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.

심층 신경망(DNN)은 최근 주파수 영역 전자기(EM) 데이터를 해석하는 데 사용되어 왔으며, 따라서 방대한 양의 정보를 신속하게 해석할 수 있다. 그러나 산악 지역을 포함하는 항공 탐사에서는 심각한 지형 변화가 EM 데이터를 왜곡하며, 이는 비합리적인 해석으로 이어질 수 있다. 지형 변화의 영향을 감소시키는 DNN 기반 역산은 아직 제안되지 않았지만, 일부 기존 역산 기법은 지형 왜곡을 보정할 수 있다. DNN 기반 해석은 다양한 학습 데이터셋이 필요하고 그 성능이 학습 데이터셋의 특성에 의존하므로, 다양한 AEM 데이터와 비저항 모델의 쌍을 생성하는 것이 중요하다. 그러나 다양한 지형 패턴을 통합한 2차원(2D) 또는 3차원(3D) 비저항 모델의 EM 반응을 도출하는 것은 거의 불가능한데, 이러한 모델은 많은 변수를 필요로 하고 계산 비용이 제한되어 있기 때문이다. 따라서 우리는 EM 반응과 세 개의 인접 데이터 포인트에서의 지형 정보를 사용하여 지형 변화를 고려할 수 있는 EM 데이터의 의사 1D 해석을 제안하였다. 우리는 데이터 포인트 사이의 경사각으로서 지형 정보를 DNN 학습에 포함하였다. 기존 역산과 비교할 때, 학습된 DNN 모델은 합성 비저항 모델을 보다 합리적으로 복원하였다. 또한 학습된 DNN 모델을 이용하여 알래스카 남중부의 실제 AEM 데이터셋을 평가하였다. 학습된 DNN은 거친 지형을 가진 산악 지역에서 획득된 데이터임에도 불구하고 합리적인 해석 결과를 제공하였다. 더불어 학습된 DNN 모델은 예측을 신속하게 수행할 수 있으므로 해석 시간은 현저하게 감소하였다. 본 연구는 AEM 탐사의 실무 현장 적용성을 높일 수 있을 것으로 믿는다.

첫 타격(First-break) 피킹은 수동 및 능동 지진자료의 처리 과정에서 중요한 단계이다. 대용량 지진자료에서 첫 타격 지점을 검출하기 위한 다수의 자동화 알고리즘이 개발되어 왔다. 그러나 신호 대 잡음비가 낮은 지진기록(시소그램)에서 정확한 첫 타격 지점을 정밀하게 결정하는 일은 여전히 어렵다. 따라서 본 연구에서는 잡음의 영향을 최소화하는 다중 윈도우 에너지 비율 차이(Differences between multi-window energy ratios, DERs)에 기반한 새로운 접근법을 제시한다. 먼저 DER를 정의하고, DER를 이용한 임계값(thresholding) 기반 첫 타격 지점 검출 방법을 제안한다. 임계값은 DER의 매개변수에 따라 달리 설정할 수 있으며, 이는 매개변수가 변경되더라도 신뢰할 수 있는 결과를 보장한다. DER 방법을 수립하고 검증하기 위해 두 종류의 지진자료를 사용하였다. 하나는 글로벌 지진 관측을 통해 도출된 대규모 데이터(global earthquake monitoring)인 STanford EArthquake Dataset이며, 다른 하나는 대한민국 포항 인근 해역에서 취득한 해저 케이블(Ocean Bottom Cable, OBC) 데이터이다. DER 피킹 결과에 대한 매개변수 변화의 영향을 조사하였다. 낮은 신호 대 잡음비 조건에서도 양호한 피킹 성능이 검증되었고, 기존의 첫 타격 피킹 방법과 비교하였다. DER의 정확도는 기존 방법보다 높았으며, 이상치(outliers)는 드물었다.

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.

