廣島大學研究生院先進理工系科學研究科的研究生Pan Da和三浦弘之副教授、九州大學研究生院人類環境學研究院的神野達夫教授和重藤迪子助教以及日本中國電力公司組成的研究團隊，利用深水層神經網路從地面的微震資料中高精度自動推算出地面震動時的地面增幅特性。三浦副教授表示：「即使不實施高成本的鑽孔調查和長期的地面震動觀測，也能推算出地面震動發生時該地點是否容易發生搖晃，因此可用於評估地面震動的危險程度和建築物的安全。」相關内容已經發布在美國地震學會的期刊Bulletin of the Seismological Society of America（BSSA）上。
過去爲了預測地面震動時地表的晃動強度，需要考慮設想的地面震動的震源特徵以及地震波傳播路徑的影響和地面對地震波增幅的影響。尤其是地面增幅特性的局部變化很大，會對地面震動的晃動方式產生較大影響，因此是考慮地面震動對建築物和基礎設施的影響的重要資訊。
然而，爲了掌握地面增幅特性，需要實施鑽孔調查並獲得長期的地面震動觀測資料。但這樣需要花費大量的精力和時間，因此很難在任意地點掌握地面的增幅特性。
另一方面，地面平時就以非常小的振幅（約爲一根頭髮的程度）發生微震。從以往的研究中得知，透過微震資料獲得的水平震動與垂直度震動的頻率圖譜振幅比（MHVR）具有與地面增幅特性相近的形狀。因此，研究團隊認爲，或許可以利用能隨時隨地測量的微震資料推算出地面增幅特性。
此次研究從防災科學技術研究所位於日本中國地區的強振動觀測網路的約80個觀測點獲得了微震資料。根據防災科學技術研究所長期觀測的地面震動資料進行頻率圖譜反演，將獲得的地面增幅特性定義爲正確答案，根據同一場所微震獲得的MHVR作爲輸入資料，讓深水層神經網路進行了學習。在神經網路的學習中，透過研究可以再現地面增幅特性的複雜形狀（凹凸等）的方法，並對學習資料進行各種改變，讓神經網路反復學習，努力建立了通用的模式。
由此發現，利用深水層神經網路可以構建傳統的統計方法難以再現的複雜關係式，能從MHVR中高精度推算地面增幅特性。另外應答，還可以應用於中國地區以外的地點。不過，三浦副教授表示：「東京和大阪等由大平原和盆地構成的大城市因地面結構不同，還需要根據特性進一步學習。」
利用此次的技術，無需進行大規模的調查和觀測，只需單點測量平時的晃動即可自動掌握地面震動時晃動的可能性，因此能明顯節省評估地面增幅特性的時間和精力。由此可以簡單快速地掌握多個地點的地面增幅特性，有助於以更高的精度預測強震動。九州大學的神野教授表示：「利用該技術，各地方政府有望以1公里爲單位觀測微震，從而製作更爲詳細的地震預測圖等。」
【論文資訊】
發表期刊：Bulletin of the Seismological Society of America
論文題目：Deep Neural Network-based Estimation of Site Amplification Factor from Microtremor
DOI：doi.org/10.1785/0120210300
原文：《科學新聞》
翻譯編輯：JST客觀日本編輯部
