Détection et classification des signaux sismo-volcaniques de la Soufrière de Guadeloupe par apprentissage supervisé - INSU - Institut national des sciences de l'Univers Accéder directement au contenu
Thèse Année : 2022

Detection and classification of seismo-volcanic signals at La Soufrière volcano by machine learning

Détection et classification des signaux sismo-volcaniques de la Soufrière de Guadeloupe par apprentissage supervisé

Alexis Falcin
  • Fonction : Auteur
  • PersonId : 1367581
  • IdRef : 276386566

Résumé

Seismic activity at La Soufrière volcano of Guadeloupe is composed of various transient signals, which are classified manually by the Observatoire Volcanologique et Sismologique de Guadeloupe (OVSG-IPGP) considering waveforms recorded at several stations. Three main classes readily distinguishable on seismic traces during the daily analytical protocol have been catalogued: Volcano-Tectonic events, Long-Period events and Nested events, each related to a distinct physical process. Automatic detection and classification of seismo-volcanic signals of La Soufrière was performed by using an architecture based on supervised learning, available at github.com/malfante/AAA. Seismic waveforms are transformed into a large set of features (34 features for each representation domain) computed from three representation domain of the signal (time, frequency, quefrency). The resulting vectors of features are then used for modeling. We are using the Random Forest Classifier algorithm from the scikit-learn library. At first, we trained the model with the dataset given by the OVSG consisting of 845 available labeled events (542 VT, 217 nested and 86 LP) recorded in the period 2013-2018. We obtained an average classification rate of 72%. We determined that the VT class includes a variety of signals covering the LP, Nested and VT classes. After reviewing in detail waveforms and spectral characteristics of the signals belonging to the 3 classes we decided to introduce 2 nex classes, Hybrid events and also a monochromatic class (so-called Tornillo) of LP signals, thus matching the full description of signals provided in Moretti et al. (2020). Then, using the new information, a new model was trained with 5 new classes. We obtained a much better classification average rate of 84%. The classification is excellent for Nested events (93% of recall and precision) and Tornillo events (93% of recall and precision). The classification of VT events (90% recall, 89% precision) and LP events (86% recall, 82% precision) were also very good. The most difficult class to recognize is the Hybrid class (64% recall, 69% precision). Hybrid events are often mixed with VT and LP events. This may be explained by the nature of this class and the physical process that includes both a fracturing and a resonating component with different modal frequencies. Moreover, by using a supervised machine learning model to distinguish the events from the background noise, we were able to detect three times more events as the observatory with an STA / LTA method. Machine learning is a powerful tool to handle large datasets. We were able to improve the classification, correct some misclassification and detect more events.
L'activité sismique du volcan de la Soufrière de Guadeloupe se compose de différents signaux transitoires qui sont classés manuellement par l'Observatoire Volcanologique et Sismologique de Guadeloupe (OVSG-IPGP) en visualisant les formes d'ondes enregistrées sur plusieurs stations. Trois principales classes d'événements facilement identifiables sur les traces sont considérés durant le protocole journalier de classification : les événements Volcano-Tectonique, les événements Longue-Période et les événements Emboîtés, chacune reliées à des processus physiques distincts. La détection et la classification automatique des signaux sismo-volcaniques de la Soufrière ont été réalisées en utilisant une méthode basée sur l'apprentissage supervisé, disponible sur github.com/\-malfante/AAA. Les formes d'ondes sismiques sont transformées en un jeu de descripteurs (34 pour chaque domaine de représentation) calculés à partir de trois domaines de représentation des signaux (temps, fréquence, quéfrence). Le vecteur descripteur obtenu est alors utilisé pour construire le modèle. Nous utilisons le Random Forest Classifier disponible dans la bibliothèque scikit-learn. Dans un premier temps, nous avons entraîné le modèle avec un jeu de données construit par l'OVSG se composant de 845 événements labélisés disponibles ( 542 VT, 217 Emboîtés et 86 LP) enregistrés sur la période 2013-2018. Nous avons obtenu un taux de classification moyen de 72%. Nous avons déterminé que la classe VT comprenait une variété de signaux recouvrant les classes VT, LP et Emboîtés. Après avoir manuellement revu en détails les formes d'ondes et les caractéristiques spectrales de ces signaux, nous avons introduit les classes d'événements Hybride et Longue-Période Monochromatique (également appelée Tornillo) correspondant à la description des signaux présenté par Moretti et al. (2020). Ensuite, en utilisant ces nouvelles informations, un nouveau modèle a été construit avec 5 classes et testé. Nous avons obtenu un bien meilleur taux de classification de 84%. La classification est excellente pour les événements Emboîtés (93% de recall et precision) et Tornillos ( 93% de recall et precision). La classification des VT (90% recall, 89% precision) et des LP (86% recall, 82% precision) sont également très bonnes. La classe la plus difficile à reconnaître est la classe Hybride (64% recall, 69% precision). Les séismes Hybrides sont souvent confondu avec les signaux LP et VT. Cela peut être expliqué par la nature m'me de cette classe et le processus physique qui inclut à la fois de la fracturation mais également une composante de résonnance avec diiférents mode de fréquence. De plus, en utilisant un modèle d'apprentissage supervisé pour distinguer les événements du bruit de fond, nous avons été capable de détecter trois fois plus d'événements que l'observatoire avec une mèthode de STA/LT. Le machine learning est un outil très puissant pour traiter de grands jeux de données . Nous avons été capable d'améliorer la catalogue, corriger quelques erreurs de cassification et détecter plus d'événements.
Fichier principal
Vignette du fichier
va_Falcin_Alexis.pdf (13.01 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-04520418 , version 1 (25-03-2024)

Identifiants

  • HAL Id : tel-04520418 , version 1

Citer

Alexis Falcin. Détection et classification des signaux sismo-volcaniques de la Soufrière de Guadeloupe par apprentissage supervisé. Volcanologie. Université Paris Cité, 2022. Français. ⟨NNT : 2022UNIP7318⟩. ⟨tel-04520418⟩
25 Consultations
10 Téléchargements

Partager

Gmail Facebook X LinkedIn More