Investigating 10 Yr of Volcanoacoustic Activity at Tungurahua Volcano, Ecuador, Aided by Machine Learning
Notice bibliographique
Résumé
Abstract Here, we present the results of applying diverse data processing and machine learning tools to investigate a very large dataset obtained from single station infrasonic recordings from the last 10 yr of the most recent period of explosive activity at Tungurahua volcano, Ecuador. To increase the quality and quantity of information extracted from the large data set and enhance pattern recognition, we combined traditional techniques with more recent ones. We divided the investigation into sequential steps: detection, discrimination, cleaning, and clustering. For the detection step, we tested the classical short-term average/long-term average algorithm and an algorithm specific for explosions detection called “Volcanic INfrasound Explosions Detector Algorithm (VINEDA)” and detected 118,516 events. To clean the detected signals from potential false positives, we used supervised classification that reduced the events to 75,483, and a catalog cleaning procedure using shallow learners including support vector machines, random forests, and a single layer neural network, trained using data from a manual catalog, to a final number of 36,359 events. This led to a sixfold increase in detected explosions compared to the manual catalog. Then, we applied hierarchical clustering to a well-studied time window of activity using two independent difference metrics: dynamic time warping and waveform cross correlation and showed the insights and drawbacks from this approach. We showed that the different techniques were able to reveal repeating and striving events between selected different eruptive phases and associated them to possible changes in eruptive dynamics. Finally, to analyze the whole dataset at once we used a convolutional autoencoder network and obtained similar results to the classical clustering in a fraction of the time. We identified different families of explosions that appeared, sometimes intermittently, and revealed various potentially competing eruptive processes during the whole time period.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».