Nama kelompok: 1.

Lisa viviana saputri

2. Rido efrianto

UTS Bigadata

Judul artikel :

Geophysical research letter

Nama penulis :

(C.X.Ren, A. Peltier,V. Ferrazzini, B. Rouet-Leduc, P. A. Johnson and F. Brenguier.)

Nama jurnal, penerbit, tahun, nomor :

Machine learning untul mengungksp tanda tangan seismik dari perilaku erupsi di gunung
berapipiton de la fournaise, 21 januari 2020, 10.1029/2019GL085523

Tujuan riset :

 Membuat fitur statistik berasal dari berjangka waktu, tepi filter data seismik bisa
menjadi cara yang efektif untuk mencirikan perilaku letusan gunung berapi
 Pembelajaran yang diawasi untuk menentukan status letusan gunung berapi diberi
jendela waktu tunggal data seismik mentah dari satu stasiun
 Pengelompokan spektral dapat mengungkapkan fase letusan yang berbeda dan
perbedaan antara berbagai letusan

Latar belakang :
Getaran vulkanik adalah kunci pemahaman kita tentang sistem magmatik aktif, tetapi karena
itu kompleksitas, masih ada perdebatan tentang asal-usulnya dan bagaimana ia dapat
digunakan untuk menandai letusan dinamika. Sinyal seismik tahan lama yang dikenal sebagai
tremor vulkanik hampir ada di mana-mana dalam episode letusan di gunung berapi (Jellinek
& Bercovici, 2011). Sinyal seismik ini dianggap kritis dalam karakterisasi jalur migrasi
magma dalam sistem pipa internal gunung berapi, karena biasanya terhubung dengan
perbanyakan magma (B. A. Chouet, 1996) serta degassing dari ventilasi erupsi (Battaglia et
al.,2005) dan dengan demikian menarik dalam konteks pemantauan dan prakiraan aktivitas
gunung berapi. Upaya untuk meramalkan dan memantau letusan gunung berapi harus
memperhitungkan gaya dan besarnya letusan bervariasi secara drastis, bahkan selama durasi
letusan tunggal (Battaglia, Aki, & Staudacher, 2005; Chardot dkk., 2015; Kurokawa dkk.,
2016). Meskipun kompleksitas vulkanik melekat sistem, telah banyak demonstrasi kegunaan
tremor vulkanik dalam memantau letusan. Battaglia dan Aki (2003) mendemonstrasikan
bahwa sumber getaran letusan di gunung berapi Piton de la Fournaise adalah indikator yang
baik dari lokasi retakan letusan; dalam studi berikutnya Battaglia et al. (2005)
mendemonstrasikan bahwa amplitudo kumulatif dari tremor yang direkam selama letusan
dapat digunakan untuk memperkirakan volume lava meletus. Beberapa penelitian juga
menunjukkan bahwa menganalisis konten spektral dan lokasi tremor vulkanik dapat
membantu melacak evolusi migrasi magma (Di Lieto et al., 2007; Jellinek &
Bercovici, 2011; Kurokawa et al., 2016)
Penerapan teknik pembelajaran mesin (ML) untuk analisis sinyal geofisika telah menjadi
tersebar luas di berbagai pengaturan seperti analisis eksperimen laboratorium (Hulbert et al.,
2018; Rouet‐ Leduc dkk., 2017; Rouet ‐ Leduc, Hulbert, Bolton, dkk., 2018), melacak selip
lambat di Bumi nyata (Rouet‐ Leduc, Hulbert, & Johnson, 2018), dan asosiasi fase untuk
pengembangan katalog gempa bumi untuk beberapa nama (McBrearty et al., 2019; Ross et
al., 2019). Berkenaan dengan aplikasi ML untuk belajar dan karakterisasi gunung berapi,
aplikasi utama sejauh ini dalam klasifikasi gunung berapi- sinyal seismik (Hibert et al., 2017;
Malfante et al., 2018; Titos et al., 2019). Dalam karya ini, kami menjelaskan caranya fitur
statistik yang diperoleh dari sinyal seismik kontinu yang direkam di gunung berapi Piton de
la Fournaise dapat dimanfaatkan untuk membangun model ML yang mengungkapkan
karakteristik tremor letusan dan dinamika letusan letusan gunung berapi.

