El sistema se apagará debido a tareas habituales de mantenimiento. Por favor, guarde su trabajo y desconéctese.
Forecasting volcanic eruptions based on massive seismic data processing. Application to Peruvian volcanoes
Abstract
This dissertation investigates the potential improvement of volcanic eruption understanding
and forecasting methods by using advanced data processing techniques to analyze large datasets
at three target volcanoes (Piton de la Fournaise (PdlF) (France), Sabancaya, and Ubinas (Peru)).
The central objective of this study is to search for possible empirical relationships between the
pre-eruptive behavior of the accelerated increase in seismic activity using the Failure Forecast
Method (FFM) and velocity variations measured by Coda Wave Interferometry (CWI), since both
observations are reported to be independently associated with medium damage. The FFM is a deterministic
method used to forecast volcanic eruptions using an empirical relationship of increased
and accelerated evolution of an observable (e.g., volcano-seismic event rates). The event rates
used with FFM in this study were generated using two Deep Learning (DL) based models. The
detection model (VSDdeep) is based on EQTransformer and the classification model (VSCdeep)
consists of a simple convolutional neural network that uses the short-time Fourier transform of
the detected signals as input data. VSDdeep, trained on ∼16.3 k volcano-seismic events, outperforms
previous DL-based models, achieving an accuracy of 97.68%. The VSCdeep model was
trained on two datasets, one for effusive volcano (7 classes) and a second for explosive volcanoes
(10 classes), and achieved accuracies of 96.55% and 90.5%, respectively. The combination of the
two DL-based models detects and classifies 1.5 times more volcano-tectonic (VT) events than the
catalog provided by the local observatories.
A Bayesian approach of FFM was applied to study the 27 eruptions recorded between 2014-
2021 at PdlF volcano. The analysis shows that 23 (85.2%) of the precursory sequences are suitable
for retrospective application of the FFM. Eight eruptions fulfilled the reliability criteria. Only
seven eruptions (25.93%) were successfully predicted in the real-time scenario, but when the reliability
criteria are met, the successful prediction rate increases to 87.5%. For Sabancaya volcano,
the FFM cannot be applied because the explosions are not preceded by significant increases in
seismicity. In the case of Ubinas volcano, LP event rates were used, with a successful forecasting
rate of 4.55% with real-time criteria of the 330 explosions analyzed, showing a low forecasting
rate for these two Peruvian volcanoes.
We report long-term (over 22 years) apparent velocity variations (AVV) that appear to be related
to the frequency of occurrence of magmatic intrusions. However, the simple dike-intrusion
model tested in this study does not explain this long-term pattern. The short-term pre-eruptive velocity variations generally show two phases: A first phase corresponding to a slight velocity decrease
∼5 days before the eruption, and a second phase of sudden velocity decrease one day before
the eruption. The precursory behavior of AVV indicates that 12 eruptions (44.4%) were preceded
by AVV ≥ 0.15% observed at least one day before the eruption. Two models were tested to explain
the pre-eruptive velocity variations. One is based on the cumulative rock damage associated
with VT activity. The other one takes the effect of the dike intrusions into account. However, in
both cases, the comparison of the observed and modeled AVV amplitudes shows low regression
coefficients. This indicates that the generation of velocity variations is complex and that these
simple models alone cannot explain the observations.
The statistical analysis of accelerated VT event rates and AVV precursors at PdlF volcano
indicates that 37% of the eruptions were preceded by both precursors, 48.2% by one of the two
precursors, and 14.8% were not preceded by either. These findings suggest that both precursors,
accelerated VT event rates and AVV, can serve as potential tools for early detection of volcanic
unrest at this volcano. Cette thèse étudie l’amélioration potentielle de la compréhension et des méthodes de prévision
des éruptions volcaniques en utilisant des techniques avancées de traitement des données
sismiques pour analyser de grands ensembles de données sur trois volcans cibles (Piton de la
Fournaise (PdlF) (France), Sabancaya et Ubinas (Pérou)). L’objectif central de cette étude est de
rechercher des relations empiriques possibles entre le comportement pré-éruptif de l’augmentation
accélérée de l’activité sismique en utilisant la méthode de prévision de la rupture (FFM) et les variations
de vitesse sismique mesurées par l’interférométrie d’ondes de coda. Les deux observations
sont signalées comme étant indépendamment associées à des dommages moyens. La FFM est
une méthode déterministe utilisée pour prévoir les éruptions volcaniques en utilisant une relation
empirique de l’augmentation et de l’évolution accélérée d’un observable (par exemple, les taux
d’événements volcanosismiques). Les taux d’événements utilisés avec la FFM dans cette étude
ont été générés à l’aide de deux modèles basés sur l’apprentissage profond (DL). Le modèle de détection
(VSDdeep) est basé sur EQTransformer et le modèle de classification (VSCdeep) consiste
en un simple réseau de neurones convolutionnel qui utilise la transformée de Fourier à court terme
des signaux. VSDdeep, entraîné sur ∼16,3 k événements volcanosismiques, surpasse les modèles
précédents basés sur le DL, atteignant une précision de 97,68%. Le modèle VSCdeep a été
entraîné sur deux ensembles de données, l’un pour les volcans effusifs (7 classes) et l’autre pour
les volcans explosifs (10 classes), et a atteint des précisions de 96,55% et 90,5%, respectivement.
