발진기구(focal mechanism)는 지진의 발생 원인이 되는 단층의 움직임을 표현한 것으로, 지진파를 해석하여 파악할 수 있다. 대개 지진의 규모가 3.0을 넘어서는 큰 지진의 발진기구는 지진파 수치모의에 기반한 파형 역산법을 통해 결정할 수 있다. 하지만, 고주파수 파형의 수치모의의 어려움으로 인해 파형 역산법으로 미소지진의 발진기구를 결정하는 것은 쉬운 문제가 아니다. 이 때문에 미소지진은 주로 P파 초동 극성을 이용해 발진기구를 결정하는데, 정확한 발진기구 분석을 위해서는 충분한 개수의 신뢰할 수 있는 P파 초동 극성이 필요하다.
P파 초동 극성은 육안으로 식별해 왔지만, 다수의 지진 자료에서 빠른 시간 내에 식별하기 위해 점차 규칙에 기반한 자동식별 알고리즘이 개발되었다. 하지만, 규칙에 기반한 방법의 P파 초동 극성 식별 성능은 기존 인간 전문가보다 낮았으며 적용하려는 지역에 따라 규칙을 최적화 시켜야하는 한계가 있었다. 최근에는 자료에 포함된 규칙을 스스로 학습할 수 있는 심층학습 기술들이 다양한 분야에서 활용되고 있으며, 지진학 분야에서도 심층학습 기술을 기반으로 한 다양한 연구들이 진행되고 있다. 또한, 심층학습을 이용하여 P파의 초동 극성을 식별하는 기술도 소개되고 있다(Ross et al., 2018; Hara et al., 2019; Uchide, 2020). 본 연구에서는 국내 지진 자료를 학습 자료로 활용한 심층학습 기반의 P파 초동 극성 식별 기술을 이용해 미소지진의 발진기구를 자동으로 결정할 수 있는 체계를 개발하였다.
심층 신경망 모델의 학습에는 Southern California 지역에서 수집된 자료와 국내 지진 자료를 사용하였다. Southern California 자료는 선행연구인 Ross et al. (2018)에서 사용했던 것으로 약 250만 개의 국지지진 자료와 P파 초동 극성 정보로 구성되어 있다. 국내 지진 자료는 2017~2020년 한반도에서 발생한 규모 2.0 이상 지진으로부터 P파 초동 극성을 육안으로 직접 식별하였으며 약 3만개의 학습용 자료를 확보하였다. 본 연구에서는 세 가지 심층 신경망 모델을 시험하였는데, 신경망 모델은 2.56초 길이 수직성분 지진 파형을 입력 자료로 사용하여 P파 초동 극성을 식별하도록 구성하였다. 수집한 국내 지진 자료의 개수가 적기 때문에 방대한 양의 Southern California 자료를 이용해 심층 신경망을 선행 학습시켜 기저 신경망 모델을 만들고, 상대적으로 적은 양의 국내 자료로 신경망 모델의 미세조정을 수행하였다.
학습시킨 신경망 모델의 성능 평가에는 학습에 사용하지 않은 국외 및 국내 지진 자료를 사용하였는데, 기저 신경망 모델의 성능은 약 평균 96% 정밀도를 가지는 것으로 측정되었다. 국내 자료를 이용한 미세조정을 통해 평균 98%의 정밀도를 가지도록 성능을 향상시켰다. 미세조정을 수행한 모델로 일본 지진 자료의 P파 초동 극성을 식별했을 때, 99% 정도의 매우 높은 정밀도를 가지는 것을 확인할 수 있었다.
지진의 발진기구 결정을 통해 본 연구에서 개발한 기술의 활용 가능성을 검토하였다. 심층학습 모델로 식별한 P파 초동 극성과 S/P 진폭비를 함께 사용하여 HASH 프로그램(Hardebeck and Shearer, 2002)으로 2017~2020년 사이에 발생한 규모 2.0 이상 국내 지진과 2020년 해남 연속 지진, 2022년 충북 괴산 지진의 발진기구를 결정하였다. 본 연구에서 자동 분석한 지진의 발진기구와 수동 분석한 결과와 비교하였을 때, 규모 0.61의 작은 미소지진까지 신뢰할 수 있는 수준으로 발진기구를 결정할 수 있는 것을 확인하였다.
