《Journal of Volcanology and Geothermal Research》：Real time volcanic microseisms recognition using auto-regressive modeling and machine learning
编辑推荐：
火山微地震实时监测系统研究，提出基于自回归（AR）模型特征提取和双层神经网络分类的联合方法，通过优化AR系数计算与包络检测实现低延迟实时处理，有效区分长周期（LP）和火山构造（VT）地震事件，检测准确率达99%，分类准确率96.8%。
Rodolfo Gordillo-Orquera|Román Lara-Cueva|Raul Haro-Báez
智能系统研究小组（WiCOM-Energy）和Ad Hoc网络研究中心（CIRAD），隶属于厄瓜多尔皮钦查省Sangolquí市的武装部队大学（ESPE）电气、电子与电信系，邮编171103
摘要
火山监测系统依赖于对地震活动的持续观测，以表征活跃火山结构的行为。然而，从微地震信号中提取可靠且具有代表性的特征仍然是一个重大挑战，特别是在将其应用于实时火山监测系统时。在这方面，本研究提出了一种基于自回归（AR）模型的简单而有效的方法，其中AR系数被用作浅层双层神经网络分类器的输入。为了实现实时事件识别，我们进一步提出将检测和分类阶段整合到一个同步的处理流程中，以最小化延迟。该框架几乎可以实时运行，并能够检测和分类两种主要类型的火山微地震：长周期（LP）事件和火山构造（VT）事件。实验结果表明，所提出的方法在实时条件下能够可靠地识别火山微地震，检测准确率为99%，分类准确率为96.8%。
引言
早期预警系统在减轻自然灾害的影响方面发挥着关键作用，使当局和社区能够及时做出决策。在这些灾害中，火山喷发是对附近人口造成毁灭性影响的最具破坏性的威胁之一；因此，火山早期预警系统被认为有助于实施减灾策略（Potter等人，2018年；Lara等人，2022年）。
厄瓜多尔位于环太平洋火山带，拥有大量的活火山。其中，科托帕希火山尤为突出。在该国，国家理工学院（IGEPN）的地球物理研究所（IGEPN）持续监测地震和火山活动（Hall和Mothes，2008年）。IGEPN部署了一个地震仪网络，覆盖了全国70%以上的活火山。其主要任务之一是根据微地震的识别（检测+分类）向国家风险秘书处提供警报级别变化的建议。为此，IGEPN采用了短期平均/长期平均（STA/LTA）方法来检测这些事件，准确率约为90%（Potter等人，2018年）。然而，专家们通过视觉分析来对这些微地震进行分类，这是一个劳动密集型且主观的过程。
随着数字信号处理、机器学习（ML）和深度学习（DL）技术的结合，微地震自动识别系统取得了显著进展。在检测阶段，基于语音活动检测（VAD）的方法已被改进，用于通过区分瞬态信号和背景噪声来有效识别微地震，从而优化了准实时监测的计算效率（R.A. Lara-Cueva等人，2016年；Lara等人，2020年）。这些传统上用于语音识别的方法在地震信号处理中显示出潜力，减少了误报并提高了事件检测的准确性（Rosero等人，2023年）。此外，传统的ML方法，如支持向量机（SVM）和决策树（DT）（Ruano等人，2014年；R. Lara-Cueva等人，2016年），也被广泛用于提高检测准确性。
利用从微地震中提取的统计和频谱特征，这些技术增强了检测阶段，使得微地震的识别更加可靠。同时，在分类方面，已经开发出多种方法，结合了时间、频率和尺度域的特征提取技术，例如决策树（DT）、K-最近邻（KNN）、SVM和神经网络（NN），这些方法取得了可比的结果（Lara等人，2024年）。此外，将进化算法与人工神经网络（ANN）结合的方法进一步提高了分类性能。最近，卷积神经网络（CNN）被用于从频谱图中自动提取区分性特征（Jiang等人，2023年；Lara等人，2025年），而循环神经网络（RNN）被用于捕捉微地震数据中的时间动态（Birnie和Hansteen，2022年）。其他方法，包括堆叠自编码器和深度神经网络（DNN）（Zheng等人，2020年；Lara-Cueva等人，2024年），也有助于提高识别性能。总体而言，这些发展强调了ML和DL技术在提高地震事件检测的准确性和效率方面的巨大潜力，同时也实现了火山的实时监测和分析，这对于灾害准备和响应至关重要。
