Les modèles d'apprentissage profond augmentent les décisions des analystes pour la discrimination des événements

Résumé Les réseaux de surveillance sismique à long terme sont bien placés pour tirer parti des avancées en apprentissage automatique en raison de l'abondance de données de formation étiquetées fournies par les catalogues d'événements. Nous explorons l'utilisation de réseaux de neurones convolutionnels et récurrents pour accomplir la discrimination des sources explosives et tectoniques à des distances locales. En utilisant un catalogue d'événements de 5 ans généré par les stations sismographiques de l'Université de l'Utah, nous formons des modèles pour produire des étiquettes d'événements automatisées à partir de spectrogrammes d'événements de 90 secondes provenant de capteurs à trois composants et à canal unique. Les deux architectures de réseau sont capables de reproduire les étiquettes des analystes à plus de 98 %. Dans la plupart des cas, l'erreur du modèle résulte d'une erreur d'étiquetage (70 % des cas). En tenant compte des événements mal étiquetés (~1 % du catalogue), la précision du modèle pour les deux modèles augmente à plus de 99 %. La précision de classification reste au-dessus de 98 % pour les événements tectoniques peu profonds, indiquant que les caractéristiques spectrales contrôlées par la profondeur de l'événement ne jouent pas un rôle dominant dans la discrimination des événements.