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

De geheime taal van de aarde en de ontbrekende noten

Stel je voor dat de aarde een enorme, onrustige trommel is. Wanneer zij verschuift, barst of gaat zetten, zendt zij rimpelingen uit—seismische golven—die door de grond reizen zoals geluid door de lucht. Seismologen zijn de luisteraars die proberen deze rimpelingen te horen om te begrijpen wat er diep onder de grond gebeurt. Decennialang was hun werk als het proberen te vinden van een specifieke fluistering in een drukke, lawaaierige kamer. Ze moesten staren naar kronkelende lijnen op een scherm, waarbij ze handmatig het exacte moment moesten opsporen waarop een "P-golf" (de eerste, snelle aankomst) of een "S-golf" (de tragere, schokkerige aankomst) verscheen. Het was traag, uitputtend werk, en met moderne sensoren die de aarde 24/7 registreren, was er simpelweg te veel data voor het menselijk oog om te verwerken.

Maak kennis met deep learning, een type computereenheid dat patronen kan herkennen sneller dan welke mens dan ook. Deze digitale detectives zijn ongelooflijk goed geworden in het lezen van de hartslag van de aarde, waarbij ze aardbevingen vinden die mensen misschien zouden missen. Maar er is een addertje onder het gras: wanneer de aarde echt onstuimig wordt—zoals tijdens een enorme aardbeving gevolgd door honderden kleinere naschokken—overstemt het "lawaai" van de grote gebeurtenis de kleine fluisteringen van de kleine bevingen. De computer raakt in de war en mist vaak de kleinere signalen omdat hij getraind is om meer aandacht te besteden aan de stilte tussen de donderslagen dan aan de donderslagen zelf. Dit artikel stelt een simpele vraag: Kunnen we de computer leren om harder te luisteren naar de stille delen zonder de computer zelf te veranderen?

Het oor afstemmen: Een nieuwe manier om de computer te onderwijzen

De onderzoekers achter deze studie, geleid door Shinya Katoh en zijn team van de Universiteit van Tokio en de Universiteit van Kyoto, realiseerden zich dat het probleem niet de "hersenen" van de computer (de architectuur) was, maar hoe ze hem aan het onderwijzen waren. Ze vergeleken het trainingsproces met een leraar die het huiswerk van een leerling nakijkt.

In de standaardmanier van het trainen van deze modellen kijkt de computer naar een blok van 30 seconden aan aardbevingdata. In dat blok neemt de "achtergrond" (de stille, saaie delen waar niets gebeurt) ongeveer 98% van de tijd in beslag. De eigenlijke aardbevingen (de P-golven en S-golven) zijn kleine, scherpe pieken die elk misschien slechts 1% innemen. Wanneer de computer probeert te leren, krijgt hij een "cijfer" op basis van hoe goed hij de volledige 30 seconden voorspelt. Omdat de achtergrond zo enorm groot is, leert de computer dat de makkelijkste manier om een goed cijfer te krijgen is om gewoon altijd "achtergrond" te gokken. De computer wordt lui en negeert de kleine, belangrijke pieken omdat ze niet veel uitmaken voor zijn algemene cijfer. Het is als een student die alleen de saaie hoofdstukken van een tekstboek bestudeert omdat de toets grotendeels over die hoofdstukken gaat, en daardoor de spannende, cruciale plotwendingen volledig mist.

Om dit op te lossen, hebben het team een nieuw "beoordelingssysteem" uitgevonden genaamd area-weighted soft cross-entropy loss. In plaats van elke seconde van de opname gelijk te behandelen, geeft deze nieuwe methode de computer een enorme bonus voor het correct identificeren van de kleine, belangrijke pieken. Het is alsof je tegen de student zegt: "Als je de saaie achtergrond goed hebt, krijg je één punt. Maar als je de kleine P-golf of S-golf ziet, krijg je honderd punten!" Dit dwingt de computer om intense aandacht te besteden aan de aankomsttijden van de golven, ook al zijn ze zeldzaam.