심층 신경망(DNN)은 최근 주파수 영역 전자기(EM) 데이터를 해석하는 데 사용되어 왔으며, 따라서 방대한 양의 정보를 신속하게 해석할 수 있다. 그러나 산악 지역을 포함하는 항공 탐사에서는 심각한 지형 변화가 EM 데이터를 왜곡하며, 이는 비합리적인 해석으로 이어질 수 있다. 지형 변화의 영향을 감소시키는 DNN 기반 역산은 아직 제안되지 않았지만, 일부 기존 역산 기법은 지형 왜곡을 보정할 수 있다. DNN 기반 해석은 다양한 학습 데이터셋이 필요하고 그 성능이 학습 데이터셋의 특성에 의존하므로, 다양한 AEM 데이터와 비저항 모델의 쌍을 생성하는 것이 중요하다. 그러나 다양한 지형 패턴을 통합한 2차원(2D) 또는 3차원(3D) 비저항 모델의 EM 반응을 도출하는 것은 거의 불가능한데, 이러한 모델은 많은 변수를 필요로 하고 계산 비용이 제한되어 있기 때문이다. 따라서 우리는 EM 반응과 세 개의 인접 데이터 포인트에서의 지형 정보를 사용하여 지형 변화를 고려할 수 있는 EM 데이터의 의사 1D 해석을 제안하였다. 우리는 데이터 포인트 사이의 경사각으로서 지형 정보를 DNN 학습에 포함하였다. 기존 역산과 비교할 때, 학습된 DNN 모델은 합성 비저항 모델을 보다 합리적으로 복원하였다. 또한 학습된 DNN 모델을 이용하여 알래스카 남중부의 실제 AEM 데이터셋을 평가하였다. 학습된 DNN은 거친 지형을 가진 산악 지역에서 획득된 데이터임에도 불구하고 합리적인 해석 결과를 제공하였다. 더불어 학습된 DNN 모델은 예측을 신속하게 수행할 수 있으므로 해석 시간은 현저하게 감소하였다. 본 연구는 AEM 탐사의 실무 현장 적용성을 높일 수 있을 것으로 믿는다.

첫 타격(First-break) 피킹은 수동 및 능동 지진자료의 처리 과정에서 중요한 단계이다. 대용량 지진자료에서 첫 타격 지점을 검출하기 위한 다수의 자동화 알고리즘이 개발되어 왔다. 그러나 신호 대 잡음비가 낮은 지진기록(시소그램)에서 정확한 첫 타격 지점을 정밀하게 결정하는 일은 여전히 어렵다. 따라서 본 연구에서는 잡음의 영향을 최소화하는 다중 윈도우 에너지 비율 차이(Differences between multi-window energy ratios, DERs)에 기반한 새로운 접근법을 제시한다. 먼저 DER를 정의하고, DER를 이용한 임계값(thresholding) 기반 첫 타격 지점 검출 방법을 제안한다. 임계값은 DER의 매개변수에 따라 달리 설정할 수 있으며, 이는 매개변수가 변경되더라도 신뢰할 수 있는 결과를 보장한다. DER 방법을 수립하고 검증하기 위해 두 종류의 지진자료를 사용하였다. 하나는 글로벌 지진 관측을 통해 도출된 대규모 데이터(global earthquake monitoring)인 STanford EArthquake Dataset이며, 다른 하나는 대한민국 포항 인근 해역에서 취득한 해저 케이블(Ocean Bottom Cable, OBC) 데이터이다. DER 피킹 결과에 대한 매개변수 변화의 영향을 조사하였다. 낮은 신호 대 잡음비 조건에서도 양호한 피킹 성능이 검증되었고, 기존의 첫 타격 피킹 방법과 비교하였다. DER의 정확도는 기존 방법보다 높았으며, 이상치(outliers)는 드물었다.

심층학습(DL) 기법은 인간 해석자 판단의 주관성을 도입하지 않고도 지구물리학적 지진상(facies) 분류 문제를 해결하기 위해 제안되어 왔다. 그러나 이러한 DL 알고리즘은 본질적으로 “블랙박스(black box)”이며, 그 기반이 되는 내용은 거의 해석이 불가능하다. 따라서 품질 관리 과정에서 주관성이 자주 개입되며, DL 모델에 대한 어떤 해석이든 중요한 정보의 원천이 될 수 있다. 이러한 수준의 해석 가능성을 제공하면서 더 높은 수준의 인간 개입을 유지하기 위해, 설명 가능한(explainable) DL 방법의 개발과 적용이 모색되어 왔다. 지구과학 분야에서 이러한 방법의 유용성을 제시하기 위해, 본 연구에서는 지진상 분류 문제에 대해 프로토타입 기반 신경망(NN) 시제품을 활용한다. 특정 라벨의 전형적 특성을 갖도록 공동으로 학습된 “프로토타입(prototype)” 벡터는 일련의 대표 샘플을 형성한다. 이때 해석 가능한 구성 요소는 “블랙박스”를 “그레이박스(gray box)”로 전환한다. 우리는 핵심 기능 구성요소를 직접 점검함으로써 프로토타입이 NN 방법을 설명하는 데 어떻게 활용될 수 있는지 시연한다. 다음의 세 가지 방식으로 살펴보며 상당한 수준의 설명을 제시한다: 1) 프로토타입의 해당 입력–출력 쌍; 2) 특정 설명 가능 층(explainable layer)에서 생성되는 값; 3) 해석 가능한 잠재 프로토타입 층과 출력 층 사이에 위치한 특정 얕은 층(shallow layers)의 수치적 구조. 무엇보다도, 일련의 해석 결과는 지구물리학적 지식이 지진상 분류기의 실제 기능을 이해하는 데 어떻게 활용될 수 있으며, 따라서 DL의 품질 관리 과정에 어떻게 도움을 줄 수 있는지를 보여준다. 이 방법은 NN 분류기에 대한 심층적 해석이 요구되는 경우에 적용할 수 있으며, 다수의 지구과학 분류 문제에 적용 가능하다.

