Classification of isolated volcano-seismic events based on inductive transfer learning

Abstract

Domain-specific problems where data collection is an expensive task are often represented by scarce or incomplete data. From a machine learning perspective, this type of problems has been addressed using models trained in different specific domains as the starting point for the final objective-model. The transfer of knowledge between domains, known as transfer learning (TL), helps to speed up training and improve the performance of the models in problems with limited amounts of data. In this letter, we introduce a TL approach to classify isolated volcano-seismic signals at “Volcán de Fuego”, Colima (Mexico). Using the well-known convolutional architecture (LeNet) as a feature extractor and a representative data set containing regional earthquakes, volcano-tectonic earthquakes, long-period events, volcanic tremors, explosions, and collapses, our proposal compares the generalization capabilities of the models when we only fine-tune the upper layers and fine-tune overall of them. Compared with the other state-of-the-art techniques, classification systems based on TL approaches provide good generalization capabilities (attaining nearly 94% of events correctly classified) and decreasing computational time resources

Los problemas específicos de dominio en los que la recolección de datos es una tarea costosa suelen estar representados por datos escasos o incompletos. Desde una perspectiva de aprendizaje automático, este tipo de problemas se ha abordado utilizando modelos entrenados en diferentes dominios específicos como punto de partida para el modelo final del objetivo. La transferencia de conocimiento entre dominios, conocida como aprendizaje por transferencia (Transfer Learning, TL), ayuda a acelerar el entrenamiento y mejorar el rendimiento de los modelos en problemas con cantidades limitadas de datos.

En esta carta, presentamos un enfoque de TL para clasificar señales sísmicas volcánicas aisladas en el "Volcán de Fuego", Colima (México). Utilizando la conocida arquitectura convolucional (LeNet) como extractor de características y un conjunto de datos representativo que incluye terremotos regionales, terremotos volcano-tectónicos, eventos de período largo, tremores volcánicos, explosiones y colapsos, nuestra propuesta compara las capacidades de generalización de los modelos al ajustar únicamente las capas superiores y al ajustar todas las capas.

En comparación con otras técnicas de última generación, los sistemas de clasificación basados en enfoques de TL ofrecen buenas capacidades de generalización (alcanzando casi un 94% de eventos correctamente clasificados) y reducen los recursos de tiempo computacional.