篠原雅尚・山田知朗・塩原肇・山下裕亮（京都大学防災研究所附属地震予知研究センター宮崎観測所）
Seismological Research Letters, https://doi.org/10.1785/0220210100

　海底における広帯域地震観測はプレート境界浅部で発生する超低周波地震や低周波微動（スロー地震）の研究に重要です。海溝付近で発生するスロー地震を海底において高密度にモニタリング観測するためには、数多くの海底広帯域地震観測測器が必要となります。地震研究所では短周期地震センサを搭載した長期観測型海底地震計を開発して、主に微小地震観測に利用しています。そこで、複数台保有している長期観測型海底地震計に搭載されている地震センサを広帯域地震センサに換装することにより小型広帯域海底地震計（CBBOBS)を開発しました。搭載する広帯域地震センサの固有周期は20秒、または120秒です。海底地震計は自由落下方式で設置されるので、着底後の姿勢を制御できません。一方、地震センサは鉛直水平位置での計測が必要ですから、CBBOBSのために新しくレベリング装置を開発しました。開発したレベリング装置は従来のものと同じ大きさにすることで、換装を容易にしました。レベリング精度は1度以下であり、傾斜20度まで対応できます。開発したCBBOBSは既に、南海トラフ（日向灘)、南西諸島海溝および日本海溝に設置され、スロー地震の観測を行っています。スロー地震の観測以外にも海底火山の観測、地球内部の深部構造を求めるための海洋底観測などへの応用が期待されます。

図の説明
観測船から設置される長期観測型海底地震計の写真です。新しく開発した小型広帯域海底地震計（CBBOBS)は、短周期センサを搭載した既存の長期観測型海底地震計と全く同一の外観・構造となっています。直径50cmのチタン合金で作られた球型耐圧容器に観測装置をすべて収め、外側には沈降のための錘が取り付けられています。また、海上に浮上した機器を回収するため、発見しやすくする工夫として、電波送信機と夜間に作動する点滅灯装置が取り付けられています。海底での観測中でも、音響通信システムにより観測船上のコンピュータと海底地震計の間で簡単な情報交換が可能です。

金子亮介，長尾大道，伊藤伸一，小原一成，鶴岡弘
Convolutional neural network to detect deep low-frequency tremors from seismic waveform images
Lecture Notes in Computer Science, Vol. 12705, pp. 31-43, doi:10.1007/978-3-030-75015-2_4, 2021.

高感度地震観測網（Hi-net）が整備されたことをきっかけに，今世紀初頭に深部低周波微動（微動）と呼ばれる新たな現象が発見されました．微動はスロー地震と呼ばれる現象の一つであり，通常の地震との関係が様々な研究によって強く推認されていることから，巨大地震の発生予測などに活用されることが期待されています．しかし，微動の解析に利用可能な観測データは，Hi-net運用開始以降の約20年分しか存在しません．微動についてより多くのことを明らかにし，巨大地震との関係などの時間スケールの長い地震活動を理解するためには，さらに過去までさかのぼってその特性を明らかにすることが重要です．

　現在は，地震計で観測された振動を高精度なデジタルデータとして記録しています．一方で，約50年前の記録方式では，振動に応じて記録紙の上でペンが動き，アナログデータとして振動波形を書き記していました．このようにして得られた紙記録（古記録）は，過去に発生した地球内部起源の振動現象を研究する上での貴重な情報源です．しかし，古記録から微動を検出しようとする場合，現在のデジタルデータに対して用いられている検出手法を，古記録にそのまま適用することはできません．また，古記録の数は膨大であるため，一つ一つ専門家が目視で微動を検出していくことは非現実的です．そのため，古記録から効率的に微動を検出するための手法の開発が極めて重要になります．

　本研究では，画像認識に特化した深層学習手法である畳み込みニューラルネットワーク（CNN）を用いることにより，古記録をスキャンした画像データから微動検出を行う手法の開発に着手しました．すでに，地震研究所では和歌山観測所観測点のペン書き記録の画像化が行われており，効率的に手法開発を進めることが可能です．CNNモデルを用いる場合には，予め正解が分かっている教師データを用いてモデルを学習させる必要があります．今回の場合，すでに微動の発生について明らかになっているHi-netのデータを教師データとして用いることができますが，実データに含まれる様々なノイズが妨げとなり，モデルの学習が上手く進まない可能性があります．そこで，人工的に作成した地震波形画像に基づくモデルの学習と性能評価により，CNNモデルの有効性を検証する数値実験を行いました．その結果，教師データには各画像に微動が含まれるか否かのみを正解として与えたにもかかわらず，モデルは画像内のどの部分に微動が含まれるかまで正しく検出できることが確認されました．この数値実験の結果をもとに，今後はHi-netの実データを用いてモデルの学習を行い，実際の古記録画像から高精度で微動を検出するアルゴリズムを構築していきます．