La combinaison des deux modèles basés sur le DL détecte et classe 1,5 fois plus d’événements
volcano-tectonique (VT) que le catalogue fourni par les observatoires locaux.
Une approche bayésienne de la FFM a été appliquée pour étudier les 27 éruptions enregistrées
entre 2014 et 2021 au volcan PdlF. L’analyse montre que 23 (85,2%) des séquences précurseurs
sont adaptées à l’application rétrospective de la FFM. Huit éruptions ont satisfait aux critères de fiabilité.
Seules sept éruptions (25,93%) ont été prédites avec succès dans le scénario en temps réel,
mais lorsque les critères de fiabilité sont remplis, le taux de réussite de la prédiction augmente à
87,5%. Pour le volcan Sabancaya, la FFM ne peut pas être appliquée car les explosions ne sont pas
précédées d’augmentations significatives de la sismicité. Dans le cas du volcan Ubinas, les taux
d’événements de longue-période ont été utilisés, avec un taux de prévision réussi de 4,55% avec
des critères en temps réel pour les 330 explosions analysées, montrant un faible taux de prévision
pour ces deux volcans péruviens. Nous rapportons des variations de vitesse apparentes (AVV) à long terme (plus de 22 ans)
qui semblent être liées à la fréquence des intrusions magmatiques. Cependant, le modèle simple
d’intrusion de dyke testé dans cette étude n’explique pas ce schéma à long terme. Les variations
de vitesse pré-éruptives à court terme montrent généralement deux phases: Une première phase
correspondant à une légère diminution de la vitesse ∼5 jours avant l’éruption, et une deuxième
phase de diminution soudaine de la vitesse un jour avant l’éruption. Le comportement précurseur
des AVV indique que 12 éruptions (44,4%) ont été précédées par des AVV ≥0,15% observées
au moins un jour avant l’éruption. Deux modèles ont été testés pour expliquer les variations de
vitesse pré-éruptives. L’un est basé sur l’endommagement cumulé des roches, associé à l’activité
des séismes VT. L’autre prend en compte l’effet des intrusions de dykes. Cependant, dans les deux
cas, la comparaison des amplitudes AVV observées et modélisées montre de faibles coefficients
de régression. Cela indique que la génération de variations de vitesse est complexe et que ces
modèles simples ne peuvent pas expliquer seuls les observations.
L’analyse statistique des taux d’événements VT accélérés et des précurseurs AVV au volcan
PdlF indique que 37% des éruptions ont été précédées par les deux précurseurs, 48,2% par l’un
des deux précurseurs, et 14,8% n’ont été précédées par aucun. Ces résultats suggèrent que les
deux précurseurs, les taux d’événements VT accélérés et les AVV, peuvent servir d’outils potentiels
pour la détection précoce des éruptions volcaniques sur ce volcan. Esta tesis investiga la posible mejora en la comprensión de las erupciones volcánicas y en los
métodos de pronóstico de erupciones a través del uso de técnicas avanzadas de procesamiento de
datos sísmicos para el análisis de grandes volúmenes de datos de tres volcanes objetivo (Piton de
la Fournaise (PdlF) (Francia), Sabancaya y Ubinas (Perú)). El objetivo central de este estudio
es buscar posibles relaciones empíricas entre el patrón pre-eruptivo del incremento acelerado de
la actividad sísmica utilizando el método de pronóstico del fallo de material (FFM) y cambios
de velocidad sísmica medidos por la técnica de interferometría sísmica de ondas de coda (CWI).
