Physically driven feature engineering for deep learning applications in seismo-volcanic signal analysis
Notice bibliographique
Résumé
Abstract The progressive growth of seismological databases has motivated the exploration of novel methodologies for common tasks such as detection and phase-picking, with a focus on maintaining reliability comparable to human performance. This goal consistently involves leveraging deep learning techniques, which emulate sensory processing in the human brain through numerical simulations. This study introduces a physically driven feature engineering approach that capitalizes on the inherent information within seismic data. While many contemporary studies train their models via robust raw datasets, practical alternatives tailored for smaller databases are often overlooked. Feature engineering in seismological contexts aims to develop deep learning models with tangible physical significance, specifically those that target event detection and phase-picking tasks across both local and regional seismic environments. Our approach leverages physically driven feature transformations for the joint detection and phase-picking task. This includes incorporating the energy signal envelope for effective seismic event classification, using amplitude spectra from signals filtered at predefined frequency bands, and calculating spatial features (such as wave incidence and azimuth) for accurate phase-picking. This integrated feature set optimizes model performance, especially when dealing with small volcanic seismology datasets. The proposed joint methodology is particularly pertinent in seismo-volcanic contexts, where accurate discrimination and characterization of seismic signals are pivotal for monitoring and risk assessment purposes. The incorporation of significant physical information from seismic signals into pattern recognition is crucial, as many feature engineering applications lack a contextual understanding of the data, which can lead to distortions, particularly within geophysical domains. Our results demonstrate human-level performance in these common tasks, harnessing the capabilities of statistical learning algorithms as a practical, resource-efficient solution for addressing these challenges on a large scale.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».