견인 스트리머 시스템을 사용하여 수행되는 해양 탄성(시스믹) 탐사에서는, 탐사 장비의 한계로 인해 근거리 오프셋 범위에서 누락된 트레이스가 발생한다. 즉, 데이터가 제로 오프셋까지 완전하게 획득되지 않는다. 따라서 딥러닝(DL) 기법을 이용하여 근거리 오프셋 데이터를 복원하는 일은, 일반적으로 DL 기반 보간(interpolation) 방법에서 사용되는 라벨 데이터로부터 학습하는 것이 불가능하다는 점에서 독특한 도전 과제를 수반한다. 이에 본 연구에서는 자기지도학습(self-supervised learning, SSL)을 포함하는 새로운 접근 방식을 제안한다. SSL은 DL에서의 학습 패러다임으로, 라벨 데이터에 과도하게 의존하기보다는 데이터 자체를 이용하여 특정 과제를 수행하도록 모델을 학습시킨다. SSL은 2단계 과정, 즉 upstream 과제와 downstream 과제로 구성된다. 본 연구에서는 upstream 과제가 공용(public domain) 데이터로부터 생성한 합성 데이터셋을 통해 다양한 근거리 오프셋 특징을 학습하도록 훈련을 수행한다. 이후 downstream 과제에서는 사전학습된 근거리 오프셋 특징을 활용하여 전이학습(transfer learning, TL)을 통해 목표 데이터에 대한 외삽(extrapolation) 모델을 생성한다. 다시 말해, 학습된 모델은 근거리 오프셋 범위의 정보를 효과적으로 학습할 뿐 아니라, 목표 데이터의 특징에 적절히 맞춤화될 수 있다. 제안한 방법의 유효성은 수치 실험을 통해 검증되었다. 또한 현장 적용 가능성을 확인하기 위해 현장 데이터를 사용하여 성능을 시험하였다. 제안한 접근법의 신뢰성은 교차검증(cross-validation)을 통해, 기존의 DL 기반 방법 및 사전학습 모델의 결과와 비교함으로써 확립되었다. 모든 실험 결과는 제안된 방법이 실제 현장 데이터에서 근거리 오프셋의 결손 구간을 효과적으로 외삽함을 보여주었다.

지진 사건 및 위상(phase) 탐지는 지진 사건과 미소지진(microseismic) 데이터를 분석하는 데 근본적인 기법이다. 최근에는 이러한 과정의 속도와 정확도를 향상시키기 위해 기계학습(ML) 방법들이 사용되고 있다. 그러나 분산음향탐지(distributed acoustic sensing, DAS) 시스템으로 획득한 미소지진 데이터에 ML을 적용하는 일은 훈련에 사용할 충분한 라벨 데이터가 부족하다는 점 때문에 어렵다. 이러한 문제를 해결하기 위해, 우리는 DAS 미소지진 데이터에 적용 가능한 전이학습(transfer learning, TL) 기반의 새로운 지진 위상 탐지 알고리즘을 제안한다. 본 연구에서는 TL 적용을 위해 지진 데이터의 P파 및 S파 위상을 탐지하는 ML 모델을 수정하였다. 일반화 위상 탐지(generalized phase detection, GPD) 모델은 전 세계적으로 획득된 지진 데이터인 Stanford 지진 데이터셋(STEAD)으로 학습하였다. TL은 이와 같이 학습된 모델의 가중치에서 시작하며, Utah FORGE 데이터셋에서 제공되는 소량의 라벨링된 시추공(borehole) DAS 미소지진 데이터를 사용하여 TL 모델을 미세조정(fine-tuning)한다. 최초 DAS 기록에서 발생한 두 사건을 라벨링하고 이를 TL의 학습 데이터로 사용하였다. 제안된 방법은 다른 미소지진 사건에 대한 시험에서도 S파를 포함하여 위상 탐지에서 우수한 성능을 보였다. 또한 제안된 방법은 DAS 미소지진 데이터만을 사용한 기존의 지도학습(supervised learning) 방법보다 더 나은 일반화 위상 탐지 성능을 나타냈다.