아직까지 한반도와 주변에서 발생한 지진의 전반적인 발진기구 목록이 제시된 바가 없기 때문에, 2001~2021년 한반도에서 발생한 규모 2.0 이상 지진에 대해 본 연구에서 개발한 기술을 활용하여 예비적인 발진기구 목록을 제시하였다. 이를 활용한다면 한반도의 응력장 분포를 파악하는 후속 연구의 좋은 기초자료로 활용될 수 있을 것으로 사료된다.

The focal mechanism represents the movement of a fault, which can be obtained by analyzing seismic waveforms. In general, a focal mechanism of a large earthquake greater than magnitude 3.0 can be determined through a waveform inversion method based on a numerical simulation. However, it is not easy to determine the focal mechanism of microearthquakes by the waveform inversion method due to the difficulty of numerical simulation of high-frequency waveform. For this reason, the focal mechanism of microearthquakes is usually obtained by using P wave first-motion polarities. In order to accurately determine the focal mechanism of a earthquake, sufficient numbers of reliable P-wave first-motion polarities are required.
The P-wave first-motion polarity has been traditionally identified by a visual inspection. Therefore, rule-based automatic algorithms have been developed for shortening the analysis time. However, the performance of the rule-based methods was lower than that of human experts and there were limitations in terms of the need to optimize rules depending on the area to be applied. Recently, deep learning techniques that can learn inherent features in the data have been widely used in various fields, and various studies based on deep learning techniques are also being proposed in the field of seismology. Deep learning techniques for identifying P-wave first-motion polarity are also being introduced (Ross et al., 2018; Hara et al., 2019; Uchide, 2020). In this study, we developed a procedure that can automatically determine the focal mechanism of microearthquakes using a deep learning model for P-wave first-motion polarity identification trained using local seismic data.
Deep neural network models were trained using data from the Southern California region and local earthquake data from South Korea. The Southern California data is the same data used in Ross et al. (2018), which consists of about 2.5 million local earthquake data and P-wave first-motion polarity information. P-wave first-motion polarities of local data was manually identified from seismograms of earthquakes of magnitude 2.0 or greater that occurred in the Korean peninsula between 2017 and 2020, and a total number of local training data was about 30,000. In this study, three deep neural network models were tested, and the neural networks were configured to identify P-wave first-motion polarity using 2.56-second-long vertical component earthquake waveform as the input. A base trained model was obtained using the Southern California dataset and improved by fine-tuning with relatively small amount of local dataset.
The performance of the trained neural network model was evaluated using global and local earthquake data that were not used in the training. The performance of the base trained model was measured to have an average precision of about 96 % and that of the fine-tuned model was improved to an average precision of 98 %. For Japanese earthquake data, the fine-tuned model performed with a very high precision of about 99%.
The feasibility of the procedure developed in this study was demonstrated through the determination of the focal mechanism of earthquakes. With P-wave first-motion polarities obtained by the deep learning model and S/P amplitude ratios , the focam mechanisms of local earthquakes in the Korean Peninsula with a magnitude of 2.0 or higher between 2017 and 2020, the Haenam earthquake sequence in 2020, and the M 4.1 Goesan earthquake on October 29, 2022 were determined by using the HASH program (Hardebeck and Shearer, 2002). The results of the comparison of the focal mechanisms obtained in this study with the those from the previous studies confirmed that the procedure in this study can determine the focal mechanism of microearthquake up to a magnitude of 0.61 with confidence.
Because a comprehensive list of focal mechanisms of earthquakes that have occurred on the Korean Peninsula and its surroundings has not yet been available, we generate preliminary list of focal mechanisms for earthquakes from 2001 to 2021. It is believed that this can be used as an initial data for follow-up studies to investigate the distribution of stress fields on the Korean Peninsula.