@misc{10481/112464,
year = {2026},
url = {https://hdl.handle.net/10481/112464},
abstract = {This thesis explores the potential of different types of machine learning and deep learning pipelines
for analysing data from volcanic areas. It specifically focuses on the analysis of volcano-seismic
data. Seismic datasets from volcanic areas represent an interesting testing ground for machine
learning methods. Not only is the study of these areas important to understand a natural hazard and
gain insight into the earths inner processes, the signals produced often have high levels of noise
and are non-trivial to analyse.
This thesis begins by examining supervised methods for analysing volcano-seismic datasets,
and explores the potential of a novel recurrent architecture to offer enhanced performance on this
type of data. This examination also highlights a limitation of this style of approach - the requirement
to have a labelled database. This requirement hinders the widespread deployment of supervised
methods, and encourages the exploration of alternative types of analysis.
The thesis then explores an alternative analysis pipeline that splits the analysis into two parts.
The first part is a simplified supervised task to identify and segment time periods of volcanoseismic
activity. The second part is an unsupervised clustering to group similar periods of activity.
The advantage of this second approach lies in the reduced catalogue requirements, leading to the
potential of a faster deployment that requires less volcano-seismic experience to set up.
The final aspect of the thesis aims to explore the potential of contrastive pre-training to increase
performance in two separate ways. First, it offers the potential to increase performance in the context of supervised models. Second, it allows for the extraction of powerful representations that
enable clustering methods to group the volcano-seismic data more effectively.
These machine learning and deep learning pipelines, supervised methods, unsupervised methods,
and contrastive learning methods have been developed and tested on datasets from four different
volcanic areas: Deception Volcano; Colima Volcano; Llaima Volcano; and Mount Etna. The
Mount Etna case is of particular interest because for the context of this thesis, this volcano has been
approached with a limited amount of prior knowledge. This approach was taken in order to understand
the potential of the final aspect of this thesis, the contrastive learning methods, to analyse a
previously unknown volcano-seismic dataset.
The thesis showcases how machine learning architectures can aid in the improvement and development
of volcano-seismic catalogues. In particular, contrastive methods are shown to be a
powerful analysis tool that enable the exploration of previously unseen data. This data-driven approach
represents an exciting frontier that is likely to lead to many interesting developments in the
field of volcano-seismic monitoring.},
abstract = {Esta tesis explora el potencial de distintos tipos de pipelines de aprendizaje automático y aprendizaje
profundo para el análisis de datos procedentes de zonas volcánicas. En particular, se centra
en el estudio de datos sísmicos de origen volcánico. Estos datos, generados en entornos volcánicos
representan un campo de prueba interesante para los métodos de aprendizaje automático. El estudio
de estas áreas es esencial para comprender y evaluar un riesgo natural, sin embargo, las señales
capturadas por los sensores pueden presentar altos niveles de ruido por lo que no son fáciles de
analizar. La tesis comienza analizando métodos de aprendizaje automático supervisados aplicados
a conjuntos de datos sísmicos de origen volcánico y explora el potencial de una novedosa arquitectura
recurrente que presenta un mejor rendimiento en este tipo de datos. Este análisis también
pone de manifiesto una limitación inherente a este enfoque: la necesidad de disponer de bases de
datos etiquetadas. Este requisito dificulta el despliegue generalizado de métodos supervisados y
motiva la exploración de enfoques alternativos. A continuación, se propone un proceso alternativo
de análisis que divide el estudio en dos etapas. La primera consiste en una tarea supervisada simplificada
para identificar y segmentar periodos de actividad volcano-sísmica. La segunda emplea
técnicas no supervisadas de agrupamiento (clustering) para identificar intervalos temporales con
una actividad sísmica con características similares. La principal ventaja de este enfoque radica en
la reducción de los requisitos de catalogación, lo que permite un despliegue más rápido y con menor
necesidad de experiencia especializada en vulcanología. El último aspecto abordado en la tesis ex plora el potencial del preentrenamiento contrastivo para mejorar el rendimiento de dos formas: por
un lado, al aumentar la eficacia de los modelos supervisados; por otro, al facilitar la extracción de
representaciones potentes que permiten agrupar los datos sísmicos de origen volcánico de manera
más eficaz mediante métodos no supervisados. Las técnicas de aprendizaje automático y profundo
—incluyendo métodos supervisados, no supervisados y contrastivos— se han desarrollado y evaluado
utilizando conjuntos de datos procedentes de cuatro zonas volcánicas: el Volcán Decepción,
el Volcán de Colima, el Volcán Llaima y el Monte Etna. Este último caso resulta especialmente
interesante, ya que en el contexto de esta investigación se ha abordado con un conocimiento previo
limitado, con el fin de evaluar el potencial de los métodos contrastivos para analizar conjuntos
de datos sísmicos del volcán Etna previamente desconocidos. En conjunto, esta tesis demuestra
cómo las arquitecturas de aprendizaje automático pueden contribuir a la mejora y ampliación de
los catálogos sísmicos. En particular, los métodos contrastivos se revelan como herramientas de
análisis potentes, capaces de facilitar la exploración de datos inéditos. Este enfoque basado en
datos representa una frontera prometedora que probablemente conducirá a avances significativos
en el ámbito de la vigilancia sísmica en entornos volcánicos.},
organization = {Tesis Univ. Granada.},
organization = {European Union’s Horizon 2020 (Nº 858092)},
publisher = {Universidad de Granada},
title = {Mount Etna; A signal processing investigation of a volcanic system driven by machine learning},
author = {Carthy, Joe},
}