Continuous active learning for seismo-volcanic monitoring

Abstract

Deep learning has advanced seismo-volcanic monitoring to unprecedented performance levels. Nevertheless, seismic data labeling still requires substantial annotation efforts, often delayed in time if the eruptive state alters the data conditions. The selective segmentation of which earthquake transients have to be reviewed by an expert can significantly reduce annotation time, speed up algorithmic training, and boost monitoring adaptability to unforeseen situations. In this work, we propose a Bayesian temporal convolutional neural network (B-TCN) to perform continuous detection and classification while extracting the most uncertain events from the continuous data stream. Formulated as an active learning (AL) procedure, our B-TCN outputs an uncertainty map over time, highlighting the class memberships that are needed to be reviewed. We attain a significant improvement in monitoring metrics, with only a fraction of the initial dataset to achieve a recognition performance of 83% for four seismo-volcanic events.

El aprendizaje profundo ha impulsado el monitoreo sismo-volcánico hasta niveles de rendimiento sin precedentes. No obstante, el etiquetado de datos sísmicos sigue requiriendo un esfuerzo de anotación considerable, que a menudo se retrasa cuando el estado eruptivo modifica las condiciones de los datos. La segmentación selectiva de los transitorios sísmicos que deben ser revisados por un experto puede reducir significativamente el tiempo de anotación, acelerar el entrenamiento de los algoritmos y mejorar la adaptabilidad del monitoreo ante situaciones imprevistas. En este trabajo proponemos una red neuronal convolucional temporal bayesiana (B-TCN) capaz de realizar detección y clasificación continuas, al tiempo que extrae los eventos más inciertos de la señal sísmica continua. Formulado como un procedimiento de aprendizaje activo (AL), el modelo genera un mapa temporal de incertidumbre que identifica las clases que requieren revisión experta. Con solo una fracción del conjunto de datos inicial, se logra una mejora significativa en las métricas de monitoreo, alcanzando un rendimiento de reconocimiento del 83 % para cuatro tipos de eventos sismo-volcánicos.