Repositorio
Institucional

Basualto, Daniel

Volcano Seismic Event Recognition and OOD Detection using Multi-Representation Deep Learning: Insights from Nevados del Chillan

ELSEVIER

JOURNAL OF VOLCANOLOGY AND GEOTHERMAL RESEARCH

en

Deep learning models have significantly improved automatic volcano-seismic event classification but struggle with previously unseen signals due to their closed-set assumption, leading to confident misclassification of external events, as seismic sensors often capture non-volcanic movements. This study ad-dresses this limitation by integrating a simple and computationally lightweight K-Nearest Neighbors (KNN)-based Out-of-Distribution (OOD) detection mod-ule into a CNN classifier, dividing the classification problem in a trade-off between the classification of in-distribution volcanic events (ID) and the iden-tification of non-volcanic events (OOD). We explored an input representation that integrates waveforms and frequency spectrum alongside spectrograms using Class Activation Maps to evaluate their impact in learning. We found that combining waveforms with spectrograms improves ID performance as well as OOD sensitivity. Experimental results on a Nevados del Chilla<acute accent>n Vol-canic Complex database show that our approach reaches a mean accuracy of 93.5 % for non volcanic classes (correctly classified as OOD) maintaining 84.3 % for the classification of volcanic classes (ID) compared to 73.8 % with the only-spectrogram representation. These findings demonstrate that combining multi-domain feature representations with a lightweight KNN-based OOD module raises mean OOD accuracy from 73.8 % to 93.5 % while pre-serving an 84.3 % ID F1-score, thereby improving the reliability of automated volcano-seismic monitoring and provides evidence that the approach could be incorporated into deployable, multi-volcano systems after further validation on additional sites.Los modelos de aprendizaje profundo han mejorado significativamente la clasificación automática de eventos volcánicos-sísmicos, pero presentan dificultades con señales previamente desconocidas debido a su supuesto de conjunto cerrado, lo que lleva a una clasificación errónea de eventos externos, ya que los sensores sísmicos suelen capturar movimientos no volcánicos. Este estudio aborda esta limitación integrando un módulo de detección de eventos fuera de distribución (OOD) simple y computacionalmente ligero basado en K-vecinos más cercanos (KNN) en un clasificador CNN, dividiendo el problema de clasificación en una compensación entre la clasificación de eventos volcánicos dentro de la distribución (ID) y la identificación de eventos no volcánicos (OOD). Exploramos una representación de entrada que integra formas de onda y espectro de frecuencia junto con espectrogramas utilizando mapas de activación de clase para evaluar su impacto en el aprendizaje. Descubrimos que la combinación de formas de onda con espectrogramas mejora el rendimiento de ID, así como la sensibilidad a OOD. Los resultados experimentales en una base de datos del Complejo Volcánico Nevados del Chillán muestran que nuestro enfoque alcanza una precisión media del 93,5 % para las clases no volcánicas (clasificadas correctamente como OOD), manteniendo un 84,3 % para la clasificación de las clases volcánicas (ID) en comparación con el 73,8 % con la representación de espectrograma únicamente. Estos hallazgos demuestran que la combinación de representaciones de características multidominio con un módulo OOD ligero basado en KNN aumenta la precisión media de OOD del 73,8 % al 93,5 %, al tiempo que conserva una puntuación F1 ID del 84,3 %, mejorando así la fiabilidad del monitoreo vulcanosísmico automatizado y proporcionando evidencia de que el enfoque podría incorporarse a sistemas multivolcánicos desplegables después de una validación adicional en sitios adicionales.

artículo original

Volcano seismic classification

Signal encoding

Out-of-distribution detection

Uncertainty estimation

10.1016/j.jvolgeores.2025.108406

pdf

LONG-PERIOD EVENTS

AUTOMATIC CLASSIFICATION

FEATURES

NETWORK

LONG-PERIOD EVENTS

AUTOMATIC CLASSIFICATION

FEATURES

NETWORK

Vulcanología

Ciencias de la Computación

Geoquímica y Geofísica

versión publicada

hibrida

verde

24 embargo

24 embargo

WOS:001548922700001

Volcano Seismic Event Recognition and OOD Detection using Multi-Representation Deep Learning: Insights from Nevados del Chillan

artículo original

ELSEVIER

JOURNAL OF VOLCANOLOGY AND GEOTHERMAL RESEARCH

Geosciences, Multidisciplinary

en

0377-0273

Research Direction of UFRO

Research Direction of UFRO

pdf