基于多台站地震图与语义分割模型的实时火山地震事件识别框架
计算机视觉与模式识别
2025-11-18 v4 机器学习
信号处理
摘要
在火山监测中，有效识别地震事件对于了解火山活动和及时发布预警至关重要。传统方法依赖人工分析，这不仅主观且耗时。此外，当前的自动方法通常将检测与分类分开处理，大多依赖单台站信息，并且通常需要定制的预处理和表征来进行预测。这些局限性往往阻碍了它们在实时监测及不同火山状况下的应用。本研究引入了一种新方法，利用语义分割模型实现地震事件识别的自动化，该方法通过将多通道一维信号直接转换为二维表征，使其能够作为图像使用。我们的框架采用数据驱动、端到端的设计，以最少的预处理集成多台站地震数据，同时对五类地震事件进行检测与分类。我们在四个不同智利火山（内瓦多斯-德奇利安火山复合体、拉古纳-德尔莫莱、比亚里卡和普耶韦-科登考莱）记录的约 25,000 个地震事件上评估了四种 SOTA 分割模型（UNet、UNet++、DeepLabV3+ 和 SwinUNet）。在这些模型中，UNet 架构被确定为最有效的模型，其平均 F1 和交并比（IoU）分数分别高达 0.91 和 0.88，并展现出对未见火山数据集卓越的噪声鲁棒性与模型灵活性。
引用
@article{arxiv.2410.20595,
title = {A Framework for Real-Time Volcano-Seismic Event Recognition Based on Multi-Station Seismograms and Semantic Segmentation Models},
author = {Camilo Espinosa-Curilem and Millaray Curilem and Daniel Basualto},
journal= {arXiv preprint arXiv:2410.20595},
year = {2025}
}
备注
10 pages, 9 figures. This is a pre-print, it is currently under review for publication