利用机器学习在噪声环境中辨识喷发：以新墨西哥州 Chimayo 的 CO2 驱动冷泉间歇泉为例

我们提出了一种基于机器学习（ML）的方法，用于在噪声环境下区分 Chimayó 间歇泉（美国新墨西哥州）的喷发与前兆信号。该间歇泉可视为 $\mathrm{CO}_2$ 侵入浅层含水层的自然类比。通过研究该间歇泉，我们可以理解来自深度的富 $\mathrm{CO}_2$ 流体的上涌，这与 $\mathrm{CO}_2$ 封存项目的泄漏监测相关。诸如随机森林（RF）等 ML 方法已知是鲁棒的多类分类器，并在不利的噪声条件下表现良好。然而，对于这一 $\mathrm{CO}_2$ 驱动间歇泉应用，RF 方法的准确程度尚不清楚。本研究旨在量化 RF 分类器辨识间歇泉状态的性能。为此，我们首先展示安装在 Chimayó 间歇泉附近地震仪收集的数据。该站点收集的地震信号包含各类噪声，如每日温度变化、季节趋势、间歇泉附近动物活动以及人类活动。首先，我们通过以多级方式结合 Butterworth 高通滤波器与自回归方法来滤除这些噪声。我们表明，以层次化方式结合这些滤波技术，可在不移除前兆和喷发事件信号的情况下降低地震数据中的噪声。随后，我们在滤波后的数据上使用 RF 将间歇泉状态分类为三类——残余噪声、前兆和喷发状态。我们显示，使用 RF 对滤波后数据的分类准确率大于 90%。这些特性使得所提出的 ML 框架在噪声条件下进行事件判别与信号增强方面具有吸引力，并具有很强的应用于 $\mathrm{CO}_2$ 封存泄漏监测的潜力。