Uso de Autoencoders como técnica de caracterização e auxílio na classificação de sismos vulcânicos

Abstract

O monitoramento vulcânico é importante na mitigação e prevenção de riscos de erupções, sendo necessária a identificação das fontes internas que geram esse tipo de eventos, bem como a compreensão da dinâmica interna dos vulcões. A sismologia desempenha um papel fundamental no monitoramento vulcânico, mediante a análise de registros dos sinais de sismos gerados nos vulcões. Entretanto, as bases de dados dos observatórios vulcânicos, frequentemente apresentam um desbalanceamento na distribuição dos tipos de sinais sísmicos, devido à prevalência de certos tipos de atividades vulcânicas. Além disso, a alta dimensionalidade de cada evento sísmico torna dispendiosa a análise automática e a classificação destes sinais. Este trabalho de pesquisa aborda desafios como o desbalanceamento de classes e a alta dimensionalidade dos dados sísmicos. Propõe-se o usa de um Autoencoder Dual de características (DAF) para caracterização dos sinais, visando obter representações compactas dos sinais para garantir maior definição das classes. O objetivo é contribuir na classificação dos sinais por meio de um modelo de rede neural Multi Layer Perceptron (MLP). A técnica de caracterização proposta, DAF, é comparada com métodos convencionais como são LPC (Linear Predictive Coding), LFCC (Lineal Frequency Cepstral Coefficient) e PCA (Principal Component Analysis), com base em uma base de dados de sinais de sismos vulcânicos do vulcão Galeras. Adicionalmente, foram realizados restes com dados externos do vulcão Etna e vulcão Volcano para avaliar a técnica de caracterização e o modelo de classificação proposto.

Volcanic monitoring is important in mitigating and preventing the risk of eruptions, and it is necessary to identify the internal sources that generate this type of event, as well as to understand the internal dynamics of volcanoes. Seismology plays a fundamental role in volcanic monitoring by analyzing the records of earthquake signals generated by volcanoes. However, volcanic observatory databases often show an imbalance in the distribution of seismic signal types, due to the prevalence of certain types of volcanic activity. In addition, the high dimensionality of each seismic event makes it expensive to automatically analyze and classify these signals. This research work addresses challenges such as class imbalance and the high dimensionality of seismic data. It proposes the use of a Dual Feature Autoencoder (DAF) to characterize the signals, with the aim of obtaining compact representations of the signals to ensure greater class definition. The aim is to help classify signals using a Multi Layer Perceptron (MLP), neural network model. The proposed characterization technique, DAF, is compared with conventional methods such as LPC, LFCC and PCA, based on a database of volcanic earthquake signals from the Galeras volcano. In addition, an external validation was carried out with data from the Etna volcano and Volcano to evaluate the characterization technique and the proposed classification model.