図．古記録画像を参考に，地震や観測ノイズなどの波形を人工的に再現し，微動を含まない画像（”none” 画像）と含む画像（”tremor” 画像）をそれぞれ作成しました．粗視化などの前処理を施した画像を，訓練用と検証用のデータに分割し，CNNモデルの学習を行いました．図の右下は，微動波形を2カ所（帯状の模様に見える部分）に含んだ”tremor”画像に対するモデルの予測を可視化したヒートマップであり，モデルが微動を正しく検出している様子を確認することができました．

臼井嘉哉, 上嶋誠, 小河勉，他18名

Electrical Resistivity Structure Around the Atotsugawa Fault, Central Japan, Revealed by a New 2-D Inversion Method Combining Wideband-MT and Network-MT Data Sets

JGR Solid Earth Vol. 126, Issue 4 (2021) https://doi.org/10.1029/2020JB020904

　跡津川断層は、富山県南部から岐阜県北部に存在する活断層で、「マグニチュード7クラスの内陸地震を起こしてきたこと」、「新潟-神戸ひずみ集中帯というひずみ速度が大きい領域に存在すること」、「地球物理学的手法を用いた複数の研究が行われてきたこと」から断層における歪（ひずみ）の蓄積過程や内陸地震の発生メカニズムを明らかにする上で重要な場所の１つです。

　私たちは跡津川断層の地下の流体の分布を明らかにするため、跡津川断層周辺（図１）で地表の電磁場を観測し、そこから電気比抵抗構造を推定しました。電気比抵抗は地中の間隙流体の量とそのつながり方に強い感度があります。そのため、活断層下の電気比抵抗が低い領域は地下深部の間隙流体が関与していると考えられます。観測の結果、図２に示すように跡津川断層、牛首断層、高山・大原断層帯周辺の下部地殻に電気比抵抗が低い領域が局在することが明らかになりました。断層直下にのみ電気比抵抗が低い領域（図２の赤）が局在しているのは、変形により水がつながったまま存在しやすくなっているためで、そこに脆弱な変形域が集中していることを示唆しています。

　なお、本研究では電磁場を用いた一般的な地下構造探査法であるmagnetotelluric(MT)法に加えて、ネットワークMT法という地震研究所で開発した手法を用い、両手法のデータを統合解析しました。ネットワークMT法は電話回線を用いて電場を観測することに特徴があり、広範囲にわたって地下深部の情報を得ることが可能です。

王 宇晨，佐竹 健治
Real-Time Tsunami Data Assimilation of S-net Pressure Gauge Records during the 2016 Fukushima Earthquake

Seismological Research Letters 92，2145-2155, 2021

doi: 10.1785/0220200447.

　2011年東日本大震災による甚大な津波被害の後，日本海溝海底地震津波観測網（S-net）が防災科研によって構築されました．S-netは150点の地震計と海底水圧計からなり，データは海底ケーブルによってリアルタイムで気象庁などに送られています．

　2016年11月22日に福島県沖でM7.4の地震が発生し，気象庁によって津波警報が発表されました．この津波はS-netの海底水圧計に記録されました．本研究では，S-netの28観測点で記録された津波記録について，津波シグナルの自動検出アルゴリズムと津波数値シミュレーションとを組み合わせ，三陸沿岸の検潮所における津波の到来とその波形を到着前に予測できることを示しました．この予測方法は津波データ同化と呼ばれ，震源や津波波源の情報に基づかずに，沿岸での津波波形を正確に予測するものです．

　S-netに記録された津波波形について，二通りの方法で処理して，津波データ同化に用いました．一つ目は，潮汐成分を多項式近似で取り除き，ローパスフィルターで高周波成分を除くものです．二つ目は，Ensemble Empirical Mode Decomposition （EEMD）と呼ばれる方法で，実データから津波シグナルを経験的に検出する手法で，実時間での自動処理に適した方法です．

　これらの方法を使ってS-netの水圧計から津波波形を検出し，それらをデータ同化して三陸沿岸の津波波形を予測したものを，宮古，釜石，大船渡，鮎川の検潮所で実際に記録された津波波形と比較しました．津波発生から35分間に沖合で記録された津波波形を使って予測したところ，二つの方法での予測精度はそれぞれ60％，74％でしたが，検潮所までの津波経路にS-net観測点が少ない鮎川と，検潮所付近の海底地形が複雑でシミュレーションに地形効果を十分に取り入れることができない釜石を除くと，精度は89％，94％となりました．この結果は，S-netに記録された津波波形の自動検出とデータ同化によって，津波警報を行うことが可能であることを示しています．

本研究は，科研費（JP16H01838及びJP 19J20293）よる助成を受けました．