Teori yang digunakan :

Metode yang digunakan adalah machine learning.
Body

2. Pengaturan Regional

Piton de la Fournaise adalah gunung berapi aktif yang terletak di La Réunion, pulau basaltik
hot spot di barat bagian dari Samudera Hindia terletak kurang lebih 800 km sebelah timur M
adagaskar. Ini adalah salah satu gunung berapi paling aktif di dunia, menunjukkan 71 letusan
antara tahun 1985 dan 2018 (Duputel et al., 2019; Roult et al., 2012). Aktivitas terbaru telah
difokuskan di kaldera Enclos Fouqué, terbentuk sekitar 5.000–3.000 tahun yang lalu (Ortet
al., 2016), di dalamnya terbentuk kerucut terminal sebagai akibat dari letusan efusif yang
sering ditandai dengan air mancur lava dan emisi aliran lava. Setelah 41 bulan istirahat antara
akhir tahun 2010 dan Juni 2014, aktivitas letusan di Piton de la Fournaise diperbarui pada
tanggal 20 Juni 2014. Antara 2014 dan Maret 2019, 14 letusan terjadi di sisi atau di dasar
kerucut terminal. Lokasi celah yang dihasilkan oleh letusan ini ditunjukkan pada Gambar 1.
Letusan diumpankan oleh sistem pipa magmaterdiri dari serangkaian waduk yang menyebar
dari kedalaman lebih dari 30 km di bawah barat luar sisi gunung berapi (Michon et al., 2015)
hingga 2 km di bawah kawah puncak (Di Muro et al., 2014; Peltier et al.,2009), di mana
sebagian besar letusan dimulai

2.1 Data Seismik

Untuk studi ini, kami memanfaatkan 6 tahun data seismik terus menerus yang direkam di
seluruh Observatoire Jaringan Volcanologique du Piton de la Fournaise (OVPF) yang
ditunjukkan pada Gambar 1. Jaringan terdiri dari stasiun-stasiun yang dilengkapi dengan
seismometer periode pendek dan seismometer pita lebar, merekam pada kecepatan
pengambilan sampel 100 Hz. Data yang ditampilkan dalam manuskrip ini terutama berasal
dari stasiun seismik Cratere Bory (BOR) situs; meskipun analisis yang dijelaskan pada bagian
2.2 dan 2.3 telah dilakukan untuk sebagian besar seismik stasiun yang terletak di Enclos
Fouqué milik kaldera jaringan OVPF, kami menemukan bahwa data dicatat di situs BOR
menyediakan data terbanyak untuk analisis dalam periode yang kami minati dan kinerja yang
baik untuk pengklasifikasi status erupsi kami sementara juga menunjukkan variabilitas yang
baik di antara sinyal letusan untuk yang tidak diawasi belajar. Kami mencatat bahwa dalam
periode studi di BOR, data seismik untuk letusan 4 April tidak ada, dan dengan demikian,
letusan ini tidak muncul di kumpulan data kami. Kami juga menggunakan data dari Enclos
Sery Sud, Chateau Benteng, dan situs Faujas untuk mengkarakterisasi sinyal yang terekam
selama letusan, sebagaimana stasiun-stasiun ini kira-kira berjarak sama dari kawah Dolomieu
(De Plaen et al., 2016) dan memiliki banyak tumpang tindih dalam hal data yang tersedia
selama periode yang diinginkan.

