Detection and classification of continuous volcano-seismic signals with recurrent neural networks

Abstract

This paper introduces recurrent neural networks (RNN), long short-term memory (LSTM), and gated recurrent unit (GRU) to detect and classify continuous sequences of volcano-seismic events at the Deception Island Volcano, Antarctica. A representative data set containing volcano-tectonic earthquakes, long-period events, volcanic tremors, and hybrid events was used to train these models. Experimental results show that RNN, LSTM, and GRU can exploit temporal and frequency information from continuous seismic data, attaining close to 90%, 94%, and 92% events correctly detected and classified. A second experiment is presented in this paper. The architectures described above, trained with data from campaigns of seismic records obtained in 1995-2002, have been tested with data from the recent seismic survey performed at the Deception Island Volcano in 2016-2017 by the Spanish Antarctic scientific campaign. Despite the variations in the geophysical properties of the seismic events within the volcano across eruptive periods, results provide good generalization accuracy. This result expands the possibilities of RNNs for real-time monitoring of volcanic activity, even if seismic sources change over time.

Este artículo presenta redes neuronales recurrentes (RNN), memoria a largo y corto plazo (LSTM) y unidades recurrentes con compuertas (GRU) para detectar y clasificar secuencias continuas de eventos sismovolcánicos en el volcán Isla Decepción, Antártida. Se utilizó un conjunto de datos representativo que incluye terremotos volcano-tectónicos, eventos de período largo, tremores volcánicos y eventos híbridos para entrenar estos modelos. Los resultados experimentales muestran que RNN, LSTM y GRU pueden aprovechar la información temporal y de frecuencia de los datos sísmicos continuos, logrando aproximadamente un 90%, 94% y 92% de eventos detectados y clasificados correctamente.

Un segundo experimento se presenta en este artículo. Las arquitecturas descritas, entrenadas con datos de campañas de registros sísmicos obtenidos entre 1995-2002, se han probado con datos de la reciente campaña sísmica realizada en el volcán Isla Decepción durante 2016-2017 por la campaña científica antártica española. A pesar de las variaciones en las propiedades geofísicas de los eventos sísmicos dentro del volcán a lo largo de los períodos eruptivos, los resultados muestran una buena precisión de generalización. Este resultado amplía las posibilidades de las RNN para el monitoreo en tiempo real de la actividad volcánica, incluso si las fuentes sísmicas cambian con el tiempo.