Volcanic Eruption Forecasting using Seismic Features. A Signal Processing and Machine Learning Approach

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.

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.