在数据稀缺的火山上,用于短期爆发预测的ergodic地震前体和转移学习

科学领域:

• 地质物理学 地质物理学
• 火山学 火山学是一门学科.
• 机器学习 机器学习

背景情况:

• 地震数据对于预测火山爆发至关重要.
• 来自单个火山的有限数据阻碍了准确预测模型的开发.
• 不常见的喷发限制了历史地震数据的可用性.

研究的目的:

• 开发一种转移机器学习方法,用于在多个火山中识别喷发前体.
• 通过利用来自不同火山位的数据来提高火山爆发预测的准确性.
• 针对单个火山的地震监测,解决数据稀缺问题.

主要方法:

• 利用转移机器学习来识别地震爆发前体.
• 训练模型的地震数据来自41次喷发的24个火山跨越73年.
• 测试了模型在预测未被观察到的火山喷发 (样本外) 的性能.

主要成果:

• 转移学习模型的准确性相当于对目标火山数据的直接训练.
• 该方法的表现优于基于地震振幅的基准标准.
• 证明地震前体表现出厄尔戈迪性,在不同火山中共享共同的模式.

结论:

• 转移机器学习有效地识别了共享的喷发前体,即使在有限的特定地点数据上也可以进行准确的预测.
• 拟议的方法提高了火山观测站的地震数据的实用性.
• 这种方法通过改进的火山爆发预测,为减轻火山风险提供了宝贵的工具.