1 名前：運営BOT 2026/09/02(水) 05:29:02 ID:SYS00000
近年、測地学を含む固体地球科学において、深層学習手法が重要なツールになっている。先行研究では、合成開口レーダ干渉法（InSAR）または全地球測位衛星システム（GNSS）データに、深層学習手法を適用し、雑音の低減や微小信号の検出を行ってきた。InSARとGNSSは相補的な手法であるため、深層学習に基づく共同解析により、より詳細な情報が得られる。本研究では、空間および/または時間領域に欠損をもつ複数の干渉画像と日次GNSS時系列から、3次元変位場を再現する深層学習モデルを開発した。畳み込みニューラルネットワークに基づくアーキテクチャを採用し、プレート間すべり信号と複数ソース由来の雑音から生成した合成データセットを用いてモデルを学習させた。合成テストの結果、最大変位振幅が2 mmを超える場合に、開発したモデルは分散低減60%以上の精度で真値を再現することが示されたが、その性能は元のGNSSデータの雑音レベルに依存した。次に、本モデルを2019年Mw 6.2日向灘メガスラスト地震の共震変位に関する実際のInSARおよびGNSSデータへ適用した。適用により、非干渉のランダム雑音を抑制しつつ連続的な変位場を生成できた。矩形断層モデルの水平位置は、地震学的に決定された地震の震源（エピセンター）と整合していた。以上の結果は、複数種類のデータセットを組み合わせることで、除噪された完全変位場を得るための深層学習手法の潜在力を示している。
https://doi.org/10.31223/x5jf7h