Wat ze vonden: Meer fluisteringen opvangen

Het team testte dit nieuwe "beoordelingssysteem" op twee populaire systemen voor het detecteren van aardbevingen, SegPhase en PhaseNet. Ze veranderden de hersenen van de modellen niet; ze veranderden alleen de regels van het spel.

De resultaten toonden een duidelijke gedragsverandering. De modellen die getraind waren met de nieuwe, gewogen regels werden veel gevoeliger.

• Scherpere timing: Wanneer de modellen een aankomsttijd voorspelden, waren ze veel preciezer. De "verspreiding" of spreiding van hun fouten nam aanzienlijk af. Voor het SegPhase-model kromp de foutverspreiding voor P-golven van 0,20 seconden naar 0,07 seconden, en voor S-golven daalde het van 0,27 seconden naar 0,05 seconden.
• De afweging: Echter, gevoeliger zijn kwam met een prijs. De modellen begonnen dingen te "zien" die er niet echt waren. Ze werden beter in het vangen van echte aardbevingen (hogere recall), maar ze begonnen ook wat ruis als aardbevingen te markeren (lagere precisie). Het is als een metaaldetector die zo gevoelig is dat hij ook piept bij een frisdrankblikje in plaats van alleen bij een gouden munt. De onderzoekers ontdekten dat de modellen "recall-georiënteerd" werden, wat betekent dat ze minder snel een echt evenement zouden missen, zelfs als dat betekende dat ze later een paar valse alarmen moesten controleren.

De praktijktest: De Ridgecrest-aardbeving

Om te zien of dit in de echte wereld werkte, paste het team hun nieuwe modellen toe op de continue data van de Ridgecrest-aardbevingsequentie in 2019 in Californië. Dit was een enorme gebeurtenis met een hoofdschok en duizenden naschokken.

De resultaten waren indrukwekkend. De met gewogen verliesfuncties getrainde modellen detecteerden aanzienlijk meer aardbevingen dan de originele modellen:

• SegPhase vond 34.008 aardbevingen met de nieuwe methode, vergeleken met 26.914 met de oude methode.
• PhaseNet vond 32.997 aardbevingen met de nieuwe methode, vergeleken met 23.622 met de oude methode.

Deze aantallen versloegen zelfs de tellingen van twee bestaande catalogi die door andere experts met verschillende methoden waren gemaakt. De nieuwe modellen brachten succesvol dezelfde aardbevingszones in kaart als de experts, maar vonden veel meer kleine gebeurtenissen ertussenin. Dit suggereert dat door de modellen minder bang te maken om een signaal te missen, ze wetenschappers kunnen helpen een veel completer beeld van seismische activiteit te vormen.

De beperkingen: Wanneer het lawaai te hard is

Maar het verhaal eindigt niet met een perfecte oplossing. De onderzoekers waren eerlijk over de beperkingen. Ze ontdekten dat hoewel de nieuwe methode geweldig was in het vinden van kleine aardbevingen midden in een sequentie, het nog steeds moeite had direct na de grootste, luidste aardbevingen.

Direct na een enorme beving blijft de grond lange tijd trillen met "coda-golven"—een chaotische, hoogenergetische brom die de kleine signalen van de volgende kleine beving overstemt. Zelfs met de nieuwe "bonuspunten" voor het herkennen van signalen, kon de computer de kleine fluisteringen niet horen omdat het gebrul van de grote aardbeving simpelweg te hard en te chaotisch was. Het artikel suggereert dat hoewel het veranderen van de trainingsregels helpt, het het probleem niet kan oplossen waarbij signalen fysiek onder elkaar begraven liggen.

De kernboodschap

Dit artikel laat zien dat je niet altijd een grotere, complexere computereenheid hoeft te bouwen om een probleem op te lossen. Soms moet je alleen de manier veranderen waarop je hem onderwijst. Door het belang van de kleine, cruciale momenten in de data opnieuw te wegen, maakten de onderzoekers bestaande modellen veel beter in het opsporen van aardbevingen, vooral de kleine die gemakkelijk te missen zijn. Het is een herinnering aan het feit dat in de luidruchtige, chaotische wereld van de aardwetenschap, de beste manier om de toekomst te horen soms is door iets harder te luisteren naar de stille delen van het verleden.