向上だけでなく、全体波形、及び局所波形それぞれについてモデルを作成するという検出モデルの新たな枠組みを提案したことも重要です。これによりモデル作成についてのレパートリーが増え、地震を検出する対象地域に合った柔軟な検出モデル作成に貢献することが期待されます。

金子 亮介 ^1,2 長尾 大道 ^1,2 伊藤 伸一 ^1,2 鶴岡 弘 ¹ 小原 一成 ^1
1: 東京大学地震研究所　²: 東京大学大学院情報理工学系研究科

Detection of Deep Low-Frequency Tremors From Continuous Paper Records at a Station in Southwest Japan About 50 Years Ago Based on Convolutional Neural Network, J. Geophys. Res. Solid Earth, Vol. 128, Issue 2, doi:10.1029/2022JB024842, 2023.

http://doi.org/10.1029/2022JB024842

この成果の掲載が大変遅くなりました。お詫びいたします（広報アウトリーチ室長　木下）

1995年兵庫県南部地震を契機にわが国で整備された高感度地震観測網Hi-netをはじめとする空間的に稠密な地震計ネットワークの構築により、スロー地震の一種である「低周波微動」（以下、微動）が西南日本で発見されました（Obara,2002）。微動は通常の地震よりもはるかに振幅が小さく、継続時間が数時間以上に及ぶこともあるのが特徴で、西南日本でも月に数回程度の頻度で発生していることがわかっています。
微動は沈み込むフィリピン海プレートと上盤プレートとの境界に沿って、通常のプレート境界型大地震よりもやや深いあるいはやや浅い領域で発生しており、これらの大地震とも関連していることが予想されています。これまでの微動の発生時刻や震源位置をリスト化した「微動カタログ」（例えば、Obara et al., 2010）が公開されていますが、通常は複数観測点の連続地震波形デジタルデータから信号処理によって微動の
検出を行っていることから、微動カタログはこれらのデータアーカイブが充実した2001年以降のものしか存在していません。南海トラフのプレート境界型大地震がおよそ100〜200年周期で発生していることを考えると、現代の地震観測網が構築される以前の微動を検出して、過去の微動カタログを作成することが極めて重要であることは明白です。

そこで本研究では、人工知能を利用して、約50年前に稼働していた東京大学地震研究所 和歌山観測所の大量の地震計古記録からの微動の検出を行いました（図1）。当時の地震計はドラムに巻かれた紙にペンで1日分の波形を直接描いており、近年、その画像化とデータベース化が進められていま（Satake et al., 2020）。畳み込みニューラルネットワーク（CNN）として残差学習モデルResNetを採用し、古記録を模した人工的な波形画像データ（Kaneko et al., 2021）および現代のHi-netのデジタルデータから生成した5万枚以上の波形画像データをCNNに学習させました。
学習済みのResNetを和歌山観測所 熊野観測点（三重県）で得られた1966年から1977年の古記録に適用したところ、これまでに知られていなかった当時の微動を多数発見することに成功しました（図2）。一方で、地震波形を紙に安定して記録するには多くの技術と経験が必要であり、ペンの太さの時間変化などが微動検出の障壁になる場合があることも判明しました。今後ますますデータベース化が進められていく古記録に普遍的に適用できるよう、文部科学省「情報科学を活用した地震調査研究プロジェクト」（STAR-Eプロジェクト）のご支援によって最近導入した最新鋭の深層学習用GPU計算機を利用し、さらに大量のデータをCNNに学習させることにより、本研究で開発した古記録からの微動検出のための人工知能技術を強化していく予定です。