高性能微地震识别系统的发展目前受到两个主要挑战的制约：（i）与离线处理相关的延迟，这限制了其在实时监测中的应用；（ii）选择能够确保可靠事件检测的最佳分析时间窗口长度的难度。这些问题在火山学监测中尤为关键，因为及时准确地识别微地震事件对于表征火山动态和提高早期预警系统的有效性至关重要。
智能地震检测器的实时实现需要集成先进的信号处理算法和机器学习（ML）技术，以增强微地震信号的检测和分类能力。包括我们研究小组进行的许多先前调查在内的多项研究都报告了出色的检测和分类任务性能指标。然而，这两个问题通常被视为独立的目标，而不是在一个统一的、共同优化的框架内解决。本文的目的是提出一个近乎实时的微地震识别系统，能够同时检测和分类两种类型的地震信号：长周期（LP）事件和火山构造（VT）事件。LP事件是低频信号，通常与火山内部的岩浆运动有关（Chouet，1996年），而VT事件与岩浆压力引起的岩石破裂有关（White和McCausland，2016年）。识别和分类这些事件在火山监测中非常重要，因为它们发生的突然变化可能是岩浆上升和潜在喷发的迹象（McNutt和Roman，2015年）。
我们的策略提出将实时检测和分类整合到一个同步的处理流程中，以最小化延迟。为此，我们开发了：（1）一种结合自回归（AR）模型识别、改进的包络检测程序和简单双层神经网络分类器的新方法；（2）从AR模型系数派生的新的简化特征集；（3）一个实时仿真框架，通过真实世界信号进行验证，可以触发和同步所有处理阶段，并可由最终用户复制。这些贡献共同提高了计算资源的使用效率，以实现实时应用。
本文的其余部分结构如下。第2节概述了实时微地震识别的方法，涵盖了与AR建模、最小二乘算法、信号检测和我们的系统实现相关的关键概念。第3节详细介绍了实验结果，包括性能结果和识别过程的各个阶段。最后，第4节讨论了这项工作的主要发现和结论。
方法片段
提出的方法
为了实现实时处理，必须实现递归算法并保持与输入信号的直接连接。AR建模以及在线参数估计对于实时特征提取和随后的微地震事件分类是必要的。在此框架下，所提出方法的主要步骤总结如下：
- 1.
提供本研究中使用的数据库的详细特征描述，并进行系统的特征选择
结果与讨论
在本节中，我们展示了将所提出的方法应用于科托帕希火山VC1和BREF站点采集的数据集所获得的结果。首先，我们检查了自回归（AR）模型阶数选择和离线特征提取程序的相关结果。然后，我们报告了实时识别实验的结果，并对系统的性能进行了定量和定性评估，与其他方法进行了比较
结论与未来工作
本研究成功开发并实现了一个完全自动化的实时识别系统，用于检测和分类科托帕希火山的微地震事件。该系统集成了自回归信号建模（AR）、改进的包络检测方案和模式识别神经网络（PRNN），以实现稳健的事件特征描述和区分。
所提出的架构支持连续且计算效率高的运行
CRediT作者贡献声明
Rodolfo Gordillo-Orquera：撰写——原始草稿、软件、方法论、概念化。Román Lara-Cueva：撰写——审阅与编辑、形式分析、概念化。Raul Haro-Báez：撰写——审阅与编辑、监督。
资助
本研究未获得公共、商业或非营利部门的任何特定资助。
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。
致谢
作者衷心感谢武装部队大学（ESPE）电气、电子与电信系的研究与开发（R&D）实验室提供的基础设施、计算资源和技术支持，该研究得到了研究资助2013-PIT-014和2016-EXT-038的财政支持。
