Volcanic activity detection and forecasting using a diffusion based model

Ishtiaq, Syed Faisal

doi:10.1016/j.acags.2026.100385

Volcanic activity detection and forecasting using a diffusion based model

2026-08-01

0

PRE

AI

I

Ishtiaq, Syed Faisal *

DOI：10.1016/j.acags.2026.100385

原文链接

原文求助

摘要

En 中文

近期机器学习方法实现了火山事件的自动化检测，但许多方法在跨事件类型推广时存在困难，且通常需要大量标注的、针对特定喷发的训练数据。我们提出了一种基于去噪扩散概率模型（DDPM）的无监督扩散方法，将检测问题表述为异常识别：火山事件是连续地震数据学习到的正常行为之外的偏差，这些行为由来自环境地震场的特征性颤动信号表示。该方法应用正向扩散向观测地震信号注入噪声，并通过反向去噪重建干净信号。在重建过程中，异常成分被模型学习到的正常地震行为表示有效替代。我们通过重建信号与原始信号之间的残差计算异常分数，以突出异常/喷发活动。利用DDPM的生成能力，该模型能够捕捉环境地震场及其特征函数的复杂变异性。在真实火山数据集上的评估显示，该方法能有效检测异常事件，性能达到当前最优水平。在基准多变量异常数据集上的额外测试也超越了先前方法。在标准48小时预测协议下，无标签模型在蒸汽爆炸系统中的AUC可达0.87，与不使用喷发标签的监督学习当前最优预测器相当。这些发现表明，基于扩散的模型为自动化火山监测提供了稳健框架，能够提供在时间和输入通道上局部化的异常证据，并展现出短期预测能力。

Keyword:

Volcanoes

Eruptions

Anomaly detection

Denoising diffusion probabilistic models

Detection and forecasting

Volcanic activity detection and forecasting using a diffusion based model

摘要

期刊

机构

引用论文