基于 Transformer 编码器的火山地震自动分类：数据质量与模型可解释性分析
地球物理
2025-07-22 v2 机器学习
摘要
精确分类地震类型对于阐明火山地震与火山活动之间的关系至关重要。然而，传统方法依赖主观的人类判断，需耗费大量时间和精力。为此，我们开发了基于 transformer 编码器的深度学习模型，实现更客观、更高效的分类。模型在本坂山（Mount Asama）多样化的地震活动数据上进行测试，分别在火山构造地震（volcano tectonic）、低频地震（low-frequency earthquakes）和噪声（noise）三类事件上取得了高分的 F1 分数（分别为 0.930、0.931 和 0.980），优于基于卷积神经网络（CNN）的常规方法。为提升可解释性，我们分析了注意力权重可视化结果，发现模型关注的关键波形特征与人类专家的判断方式相似。然而，研究还发现训练数据中存在不一致之处，如标记为 B 类事件（B-type events）且包含横波（S-waves）的样本，会影响分类准确率和注意力权重分布。针对数据选择与增强的实验表明，数据质量与多样性的平衡至关重要。此外，距离岩浆喷口不超过 3 km 的观测站在提升模型性能和可解释性方面发挥了重要作用。这些发现凸显了基于 Transformer 的模型在自动化火山地震分类中的潜力，尤其在提高效率和可解释性方面。通过解决数据不平衡和主观标记等挑战，我们的方法为理解本坂山的地震活动提供了稳健的框架。此框架还为迁移学习至其他火山地区铺平了道路，为增强火山灾害评估和灾害减灾策略提供了新的机遇。
引用
@article{arxiv.2507.01260,
title = {Automated Classification of Volcanic Earthquakes Using Transformer Encoders: Insights into Data Quality and Model Interpretability},
author = {Y. Suzuki and Y. Yukutake and T. Ohminato and M. Yamasaki and Ahyi Kim},
journal= {arXiv preprint arXiv:2507.01260},
year = {2025}
}
备注
submitted to Seismological Research Letters