Izvorni znanstveni članak
https://doi.org/10.17794/rgn.2025.4.8
STROJNO UČENJE ZA POTPUNO AUTOMATIZIRANO OTKRIVANJE VULKANSKIH SEIZMIČKIH SIGNALA U STVARNIM SEIZMIČKIM ZAPISIMA NA VULKANU SINABUNG, SJEVERNA SUMATRA
Bagas Anwar Arif Nur
; Department of Physics, State University of Jakarta, Jakarta
*
Mohammad Hasib
; Research Center for Geological Disaster, National Research and Innovation Agency (BRIN), Bandung
Estu Kriswati
; Research Center for Geological Disaster, National Research and Innovation Agency (BRIN), Bandung
* Dopisni autor.
Sažetak
Kako bi ublažili štetu od vulkanskih katastrofa, stručnjaci provode temeljito praćenje uglavnom promatranjem vrsta vulkanskih potresa jer ti obrasci daju ključne uvide u kretanje magme. Klasifikacija tipova potresa tradicionalno se provodila ručno, proces koji je dugotrajan i subjektivan. Kako bi se riješio taj problem, nekoliko je studija razvilo modele strojnoga učenja za automatsku klasifikaciju tipova vulkanskih potresa. Međutim, prethodna istraživanja obično obučavaju i ocjenjuju modele strojnoga učenja na postojećim skupovima podataka. Iako ti modeli mogu klasificirati tipove vulkanskih potresa, oni zahtijevaju ručni odabir ulaznih signala potresa za klasifikaciju. Kako bi se popunila ta praznina, cilj je ove studije razviti model strojnoga učenja koji se integrira s algoritmom za otkrivanje događaja kako bi se omogućilo potpuno automatizirano otkrivanje u stvarnim seizmičkim snimkama na vulkanu Sinabung. Ova studija koristi se metodom kratkoročnoga prosjeka / dugoročnoga prosjeka (STA/LTA), koja izračunava omjer između dvaju vremenskih okvira za otkrivanje događaja. Dva modela strojnoga učenja, Multi-Layer Perceptron (MLP) temeljen na neuronskim mrežama i Random Forest (RF) temeljen na stablima odlučivanja, koriste se za klasifikaciju događaja otkrivenih metodom STA/LTA. Posljedično, ovaj pristup omogućuje potpuno automatizirani rad modela strojnoga učenja. U ovoj studiji prvo se otkrivaju događaji pomoću STA/LTA metode na dnevnoj bazi, nakon toga se svaki otkriveni događaj klasificira pomoću modela strojnoga učenja razvijenoga na temelju skupa podataka. RF i MLP uspješno predviđaju relativno nizak postotak razlike u odnosu na stvarni broj u katalogu potresa, s vrijednostima od VT 5,31 %, LF 46,62 % i EXs 30,95 %. Automatizirano otkrivanje i klasifikacija mogu poboljšati učinkovitost ublažavanja rizika povezanih s vulkanima utvrđivanjem potencijalnih anomalija unaprijed.
Ključne riječi
vulkanski potres; STA/LTA; strojno učenje; vulkan Sinabung
Hrčak ID:
334900
URI
Datum izdavanja:
27.8.2025.
Posjeta: 730 *