1. Pendahuluan

Sebelum kita memulai pembahasan mengenai FM-Net, maka ada baiknya anda mengerti terlebih dahulu apa itu ML dan DL.

Disini kita akan belajar membuat dataset untuk program FM-Net.

Dataset atau data training nantinya akan terdiri dari data input dan data label.

Terkait cara penggunaan program FM-Net dapat anda baca disini

2. Struktur Folder

Untuk mempelajari data mari kita lihat struktur data dalam folder test_data berikut plotting nya.

Terdapat 2 jenis data yang terdapat dalam file 000001.mat yaitu data input ( amp_3d ) berupa waveform sintetis, dan data label (gaus_pa) berupa kurva probabilitas gaussian denga nilai rata-rata merupakan parameter focal mechanism.

Ukuran data input adalah 972 x 48 x 128

dimana :

  • 972 adalah jumlah data

  • 48 adalah ( 3 x 16 ) merupakan jumlah komponen (E N Z) dan jumlah stasiun

  • 128 adalah jumlah data sample

Panggil dan plot data input dengan script plot_data_input.m

Gambar disamping adalah tampilan sample data input ( data ke-300) pada set data test.

3. Data dan Software

Data

Data yang digunakan adalah data waveform sintetis yang dibuat menggunakan software QSEIS berdasarkan skenario kombinasi parameter focal mechanism.

Software

Ukuran data target adalah 972 x 3 x 128

dimana :

  • 972 adalah jumlah data
  • 3 adalah parameter focal mechanism berupa nilai strike, dip, rake
  • 128 adalah panjang data Panggil dan plot data input dengan script plot_data_label.m Gambar disamping adalah tampilan sample data target ( data ke-300) pada set data test.

SKENARIO PARAMETER FOCAL MECHANISM :

  • Strike : 0° - 360 ° increment 30 ° ( 12 nilai )
  • Dip : 0 ° - 90 ° increment 10 ° ( 9 nilai )
  • Rake : -90 ° - 90 ° increment 20 ° (9 nilai ) Total Kombinasi Skenario : (12 x 9 x 9 = 972 )

GRID :

  • Bujur : 110.5 sampai 114.5 dengan increemnet 0.5 (9 grid)
  • Lintang : -10.95 sampai -8.55 dengan increment 0.3 (9 grid)
  • Kedalaman : 0 sampai 20 km dengan increment 2 km (10 grid)

Total Kombinasi Grid : (9 x 9 x 10 = 810 )

Total : Total kombinasi skenario focmech x Total Grid = 972 x 810 = 787.320

Ukuran tiap waveform adalah 192 kb x 787.320 = 151 Giga Byte

Sebagai percobaan makan akan di buat waveform sintetis dari 1 titik (titik pusat) dengan 972 kombinasi skenario parameter focal mechanism.

Estimasi ukuran data hanya sekitar 182 Mega Byte.

Edit data grid.txt sesuai dengan jarak grid (dalam derajat ),

kolom pertama adalah grid bujur,

kolom kedua adalah grid lintang.

Tanda negatif pada ke-2 kolom tersebut masing-masing menunjukkan arah barat dan utara dari titik pusat ( bintang warna merah).

Tentukan koordinat pusat pada file Pusat.txt

Jalankan script grid.m maka akan tercreate file GRD.txt yang berisi data koordinat grid.

Double klik file Grid_Node.bat untuk membuat peta grid.

