地震クラスタ分離のための教師あり機械学習（Earthquake Declustering Using Supervised Machine Learning）

田中専務

拓海先生、最近部下から「地震データに機械学習を使え」と言われて困っています。ウチは製造業で震源データを使った需要予測なんてやったことがないのですが、要するに何ができるのですか。

AIメンター拓海

素晴らしい着眼点ですね！大丈夫、一緒に整理しましょう。今回の研究は「地震カタログの中で、独立して起きる背景地震と、直前の地震が誘発したクラスタ（余震など）を分ける」ために、教師あり機械学習を使った話ですよ。

田中専務

教師あり機械学習って聞くと、何を教えれば良いか分からないのですが、人が全部タグ付けするのですか。それだと現実的ではない気がします。

AIメンター拓海

その点が肝心でして、今回の研究は人手でラベルを付けるのではなく、まず確率モデルで合成データを作り、その合成データに正解ラベルを付けて学習させる流れです。つまり現実データの代わりに“作ったデータ”で機械に学ばせるわけです。

田中専務

作ったデータというのは、現実に近いものを合成するのですか。そこがズレると本番で役に立たないのでは、と心配です。

AIメンター拓海

良い疑問です。研究では Epidemic Type Aftershock Sequence (ETAS) モデル — エタスモデル を使って、時空間とマグニチュードの分布を再現する合成地震列を作っています。要点を3つに絞ると、1) 合成データで教師あり学習を可能にする、2) 特徴量は近接距離（Nearest-Neighbour Distance）などで表現する、3) 学習済みモデルを実地カタログに適用して分離する、です。

田中専務

これって要するに、現実の地震データに似せた合成データで機械を訓練して、その機械に本物のデータを判定させるということ？ つまり本物のデータの中から“背景かクラスタか”を自動で分けられる、ということですか。

AIメンター拓海

その通りですよ。まさに要点を突かれました。加えて、この研究は従来の確率的なデクラスタリング手法や近接距離に基づく手法と比較して精度向上が見られた点を示していますから、実務でのラベル付け工数を減らす可能性があります。

田中専務

投資対効果という観点で言うと、まずどの程度の改善が見込めるのか、現場のデータでの検証が重要ですね。実際にどこで試したんですか。

AIメンター拓海

実地適用は南カリフォルニアとイタリアの地震カタログで行われています。研究結果では、従来手法に比べて合成データの検査で高い分類精度を示し、実地データでもより繊細な背景・クラスタの選別が可能だったと報告されています。これが意味するのは、被害予測やハザード評価のためのデータ前処理が改善され得るということです。

田中専務

分かりました。最後に私が要点を言い直していいですか。研究は「ETASで合成データを作り、それを教師データにしてNearest-Neighbourの特徴を含む機械学習モデルを訓練し、本物のカタログを背景地震とクラスタに分ける」手法、ということですね。これなら会議で説明できます。

AIメンター拓海

素晴らしい着眼点ですね！その説明で十分に本質を押さえています。大丈夫、一緒にスライド化すれば会議で刺さりますよ。

1.概要と位置づけ

結論から述べると、本研究は従来の確率的デクラスタリングや近接距離に基づく単純手法に比べ、教師あり機械学習を用いることで地震カタログから背景地震とクラスタ（余震等）をより繊細に識別できることを示した。重要なのは、学習のために現実の手作業ラベルを用いず、確率過程に基づいた合成データを生成し、それを教師データとして活用した点である。これは実務でのラベル付けコストを下げる可能性があるため、地震ハザード評価や事業継続計画のデータ前処理に直結し得る。特に、地震が事業リスクに直結する産業において、より正確な背景／クラスタの比率把握はインフラ投資や保険判断に資するため、戦略的価値が高い。結論を踏まえ、以降では基礎となるモデル、特徴量設計、検証結果の順で解説する。

