DASひずみを地震計の粒子速度に変換する新しい深層学習モデル：ブレイディ地熱地帯のPoroTomoデータへの応用

インターネット用ケーブルで地震を聴く

もし私たちのインターネットトラフィックを運ぶのと同じ種類の光ファイバーケーブルが、何千もの巨大な地震センサーの連なりとしても機能するとしたらどうでしょうか。本研究はまさにその発想を検証します。著者らは、現代の人工知能（AI）モデルが、光ファイバーケーブルから得られる生で解釈が難しい信号を、地震学者が慣れ親しんだ運動計測に変換できることを示し、これにより地震監視がより安価で高密度、かつ過酷な環境や狭小な場所でも展開しやすくなる可能性を示しています。

光ファイバー耳が理解しにくい理由

分散音響センシング（DAS）は、光ファイバーケーブルを地面の微小な伸び縮みに反応する連続したセンサー列に変えます。数百台の独立した計器を敷地に分散させる代わりに、DASは一本のケーブルに沿って何千もの測定点を提供できます。この高密度は地震波の伝播を追跡するうえで大きな利点です。しかし問題があります：DASはケーブルのひずみを測定するのに対し、従来の地震計（ジオフォン）は地面の速度を記録します。既存の多くの地震解析手法はジオフォン式の運動を前提に設計されており、ひずみは表層近くの小スケールの不規則性を強調してしまうため、データはノイズが多く場所ごとに一貫性が低くなります。したがってDASひずみをジオフォン様の地面運動に変換することは不可欠ですが、従来の物理ベースの変換法は波の振る舞いやケーブルの幾何、共配置された参照センサーの存在について強い仮定を必要とする場合が多いのです。

二つの“聞き方”を翻訳するためにAIを使う

研究者らは、DASひずみとジオフォンの粒子速度の間を翻訳する深層学習モデルを開発しました。彼らはネバダ州ブレイディ温泉地帯で行われたPoroTomo実験のデータでこれを訓練しました。そこでは8.4キロメートルに及ぶジグザグの光ファイバーケーブルが、238台の三成分ジオフォンの格子と並行して敷設されていました。ケーブルのごく近傍に配置された112地点について、それぞれのジオフォンの水平運動トレースと最寄りの10チャネルのDASを対にして学習させました。モデルは、ケーブルに沿った空間パターンを捉えるフーリエニューラルオペレータ、時間的変化を理解する双方向再帰ネットワーク、そして各信号の最も情報量の多い部分に注目するアテンション機構を組み合わせ、DASひずみだけからジオフォンが記録したであろう信号を予測することを学びました。

AI翻訳の精度

性能評価のため、著者らはAI生成波形と実際のジオフォンデータを標準的な誤差・類似性指標で比較しました。また、多数の例にわたって予測がどの程度一致するかも確認しました。ハイブリッドなアーキテクチャはフーリエ成分を省いた単純な設計を明確に上回り、平均で誤差は約20分の1になり、真のジオフォン波形との類似性も一貫して非常に高かったです。周波数領域（どの振動の周波数成分が含まれるかを解析する領域）でも、AIが生成した粒子速度のスペクトルはP波およびS波の関心帯域全体でジオフォンのスペクトルとよく一致していました。対照的に、従来の物理ベースの変換法は低周波では合致するものの、DASの振る舞いがより複雑になる高周波側の重要な詳細を取りこぼしていました。

変換データの実用性

本当の試金石は、変換した信号が下流の解析タスクに役立つかどうかです。チームはMUSICとして知られるビームフォーミング手法を適用しました。これはセンサーアレイを用いて到来する地震波の方位角や見かけの速度を推定する手法です。同じサイトでの以前の研究では、生のDASひずみ率はビームフォーミングに対して非整合で、波がぼやけて見え、ノード型ジオフォンアレイと比べて結果が劣っていました。新しいAIベースの変換は異なる結果を示します。著者らがケーブルに沿ったAI予測の粒子速度でビームフォーミングを行うと、地震の逆方位（バックアジマス）と波速を鋭く推定でき、ジオフォンの性能と同等か場合によってはわずかに上回り、物理ベースのDAS変換を凌駕しました。この改善は、DASチャネルの高い空間密度と、AIモデルが非整合ノイズを抑えつつ解析に重要な整合した運動を保持する能力の双方に起因しています。

今後の地球観測にとっての意義

非専門家向けの要点は、著者らが高密度で柔軟な光ファイバーケーブルを従来の地震計と同じ言語で話させる賢い翻訳器を構築したことです。彼らのAIモデルは物理法則に取って代わるものではなく、ケーブルと地盤の結合や局所的な雑音など、現実世界の煩雑な要因を捉えるサイト特有の写像を学習します。各設置で少数の共配置ジオフォンによる短い較正期間は依然として必要ですが、この手法により既存および将来の光ファイバーネットワークを高解像度な地震監視、危険度評価、地下構造イメージングの強力なツールに転用する可能性が開かれます。より多くのサイトや事象で手法が検証されるにつれて、こうしたAI支援の変換は、伝統的なセンサー配置が実用的でないあるいは高価すぎる場所にも詳細な地震学的解析をもたらす助けとなるでしょう。

引用: Al-Qadasi, B., Cui, Y., Waheed, U.B. et al. A novel deep-learning model to convert DAS strain to geophone particle velocity: application to PoroTomo data from the Brady geothermal field. Sci Rep 16, 7001 (2026). https://doi.org/10.1038/s41598-026-37888-y

キーワード: 分散音響センシング, 地震学, 深層学習, 地震監視, 光ファイバーセンサー