广岛大学研究生院先进理工系科学研究科的研究生Pan Da和三浦弘之副教授、九州大学研究生院人类环境学研究院的神野达夫教授和重藤迪子助教以及日本中国电力公司组成的研究团队，利用深层神经网络从地面的微震数据中高精度自动推算出地震时的地面增幅特性。三浦副教授表示：“即使不实施高成本的钻孔调查和长期的地震观测，也能推算出地震发生时该地点是否容易发生摇晃，因此可用于评估地震的危险程度和建筑物的安全性。”相关内容已经发布在美国地震学会的期刊Bulletin of the Seismological Society of America（BSSA）上。
过去为了预测地震时地表的晃动强度，需要考虑设想的地震的震源特征以及地震波传播路径的影响和地面对地震波增幅的影响。尤其是地面增幅特性的局部变化很大，会对地震的晃动方式产生较大影响，因此是考虑地震对建筑物和基础设施的影响的重要信息。
然而，为了掌握地面增幅特性，需要实施钻孔调查并获得长期的地震观测数据。但这样需要花费大量的精力和时间，因此很难在任意地点掌握地面的增幅特性。
另一方面，地面平时就以非常小的振幅（约为一根头发的程度）发生微震。从以往的研究中得知，通过微震数据获得的水平震动与垂直震动的频谱振幅比（MHVR）具有与地面增幅特性相近的形状。因此，研究团队认为，或许可以利用能随时随地测量的微震数据推算出地面增幅特性。
此次研究从防灾科学技术研究所位于日本中国地区的强振动观测网络的约80个观测点获得了微震数据。根据防灾科学技术研究所长期观测的地震数据进行频谱反演，将获得的地面增幅特性定义为正确答案，根据同一场所微震获得的MHVR作为输入数据，让深层神经网络进行了学习。在神经网络的学习中，通过研究可以再现地面增幅特性的复杂形状（凹凸等）的方法，并对学习数据进行各种改变，让神经网络反复学习，努力创建了通用模型。
由此发现，利用深层神经网络可以构建传统的统计方法难以再现的复杂关系式，能从MHVR中高精度推算地面增幅特性。另外确认，还可以应用于中国地区以外的地点。不过，三浦副教授表示：“东京和大阪等由大平原和盆地构成的大城市因地面结构不同，还需要根据特性进一步学习。”
利用此次的技术，无需进行大规模的调查和观测，只需单点测量平时的晃动即可自动掌握地震时晃动的可能性，因此能明显节省评估地面增幅特性的时间和精力。由此可以简单快速地掌握多个地点的地面增幅特性，有助于以更高的精度预测强震动。九州大学的神野教授表示：“利用该技术，各地方政府有望以1公里为单位观测微震，从而制作更为详细的地震预测图等。”
【论文信息】
发表期刊：Bulletin of the Seismological Society of America
论文题目：Deep Neural Network-based Estimation of Site Amplification Factor from Microtremor
DOI：doi.org/10.1785/0120210300
原文：《科学新闻》
翻译编辑：JST客观日本编辑部
