Presentation Information
[P08-11]Detection of slow slip events directly from continuous seismic waveforms along the Nankai Trough based on a random forest model
*Kazuki OHTAKE1, Aitaro KATO1, Yutaro OKADA2, Takuya NISHIMURA3 (1. Earthquake Research Institute, The University of Tokyo, 2. Uehiro Disaster Risk Reduction Research Division, International Research Institute of Disaster Science, Tohoku University, 3. Disaster Prevention Research Institute, Kyoto University)
南海トラフ沿いのプレート境界では、固着域と深部安定すべり域の遷移領域においてスロー地震が繰り返し発生している。スロー地震には、測地学的帯域で観測されるスロースリップイベント（SSE）と、地震学的帯域で観測される低周波地震（LFE）や微動（tremor）などがあり、巨大地震との関連が指摘されている(Obara and Kato, 2016)。近年、継続時間が数日程度の短期的SSE（S-SSE）が、GNSSデータを用いて検出されるようになってきた(Nishimura et al., 2013, Okada et al., 2022)。SSEは多くの場合、LFEや微動を伴うことが知られており(ETS; Rogers and Dragert, 2003, Obara et al., 2004)、この性質を利用することでSSE検出の高精度化が期待される。
本研究では、この性質に着目して、西日本周辺の連続地震波形記録から直接、機械学習によりGNSS観測点の変位速度の時間変化を予測し、南海トラフ沿いのSSEを検出することを目的とする。具体的には、Rouet-Leduc et al. (2019)により提案された手法を参考に、ランダムフォレストを用いた機械学習モデルを構築し、連続地震波形記録の特徴量から、GNSS変位速度の時間変化を予測する。この手法により、準リアルタイムでのGNSS変位速度の予測とSSEの検出が原理的に可能になり、南海トラフ沿いのSSE活動を効率的にモニタリングする有力な手段となる。また、GNSSのノイズレベル以下の変位変化や従来見逃されてきたSSEを捉えることで、南海トラフ沿いのすべり現象の多様性に関する包括的な理解と新たな知見の獲得を目指す。
これまでに本手法を四国西部に適用した結果、6年間で23個のS-SSEを検出し、そのうち5個は新たに発見されたイベントであった（Ohtake et al., 2025, 査読中）。この結果は、機械学習を用いた手法が連続地震波形記録からのSSE高精度検出に有効であることを示すものである。本発表では、本手法を南海トラフ全域に展開した成果を報告する。
本研究では、この性質に着目して、西日本周辺の連続地震波形記録から直接、機械学習によりGNSS観測点の変位速度の時間変化を予測し、南海トラフ沿いのSSEを検出することを目的とする。具体的には、Rouet-Leduc et al. (2019)により提案された手法を参考に、ランダムフォレストを用いた機械学習モデルを構築し、連続地震波形記録の特徴量から、GNSS変位速度の時間変化を予測する。この手法により、準リアルタイムでのGNSS変位速度の予測とSSEの検出が原理的に可能になり、南海トラフ沿いのSSE活動を効率的にモニタリングする有力な手段となる。また、GNSSのノイズレベル以下の変位変化や従来見逃されてきたSSEを捉えることで、南海トラフ沿いのすべり現象の多様性に関する包括的な理解と新たな知見の獲得を目指す。
これまでに本手法を四国西部に適用した結果、6年間で23個のS-SSEを検出し、そのうち5個は新たに発見されたイベントであった（Ohtake et al., 2025, 査読中）。この結果は、機械学習を用いた手法が連続地震波形記録からのSSE高精度検出に有効であることを示すものである。本発表では、本手法を南海トラフ全域に展開した成果を報告する。