This paper presents a real-time, false-pick filter based on deep learning to reduce false alarms of an onsite Earthquake Early Warning (EEW) system. Most onsite EEW systems use P-wave to predict S-wave. Therefore, it is essential to properly distinguish P-waves from noises or other seismic phases to avoid false alarms. To reduce false-picks causing false alarms, this study made the EEWNet Part 1 'False-Pick Filter' model based on Convolutional Neural Network (CNN). Specifically, it modified the Pick_FP (Lomax et al.) to generate input data such as the amplitude, velocity, and displacement of three components from 2 seconds ahead and 2 seconds after the P-wave arrival following one-second time steps. This model extracts log-mel power spectrum features from this input data, then classifies P-waves and others using these features. The dataset consisted of 3,189,583 samples: 81,394 samples from event data (727 events in the Korean Peninsula, 103 teleseismic events, and 1,734 events in Taiwan) and 3,108,189 samples from continuous data (recorded by seismic stations in South Korea for 27 months from 2018 to 2020). This model was trained with 1,826,357 samples through balancing, then tested on continuous data samples of the year 2019, filtering more than 99% of strong false-picks that could trigger false alarms. This model was developed as a module for USGS Earthworm and is written in C language to operate with minimal computing resources.

수치파동수조에서 안정적인 지진해일을 조파하기 위하여 2차원 수치모델(LES-WASS-2D)에 다양한 파형의 지진해일을 고려할 수 있는 무반사 조파시스템을 도입하였다. 기존 실험에서 측정한 호안주변의 지진해일의 시․공간 파형들과 비교하여 수치계산결과가 높은 정확도를 나타내었다. 이로써 본 연구에서 적용한 수치모델이 지진해일 월파모의에 있어서 적합하다는 것을 보여주었다. 지진해일 월파모의결과로부터 지진해일 체적비와 파고와 수심비에 따른 월퍄량, 침수거리를 고찰하였다. 지진해일의 파형이 넓을수록 월파량이 선형적으로 증가하였으며, 침수거리 또한 증가하였다. 그러므로 고립파 근사이론을 지진해일의 월파 및 침수모의에 적용할 경우, 실제 지진해일보다 수리특성이 과소평가 될 우려가 크다.