Ambas observaciones se reportan de forma independiente como asociadas a procesos de daño del
medio. El FFM es un método determinístico empleado para pronosticar el inicio de las erupciones
volcánicas, basándose en una relación empírica entre la tasa de cambio y aceleración de un observable
(por ejemplo, tasas de eventos sismo-volcánicos). Las tasas de eventos utilizadas por
FFM en este estudio se generaron utilizando dos modelos automáticos basados en Deep Learning
(DL). El modelo de detección (VSDdeep) está basado en EQTransformer y el modelo de clasificación
(VSCdeep) consiste en una red neuronal convolucional simple que utiliza la transformada
de Fourier de corto tiempo de las señales detectadas. VSDdeep, entrenado en ∼16.3 k eventos
sismo-volcánicos, supera a los modelos anteriores basados en DL, alcanzando una exactitud del
97.68%. El modelo VSCdeep fue entrenado en dos conjuntos de datos: uno para el volcán PdlF
(con 7 clases) y otro para volcanes explosivos (con 10 clases), alcanzando exactitudes del 96.55%
y 90.5%, respectivamente. La combinación de estos dos modelos permite detectar y clasificar 1.5
veces más eventos volcano-tectónicos (VT) que los catálogos proporcionados por los observatorios
locales.
Se aplicó el enfoque bayesiano del FFM para estudiar las 27 erupciones registradas entre 2014
y 2021 en el volcán PdlF. El análisis muestra que 23 (85.2%) de las secuencias precursoras son
adecuadas para la aplicación retrospectiva del FFM. Ocho erupciones cumplieron los criterios de
fiabilidad. Sólo siete erupciones (25.93%) se pronosticaron con éxito en un escenario en tiempo
real, pero cuando se cumplen los criterios de fiabilidad, la tasa de pronóstico éxito aumenta a
87.5%. En el caso del volcán Sabancaya, el FFM no puede aplicarse, ya que las explosiones no
son precedidas por incrementos significativos de actividad sísmica. Para el volcán Ubinas, se utilizó
el incremento de la tasa de eventos LP para analizar 330 explosiones, alcanzando una tasa de pronóstico exitoso del 4.55% con los criterios de tiempo real, lo que refleja una baja efectividad
de pronóstico del FFM para estos dos volcanes peruano.
Las variaciones de velocidad sísmica durante los periodos pre-eruptivos se estimaron utilizando
CWI. Reportamos variaciones de velocidad aparente (AVV) de largo plazo (más de 22
años) que parecen estar relacionadas con la frecuencia de ocurrencia de intrusiones magmáticas.
Sin embargo, el modelo de intrusión de dique probados en este estudio no explica este patrón a
largo plazo. Las variaciones de velocidad pre-eruptivas a corto plazo muestran generalmente dos
fases: Una primera fase correspondiente a una ligera disminución de la velocidad ∼5 días antes
de la erupción, y una segunda fase de disminución repentina de la velocidad un día antes de la
erupción. El comportamiento precursor de los AVV indica que 12 erupciones (44.4%) fueron precedidas
por AVV ≥ 0.15% observadas al menos un día antes de la erupción. Se probaron dos
modelos para explicar las variaciones de velocidad pre-eruptivas a corto plazo. Uno basado en el
daño acumulado en la roca asociado a la actividad VT. El segundo tiene en cuenta el efecto de las
intrusiones de diques. Sin embargo, en ambos casos, la comparación de las amplitudes observadas
y modeladas de los AVV muestra coeficientes de regresión bajos. Esto sugiere que las fuentes de
generación de los cambios de velocidad sísmica son complejas y que estos modelos simples no
pueden explicar por sí solos estas observaciones.
El análisis estadístico de la tasa acelerada de eventos VT y los AVV pre-eruptivos en el volcán
PdlF indica que el 37.0% de las erupciones fueron precedidas por ambos precursores, el 48.2%
por uno de los dos precursores, y el 14.8% no fueron precedidas por ninguno. Estos resultados
sugieren que ambos precursores, las tasas aceleradas de eventos VT y AVV, pueden servir como
herramientas potenciales para la detección temprana de disturbios volcánicos en este volcán.
Temas
Volcanes--Perú
Erupciones volcánicas--Pronóstico
Sismología--Procesamiento de datos
Aprendizaje profundo (Aprendizaje automático)
Erupciones volcánicas--Pronóstico
Sismología--Procesamiento de datos
Aprendizaje profundo (Aprendizaje automático)
Para optar el título de
Doctor en Ingeniería
Collections
The following license files are associated with this item: