@misc{10481/108043,
year = {2025},
url = {https://hdl.handle.net/10481/108043},
abstract = {Volcanic eruptions pose a significant threat to communities worldwide, with the potential to cause
widespread devastation in a matter of moments. The unpredictability of these events, coupled with
their ability to disrupt ecosystems, economies, and human livelihoods, highlights the urgent need
for effective forecasting methodologies. Despite significant advances in geophysical monitoring,
accurately forecasting eruptions remains a big challenge due to the variability of volcanic systems,
the complex nature of precursory signals, and the influence of external environmental factors. This
thesis aims to address these challenges by developing a novel, data-driven approach for short-term
volcanic eruption forecasting, leveraging signal processing and machine learning techniques.
A key aspect of volcanic monitoring is volcano seismology, which plays a fundamental role
in detecting and interpreting the seismic signals generated by subsurface magmatic processes.
However, raw seismic data alone is often insufficient for precise eruption forecasting, which
requires advanced feature extraction techniques to transform continuous seismic waveforms into
meaningful indicators of volcanic activity. A central contribution of this work is the application of
Shannon Entropy (SE) as a key seismic parameter to detect pre-eruptive patterns and characterize
volcanic activity. SE, which quantifies the complexity of seismic signals, has been analyzed across
multiple case studies in this thesis (Mt. Etna, Mount St. Helens, Kilauea, Augustine, Bezymianny,
Volcán de Colima, Tajogaite, and Shishaldin), demonstrating its effectiveness as a precursor of
eruptions. The results indicate that a systematic decrease in SE precedes eruptive events by
hours to days, highlighting its potential as a reliable early warning indicator. Additionally, the
study shows that SE is capable of tracking different stages of volcanic activity, from initial unrest
to eruption onset and ending, providing a more precise understanding of eruption dynamics.
Alongside other features like Kurtosis, that highlights deviations from normal energy distributions,
and the Frequency Index, that tracks spectral shifts associated with evolving magmatic processes,
SE allows for a comprehensive characterization of volcanic activity, providing insight into the
underlying physical mechanisms driving seismic activity.
Building upon these findings, the thesis introduces a machine learning framework designed
to classify volcanic states and estimate eruption probabilities in near real-time using a neural
network approach. By integrating multiple seismic features—including SE, Frequency Index,
Kurtosis, and energy—into a multilayer perceptron (MLP)-based model, this approach not
only classifies between volcanic unrest, pre-eruptive and eruptive activity, but also provides
probabilistic forecasts, quantifying the likelihood of an imminent eruption with numerical
precision. The model is trained and validated using extensive seismic datasets, demonstrating its ability to generalize across different volcanoes and eruption styles. This advancement represents
a significant step toward reducing human bias in eruption forecasting and improving decisionmaking
processes in hazard assessment.
One of the critical challenges addressed in this research is the impact of atmospheric noise,
particularly wind-induced interference, which can compromise the reliability of volcano
seismic monitoring. To mitigate this issue, a correction methodology is proposed to filter
out environmental noise, reducing false alarms and increasing the robustness of SE-based
monitoring. This methodological enhancement is essential for real-world applications, ensuring
that the forecasting system remains effective under varying environmental conditions.
The findings of this thesis contribute to the advancement of volcanic early warning systems
by bridging traditional geophysical monitoring with modern machine learning approaches. By
demonstrating the effectiveness of entropy-based seismic analysis and data-driven classification
techniques, this work paves the way for a scalable, cost-effective, and transferable methodology
for global application. The proposed framework holds significant implications for hazard
assessment strategies, offering authorities and scientific communities a powerful tool to enhance
eruption preparedness and risk mitigation. Ultimately, this research supports the development
of more reliable, data-driven early warning systems, improving resilience for at-risk communities
worldwide.},
abstract = {Las erupciones volcánicas suponen una importante amenaza para las comunidades de todo el
mundo, con el potencial de causar una devastación generalizada en cuestión de instantes. La
imprevisibilidad de estos fenómenos, unida a su capacidad para perturbar los ecosistemas, las
economías y los medios de subsistencia humanos, resalta la urgente necesidad de disponer de
metodologías de previsión eficaces. A pesar de los significativos avances en la vigilancia geofísica,
el pronóstico preciso de las erupciones sigue siendo un gran reto debido a la variabilidad de los
sistemas volcánicos, la naturaleza compleja de las señales precursoras y la influencia de factores
ambientales externos. Esta tesis tiene como objetivo abordar estos retos mediante el desarrollo de
un nuevo enfoque basado en ciencia de datos para el pronóstico de erupciones volcánicas a corto
plazo, aprovechando el procesamiento de señales y técnicas de aprendizaje automático.
