Improving Deep Learning-Based Seismic Phase Picking by Addressing Label Imbalance

Die geheime Sprache der Erde und die fehlenden Noten

Stellen Sie sich vor, die Erde sei eine riesige, rastlose Trommel. Wenn sie sich verschiebt, reißt oder setzt, sendet sie Wellen aus – seismische Wellen –, die wie Schall durch die Luft durch den Boden wandern. Seismologen sind die Zuhörer, die versuchen, diese Wellen zu hören, um zu verstehen, was tief unter der Erde geschieht. Jahrzehntelang war ihre Aufgabe vergleichbar mit dem Versuch, ein bestimmtes Flüstern in einem überfüllten, lauten Raum zu finden. Sie mussten auf krakelige Linien auf einem Bildschirm starren und den exakten Moment manuell bestimmen, in dem eine „P-Welle“ (die erste, schnelle Ankunft) oder eine „S-Welle“ (die langsamere, schüttelnde Ankunft) auftauchte. Es war langsame, erschöpfende Arbeit, und mit modernen Sensoren, die die Erde rund um die Uhr aufzeichnen, gab es schlichtweg zu viele Daten für das menschliche Auge.

Hier kommt Deep Learning ins Spiel, eine Art von Computergehirn, das lernen kann, Muster schneller als jeder Mensch zu erkennen. Diese digitalen Detektive sind unglaublich gut darin geworden, den Trommelschlag der Erde zu lesen und Erdbeben zu finden, die Menschen vielleicht übersehen würden. Aber es gibt einen Haken: Wenn die Erde richtig unruhig wird – etwa während eines massiven Erdbebens gefolgt von hunderten kleinerer Nachbeben – übertönt der „Lärm“ des großen Ereignisses das leise Flüstern der kleinen Beben. Der Computer wird verwirrt und übersieht oft die kleineren Signale, weil er darauf trainiert wurde, mehr auf die Stille zwischen dem Grollen als auf das Grollen selbst zu achten. Diese Arbeit stellt eine einfache Frage: Können wir den Computer lehren, intensiver auf die leisen Teile zu hören, ohne das Computerprogramm selbst zu verändern?

Das Ohr abstimmen: Eine neue Art, den Computer zu lehren

Die Forscher hinter dieser Studie, angeführt von Shinya Katoh und seinem Team von der Universität Tokio und der Universität Kyōto, erkannten, dass das Problem nicht das „Gehirn“ des Computers (seine Architektur) war, sondern die Art und Weise, wie sie ihn lehrten. Sie verglichen den Trainingsprozess mit einem Lehrer, der die Hausaufgaben eines Schülers bewertet.

Bei der Standardmethode zum Training dieser Modelle betrachtet der Computer einen 30-sekündigen Abschnitt von Erdbebendaten. In diesem Abschnitt nimmt der „Hintergrund“ (die ruhigen, langweiligen Teile, in denen nichts passiert) etwa 98 % der Zeit ein. Die eigentlichen Erdbebensignale (die P-Wellen und S-Wellen) sind winzige, scharfe Spitzen, die vielleicht nur jeweils 1 % einnehmen. Wenn der Computer versucht zu lernen, erhält er eine „Bewertung“ basierend darauf, wie gut er die gesamten 30 Sekunden vorhersagt. Da der Hintergrund so riesig ist, lernt der Computer, dass der einfachste Weg zu einer guten Note darin besteht, die ganze Zeit einfach nur „Hintergrund“ zu raten. Er wird faul und ignoriert die winzigen, wichtigen Spitzen, weil sie für seine Gesamtnote kaum eine Rolle spielen. Es ist wie ein Schüler, der nur die langweiligen Kapitel eines Lehrbuchs lernt, weil die Prüfung hauptsächlich über diese Kapitel handelt, und dabei die spannenden, entscheidenden Wendungen der Handlung völlig verpasst.

Um dies zu beheben, erfand das Team ein neues „Bewertungssystem“ namens area-weighted soft cross-entropy loss (flächengewichteter Soft-Cross-Entropy-Verlust). Anstatt jeden Sekunde der Aufnahme gleich zu behandeln, gibt diese neue Methode dem Computer einen massiven Bonus dafür, die winzigen, wichtigen Spitzen richtig zu erkennen. Es ist, als würde man dem Schüler sagen: „Wenn du den langweiligen Hintergrund richtig erkennst, bekommst du einen Punkt. Aber wenn du die winzige P-Welle oder S-Welle entdeckst, bekommst du hundert Punkte!“ Dies zwingt den Computer dazu, den Ankunftszeiten der Wellen intensive Aufmerksamkeit zu schenken, auch wenn diese selten sind.