DAS 데이터에서 P파 및 S파를 분리하기 위한 기계 학습 기반 접근법을 개발하였다. 우리는 단일 성분 데이터에 대해 분리된 P파 및 S파의 시뮬레이션 방법을 사용하여 DAS 훈련 데이터를 생성하였다. 이후 입력 DAS 기록으로부터 P파와 S파를 효과적으로 분리하여 분리 영상을 생성할 수 있도록, DAS-P 및 DAS-S 데이터를 동시에 출력하는 기계 학습 모델을 훈련하였다. 이 모델은 수직 DAS 구성에서 시험되었으며, 더 약한 파 성분도 효과적으로 분리하고 영상화할 수 있음을 보여주었다.

인공 구조물인 댐과 제방(둑)의 평가는 재산과 인명 보호를 위해 필수적이다. 따라서 이러한 기반 시설에 대해 정기적이고 정확한 지구물리학적 모니터링이 널리 수행되고 있다. 그러나 지구물리학적 자료 역산에 통상 사용되는 반복적인 수치 절차는, 특히 자원이 제한된 현장 조사에서 계산 비용이 급격히 증가할 수 있다. 최근 기계학습의 발전, 특히 심층 신경망(DNNs)은 네트워크 학습이 완료된 이후 지하 이미지를 생성하는 데 필요한 시간을 크게 줄여주는 대안으로 제시된다. 본 연구에서는 주파수 영역 전자기(EM) 탐사(FDEM) 자료를 위한 DNN 기반 해석 방법을 개발하였다. 제안 방법은 지하의 역산 영상을 생성하는 것에 더해, 예측된 전자기(EM) 응답을 원 입력 자료와 비교함으로써 불확실성도 추정한다. 또한 기존의 전통적 네트워크 구조에서의 핵심적인 함정을 강조한다. 즉, 자료 예측기를 모델 예측기와 함께 공동으로 처음부터 학습하면 입력 자료를 그대로 재현할 수 있으며, 그 결과 모든 역산이 매우 정확하다는 오해를 불러일으킬 수 있다. 이를 해결하기 위해, 사전 학습된 자료 예측기의 가중치를 고정하는 전이학습 기반 학습 절차를 개발하였다. 이를 통해 예측된 EM 응답이 입력 자료를 재생산하는 것이 아니라, 역산된 지하 모델을 실제로 반영하도록 보장한다. 우리는 본 방법을 대한민국의 새만금 방조제에서 수집한 FDEM 자료를 사용하여 검증하였으며, DNN 역산 결과를 기존의 역산 방법과 비교하였다. 제안 기법은 방조제에서의 잠재적 위험을 성공적으로 탐지하는 동시에, 해석 결과의 신뢰성을 위한 실용적인 척도도 제공한다.

미국 지질조사국(USGS) ShakeCast는 지진 발생 후 중요 기반시설 시설에 대해 거의 실시간(post-earthquake)으로 피해 및 점검(inspection) 지표를 제공한다. 이 시스템은 ShakeMap의 지반운동(ground motion) 매개변수와 여러 취약도(fragility) 모델을 사용하여 피해 추정치를 기반으로 점검 우선순위에 관한 정보를 포함한 자동 알림을 전송한다. 현재의 시스템은 자산(asset) 수준의 피해 추정치만 제공하며, 베이지안(bayesian) 접근을 통해 시스템 수준의 영향 평가에 추가로 활용될 수 있다. 본 논문은 ShakeCast의 결과물(product)에 대한 베이지안 접근의 적용 방법론을 설명하고, 퍼스(Perth)에서 내륙에 위치한 호주 서부 남서부의 Wheatbelt 지역에 있는 도로 교량 네트워크에 대한 적용 예시를 제시한다. 이 지역은 기반시설 자산에 대한 세부적인 공동 연구의 대상이 되어 왔으며, 그 결과 지구과학 호주(Geoscience Australia)의 국가 지진 경보 센터(National Earthquake Alerts Centre)에서 ShakeCast의 운영 파일럿이 수행되었다. 본 연구에서 교량 네트워크는 약 100개의 교량으로 구성되며, 지진 취약성(earthquake vulnerability)은 이에 기인한다. 선택된 노선(routes)의 성능은 교량이 지반 흔들림(ground shaking)으로 인해 실패할 수 있는 도로 네트워크에서 유일하게 취약한 요소라고 가정하여 평가한다. 제안된 ShakeCast의 이 확장은, 사건 이후 거의 실시간으로 도로 운송 기반시설 자산 관리자들이 시스템의 운영 상태가 유지될 가능성을 평가할 수 있게 해줄 것이다.