2.先行研究との差別化ポイント

従来研究では、デクラスタリングに確率モデルや近傍距離に基づく手法が多く用いられてきた。例えば、確率的デクラスタリングは誘発確率をモデル化するが、モデル調整やパラメータ選定が現場依存で煩雑になる傾向がある。近接距離に基づく方法、ここでは Nearest-Neighbour Distance (NND) — ニアレストネイバ距離 を指すが、は直感的で計算も単純な反面、局所的なクラスタ構造しか捉えられない。本研究の差別化は、これら既存手法の長所を活かしつつ、機械学習により複数の近接情報や差分マグニチュードのような追加特徴を統合し、合成データで訓練したモデルが実地データに適応可能であることを示した点にある。要するに、手作業によるパラメータ調整を減らしつつ、より高次元の特徴で分類精度を高められる点が新規性である。

3.中核となる技術的要素

本研究で用いられる主要要素は三つある。まず Epidemic Type Aftershock Sequence (ETAS) — エタスモデル で、これは時空間的に余震が誘発される確率をモデル化する確率過程である。次に特徴量設計として、各イベントに対して最近傍距離や次点の距離、マグニチュード差分などの features — 特徴量 を計算すること。最後にその特徴量を使った Supervised Machine Learning (SML) — 教師あり機械学習 による分類器である。ここで重要なのは、ETASで生成した合成カタログに「背景／クラスタ」のラベルが既知であるため、教師あり学習が可能になる点である。現場適用時は、学習済み分類器に実地カタログの特徴量を入力して、各イベントの分類を行う。

4.有効性の検証方法と成果

検証は合成データ上のクロスバリデーションと実地データへの適用の二段階で行われた。まず、ETASで生成した疑似データを訓練データとテストデータに分け、NNDベース手法や既存の確率的デクラスタリング法と比較して分類精度を評価した。次に、南カリフォルニアとイタリアの実地カタログに学習済みモデルを適用し、従来手法との割合や選別の違いを比較した。結果として、機械学習モデルはテストデータ上で高い識別性能を示し、実地適用でもより微妙な背景・クラスタの判定を行う傾向が観察された。これにより、特に最初の数個の最近傍の情報が予測力に重要である一方、次点の最近傍やマグニチュード差が精度改善に寄与することが示された。

5.研究を巡る議論と課題

本手法の強みは合成データを活用して教師あり学習の枠組みを実現した点であるが、合成モデルと現実の乖離がパフォーマンスの限界を規定するという課題が残る。ETAS自体には仮定があり、非典型的な誘発過程や外的要因（人為的活動や流体移動など）を十分に再現できない場合、誤分類が生じる可能性がある。さらに、学習済みモデルの解釈性や、不確実性の定量化をどう行うかは実務上重要な論点である。最後に、モデルの地域適応性、すなわちある地域で学習したモデルを別地域に転用する際の性能低下をどう扱うかが運用面の課題となる。

6.今後の調査・学習の方向性

今後は合成データ生成の多様化と不確実性評価の強化が必要である。具体的には、ETAS以外の確率過程や外的ドライバを組み込んだ合成法の検討、ドメイン適応（domain adaptation）の手法導入による地域間転移性能の改善、そしてモデル出力の不確かさをビジネス判断で扱える形にする研究が重要である。加えて、実務導入に向けては、分類結果がどのように保険料設定やインフラ投資判断に影響するかの定量的評価が必要である。最後に、解釈可能性を高めるための特徴重要度解析やヒューマンインザループの運用方法の確立も不可欠である。

検索に使える英語キーワード: Earthquake declustering, Supervised Machine Learning, ETAS, Nearest-Neighbour Distance, seismic catalog analysis

会議で使えるフレーズ集

・「本研究はETASで合成データを作り、教師あり学習で背景地震と余震群を識別する手法です。」

・「我々の検証では、合成データ上で既存手法より高い分類精度を確認しました。」

・「実地適用では、背景とクラスタの比率把握がハザード評価の精度向上につながります。」

・「導入リスクは合成モデルと現実の乖離ですが、ドメイン適応で対応可能です。」

R. Shcherbakov and S. Kothari, “Earthquake Declustering Using Supervised Machine Learning,” arXiv preprint arXiv:2504.08052v1, 2025.