Was sie fanden: Mehr Flüstern einfangen

Das Team testete dieses neue „Bewertungssystem“ an zwei populären Erdbeben-Detektionsmodellen, SegPhase und PhaseNet. Sie änderten nicht die Gehirne der Modelle, sondern nur die Regeln des Spiels.

Die Ergebnisse zeigten eine klare Verhaltensänderung. Die Modelle, die mit den neuen, gewichteten Regeln trainiert wurden, wurden viel sensibler.

• Präzisere Zeitmessung: Wenn die Modelle eine Ankunftszeit vorhersagten, waren sie viel präziser. Die „Streuung“ oder die Verteilung ihrer Fehler sank signifikant. Für das SegPhase-Modell schrumpfte die Fehlerstreuung für P-Wellen von 0,20 Sekunden auf 0,07 Sekunden, und für S-Wellen sank sie von 0,27 Sekunden auf 0,05 Sekunden.
• Der Kompromiss: Eine höhere Sensibilität ging jedoch mit einem Preis einher. Die Modelle begannen, Dinge zu „sehen“, die gar nicht ganz da waren. Sie wurden besser darin, echte Erdbeben zu erfassen (höhere Recall-Rate), aber sie fingen auch an, gewissen Lärm als Erdbeben zu deklarieren (niedrigere Precision). Es ist wie ein Metalldetektor, der so empfindlich ist, dass er bei einer Getränkedose genauso piept wie bei einer Goldmünze. Die Forscher fanden heraus, dass die Modelle „Recall-orientiert“ wurden, was bedeutet, dass sie weniger wahrscheinlich ein echtes Ereignis verpassen würden, selbst wenn dies bedeutete, dass sie später einige Fehlalarme überprüfen mussten.

Der Praxistest: Das Ridgecrest-Erdbeben

Um zu sehen, ob dies in der realen Welt tatsächlich funktioniert, wandte das Team ihre neuen Modelle auf die kontinuierlichen Daten der Ridgecrest-Erdbebensequenz von 2019 in Kalifornien an. Dies war ein massives Ereignis mit einem Hauptbeben und tausenden von Nachbeben.

Die Ergebnisse waren beeindruckend. Die mit gewichtetem Verlust trainierten Modelle detektierten signifikant mehr Erdbeben als die ursprünglichen Modelle:

• SegPhase fand mit der neuen Methode 34.008 Erdbeben, im Vergleich zu 26.914 mit der alten Methode.
• PhaseNet fand mit der neuen Methode 32.997 Erdbeben, im Vergleich zu 23.622 mit der alten Methode.

Diese Zahlen übertrafen sogar die Zählungen von zwei bestehenden Katalogen, die von anderen Experten mit unterschiedlichen Methoden erstellt wurden. Die neuen Modelle kartierten erfolgreich dieselben Erdbebenzonen wie die Experten, fanden aber viele mehr kleine Ereignisse dazwischen. Dies deutet darauf hin, dass die Modelle, indem sie weniger Angst davor haben, ein Signal zu verpassen, Wissenschaftlern helfen können, ein viel vollständigeres Bild der seismischen Aktivität zu erstellen.

Die Grenzen: Wenn der Lärm zu laut ist

Doch die Geschichte endet nicht mit einer perfekten Lösung. Die Forscher waren ehrlich bezüglich der Grenzen. Sie stellten fest, dass die neue Methode zwar großartig darin war, kleine Erdbeben mitten in einer Sequenz zu finden, aber unmittelbar nach den größten, lautesten Erdbeben immer noch Schwierigkeiten hatte.

Direkt nach einem massiven Beben schüttelt die Erde noch lange nach, mit sogenannten „Coda-Wellen“ – einem chaotischen, hochenergetischen Grollen, das die winzigen Signale des nächsten kleinen Erdbebens übertönt. Selbst mit den neuen „Bonuspunkten“ für das Erkennen von Signalen konnte der Computer das leise Flüstern nicht hören, weil das Brüllen des großen Erdbebens einfach zu laut und chaotisch war. Die Arbeit legt nahe, dass die Änderung der Trainingsregeln zwar hilft, aber das Problem nicht lösen kann, wenn Signale physisch untereinander begraben liegen.

Das Fazit

Diese Arbeit zeigt, dass man nicht immer ein größeres, komplexeres Computergehirn bauen muss, um ein Problem zu lösen. Manchmal muss man nur lernen, wie man es lehrt. Durch die Neugewichtung der Bedeutung der winzigen, entscheidenden Momente in den Daten machten die Forscher bestehende Modelle viel besser darin, Erdbeben aufzuspüren, insbesondere die kleinen, die leicht zu übersehen sind. Es ist eine Erinnerung daran, dass man in der lauten, chaotischen Welt der Erdbeienforschung manchmal am besten die Zukunft hört, indem man ein wenig genauer auf die leisen Teile der Vergangenheit hört.