Un aspecto clave de la vigilancia volcánica es la sismología volcánica, que desempeña un
papel fundamental en la detección e interpretación de las señales sísmicas generadas por
los procesos magmáticos. Sin embargo, los datos sísmicos brutos por sí solos son a menudo
insuficientes para el pronóstico preciso de erupciones, lo que requiere técnicas avanzadas
de extracción de características para transformar las formas de onda sísmicas continuas en
indicadores significativos de la actividad volcánica. Una contribución esencial de este trabajo
es la aplicación de la Entropía de Shannon (SE) como parámetro sísmico clave para detectar
patrones pre-eruptivos y caracterizar la actividad volcánica. La SE, que cuantifica la complejidad
de las señales sísmicas, ha sido analizada a través de múltiples casos de estudio en esta tesis
(Mt. Etna, Mount St. Helens, Kilauea, Augustine, Bezymianny, Volcán de Colima, Tajogaite y
Shishaldin), demostrando su eficacia como precursor de erupciones. Los resultados indican que
una disminución sistemática del SE precede a los fenómenos eruptivos en horas o días, lo que
pone de relieve su potencial como indicador fiable de alerta temprana. Además, el estudio muestra
que la SE es capaz de rastrear diferentes etapas de la actividad volcánica, desde la reactivación
inicial hasta el inicio y el cese de la erupción, proporcionando una comprensión más precisa
de la dinámica eruptiva. Junto con otras características como la curtosis, que pone de relieve
las desviaciones de las distribuciones normales de energía, y el índice de frecuencia, que rastrea
los cambios espectrales asociados a la evolución de los procesos magmáticos, la SE permite
una caracterización exhaustiva de la actividad volcánica, proporcionando información sobre los
mecanismos físicos subyacentes que impulsan la actividad sísmica.
Considerando estos resultados, la tesis presenta un marco de aprendizaje automático diseñado
para clasificar los estados volcánicos y estimar las probabilidades de erupción en tiempo casi real utilizando un enfoque de red neuronal. Mediante la integración de múltiples características
sísmicas -incluyendo SE, índice de frecuencia, curtosis y energía- en un modelo basado en un
perceptrón multicapa (MLP), este enfoque no sólo clasifica entre actividad volcánica inestable,
pre-eruptiva y eruptiva, sino que también proporciona previsiones probabilísticas, cuantificando
la probabilidad de una erupción inminente con precisión numérica. El modelo se ha entrenado y
validado utilizando conjuntos de datos sísmicos asociados a diferentes sistemas volcánicos, lo que
demuestra su capacidad para generalizar entre distintos volcanes y estilos eruptivos. Este avance
representa un paso significativo hacia la reducción de la influencia humana en la previsión de
erupciones y la mejora de los procesos de toma de decisiones en la evaluación de riesgos.
Uno de los retos más relevantes abordados en esta investigación es el impacto del ruido
atmosférico, en particular las interferencias inducidas por el viento, que pueden comprometer
la fiabilidad de la vigilancia sísmica de volcanes. Para mitigar este problema, se propone una
metodología de corrección para filtrar el ruido ambiental, reduciendo las falsas alarmas y
aumentando la robustez de la monitorización basada en la SE. Esta mejora metodológica es
esencial para las aplicaciones en tiempo real, ya que garantiza que el sistema de predicción siga
siendo eficaz en condiciones ambientales variables.
Los resultados de esta tesis contribuyen al avance de los sistemas de alerta temprana volcánica
al tender un puente entre la monitorización geofísica tradicional y los enfoques de aprendizaje
automático modernos. Al demostrar la eficacia del análisis sísmico basado en la entropía y
las técnicas de clasificación basadas en datos, este trabajo abre el camino para desarrollar
una metodología transferible, de bajo coste y de aplicación global. El marco propuesto
tiene implicaciones significativas para las estrategias de evaluación de riesgo, ofreciendo a
las autoridades y a las comunidades científicas una poderosa herramienta para mejorar la
preparación ante erupciones y la mitigación de riesgos. En última instancia, esta investigación
apoya el desarrollo de sistemas de alerta temprana más fiables y basados en datos, mejorando la
resiliencia de las comunidades en riesgo en todo el mundo.},
organization = {Tesis Univ. Granada.},
organization = {Project “FEMALE” (PID2019-106260GB-I00) funded by Ministerio de Ciencia, Innovación y Universidades (MICIU), Agencia Estatal de Investigación (AEI) and by Fondo Europeo de Desarrollo Regional (FEDER), European Union (EU)},
organization = {“LEARNING” (PID2022-143083NB-I00) funded by Ministerio de Ciencia, Innovación y Universidades (MICIU), Agencia Estatal de Investigación (AEI) and by Fondo Europeo de Desarrollo Regional (FEDER), European Union (EU)},
organization = {Ministerio de Ciencia e Innovación del Gobierno de España (MCIN), Agencia Estatal de Investigación (AEI), Fondo Social Europeo (FSE), and Programa Estatal de Promoción del Talento y su Empleabilidad en I+D+I Ayudas para contratos predoctorales para la formación de doctores 2020 (PRE2020-092719)},
publisher = {Universidad de Granada},
title = {Volcanic Eruption Forecasting using Seismic Features. A Signal Processing and Machine Learning Approach},
author = {Rey Devesa, Pablo},
}