Grid_FM_Net

Beirkut adalah langkah-langkah installnya :

  1. Install anaconda / miniconda dengan cara berikut
  2. Install Pyrocko
1
2
3

conda create –n pyrocko python=3.7
conda activate pyrocko	
pip install pyrocko
  1. Install QSEIS dengan cara download dari sini, ekstrak lalu masuk kedalam folder program melalui terminal, kemudian ketik perintah :
1
2
3
4

autoreconf -i
./configure
make
sudo make install
  1. Buat fungsi green dengan perintah :
1
2
3
4

fomosto init qseis.2006a my_gfs
cd my_gfs 
fomosto ttt
fomosto build

Sebelum menjalankan perintah fomosto ttt, ubah setting file qseis dan config sebagai berikut.

gf_stores/my_gfs/exra/qseis

1
2
3
4
5
6

--- !pf.QSeisConfigqseis_version: 
2006atime_region:- 
'{stored:begin}-30'- 
'{stored:end}+100'cut:- 
'{stored:begin}-30'- 
'{stored:end}+100'

gf_stores/my_gfs/config

1
2
3
4
5
6
7

sample_rate: 1.0
source_depth_min: 10000.0
source_depth_max: 30000.0
source_depth_delta: 10000.0
distance_min: 10000.0
distance_max: 2000000.0
distance_delta: 10000.0

Membuat waveform sintetis dengan script create_synt.py maka akan dihasilkan waveform dalam format miniseed dengan penamaan file lat_lon_strike_dip_rake.mseed.

Sebagai contoh jalankan create_synt_exp.py ( perhitungan 1 grid saja).

Jalankan script miniseed2ascii.py untuk merubah file miniseed menjadi ascii dengan format TSPAIR (akan dihasilkan file outfile.ascii).

Jalankan script ascii2txt.py untuk merubah file ascii menjadi .txt (akan dihasilkan file amp_3d.txt).

  1. Jalankan script create_mat.m untuk membuat dataset dalam format .mat.

Membuat waveform sintetis dengan script create_synt.py maka akan dihasilkan waveform dalam format miniseed dengan penamaan file lat_lon_strike_dip_rake.mseed Jalankan script miniseed2ascii.py untuk merubah file miniseed menjadi ascii dengan format TSPAIR (akan dihasilkan file outfile.ascii). Jalankan script ascii2txt.py untuk merubah file ascii menjadi .txt (akan dihasilkan file amp_3d.txt).

  1. Jalankan script create_mat.m untuk membuat dataset dalam format .mat.

Catatan : amp_3d adalah data input berupa waveform sintetis berjumlah 972 dari 16 stasiun 3 komponen (total 48) dan Panjang 128 s (sampling rate 1 Hz), filter 0.05 – 0.1 Hz, normalisasi amplitudo berdasarkan nilai amplitudo maksimum.

gaus_pa adalah target atau data label berjumlah 972 berupa kurva probabilitas gaussian dengan nilai rata-rata merupakan nilai parameter focal yaitu strike, dip, rake (3 parameter), panjang data 128 dan standar deviasi masing-masing 14°, 3.5° dan 7°.

Siapkan file 000001.mat ( dari hasil persiapan data) Siapkanfile metric.py ( untuk menghitung nilai loss ) Jalankan script train.py maka akan dihasilkan file model.cnn Siapkan file yang akan di prediksi dalam format .mat Lakukan prediksi dengan menjalankan script predict.py

Catatan : Jika anda pernah menggunakan program eqtransformer pada anaconda/miniconda, maka gunakan environment eqtransformer untuk running train.py dan predict.py karena modul yang digunakan adalah sama. Cara ini lebih praktis daripada harus membuat environment baru dan menginstal beberapa modul yang dibutuhkan.

Catatan : amp_3d adalah data input berupa waveform sintetis berjumlah 972 dari 16 stasiun 3 komponen (total 48) dan Panjang 128 s (sampling rate 1 Hz), filter 0.05 – 0.1 Hz, normalisasi amplitudo berdasarkan nilai amplitudo maksimum.

gauss_pa adalah target atau data label berjumlah 972 berupa kurva probabilitas gaussian dengan nilai rata-rata merupakan nilai parameter focal yaitu strike, dip, rake (3 parameter), panjang data 128 dan standar deviasi masing-masing 14°, 3.5° dan 7°.