2.2 Pembuatan Fitur

Untuk mengurangi sinyal seismik kontinyu yang direkam di berbagai stasiun di Piton de la
Fournaise menjadi satu set fitur tabular, pertama-tama kami mengoreksi sinyal seismik untuk
setiap hari dan setiap stasiun untuk menghapus respon instrumen. Sebuah bank filter
kemudian diterapkan di antara rentang spektral 0,5 dan 26 Hz dengan jarak awal 0,5–2 Hz
dan kemudian spasi 1 Hz, dalam pendekatan yang mirip dengan yang dijelaskan oleh Rouet-
Leduc, Hulbert, dan Johnson (2018). Ini menghasilkan 25 pita frekuensi. Rentang frekuensi
ini dipilih, karena mencakup frekuensi tipikal dari tremor vulkanik dan peristiwa vulkanik
tektonik yang dilaporkan di Piton de la Fournaise (Battaglia, Aki, & Ferrazzini, 2005;
Battaglia, Aki, & Staudacher, 2005; Duputel et al., 2019), meskipun sinyal letusan ada telah
dilaporkan di bawah 1 Hz baru-baru ini pada instrumen broadband. Kami kemudian
menghasilkan fitur dengan memindai jendela bergerak dengan panjang 1 jam melintasi sinyal
seismik yang dilewati pita, untuk setiap pita frekuensi. Tujuannya di sini adalah untuk
menangkap distribusi data seismik dalam waktu tersebut jendela dan hubungan di berbagai
pita frekuensi untuk jendela tertentu. Ini telah ditunjukkan kepada menjadi teknik yang
efektif untuk mengukur data deret waktu geofisika dalam berbagai pengaturan seperti
simulasi (Ren et al., 2019), eksperimen laboratorium (Hulbert et al., 2018; Rouet ‐ Leduc et
al., 2017; Rouet ‐ Leduc, Hulbert, Bolton, et al., 2018), dan Bumi nyata (Rouet ‐ Leduc,
Hulbert, & Johnson, 2018). Dalam hal ini, fitur ini terdiri dari rentang persentil dan rentang
data, serta yang dinormalisasi dan tidak dinormalisasi. momen tingkat tinggi (lihat informasi
pendukung untuk fitur penjelasan tabel). Untuk Kawah Bory stasiun seismik (BOR), ini
menghasilkan 5,907 jendela waktu letusan 1 jam nonoverlapping dengan 990 fitur yang
dihasilkan untuk setiap titik jendela, atau 39 fitur per pita spektral, dan total 38.021 jendela
selama periode 2013-2019.

2.3 Pembelajaran yang Diawasi: Mempelajari Tanda Tangan Letusan Piton de la Fournaise

Kami pertama kali menggunakan pendekatan pembelajaran yang diawasi untuk menentukan
karakteristik tremor erupsi yang terdeteksi di yang Piton de la Fournaise. Dalam hal ini, label
target adalah status letusan gunung berapi (meletus atau tidak aktif). Dalam menerapkan
pendekatan ini, pada dasarnya kami menanyakan pertanyaan berikut: “Untuk semua letusan
di kami kumpulan data, apakah ada fitur / pita frekuensi dasar yang konsisten untuk stasiun
tunggal yang memungkinkan kami mengklasifikasikan berdasarkan sinyal non-letusan? ”
Untuk tugas klasifikasi biner ini, kami menggunakan algoritma ML yang dikenal sebagai
pohon keputusan yang didorong gradien (Friedman, 2002) dengan fungsi kehilangan lintas-
entropi. Kami menggunakan XGBoost implementasi pohon keputusan yang didorong gradien
untuk melakukan pemodelan yang dijelaskan dalam makalah ini, yaitu memungkinkan
komputasi model yang paralel dan terdistribusi (Chen & Guestrin, 2016).

Model XGBoost mengambil fitur yang berasal dari jendela waktu geser di atas sinyal seismik
yang direkam di stasiun sebagai input dan output prediksi status letusan gunung berapi. Data
pelatihan dalam hal ini kasus merupakan sekitar 30% dari total data yang tersedia untuk
stasiun BOR atau 12.000 jendela waktu.

Model terlatih diuji buta pada 70% data yang tersisa, menghasilkan perkiraan untuk letusan
keadaan gunung berapi selama periode ini, tanpa pernah benar-benar melihat data ini. Hal ini
memungkinkan kami untuk memperkirakan konsistensi karakteristik getaran erupsi selama
periode ini: Jika karakteristik spektral dari getaran tersebut berbeda antara set pelatihan dan
pengujian, model tidak akan dapat secara efektif memprediksi status letusan di set pengujian.

Gambar 2 (a) menunjukkan kemampuan pengklasifikasi kami untuk memprediksi apakah

Piton de la Fournaise sedang mengalami letusan atau tidak aktif berdasarkan fitur yang
dihasilkan dari jendela waktu tunggal sinyal seismik kontinu direkam di stasiun BOR.
Pengklasifikasi dilatih pada bagian abu-abu dari kumpulan data (2013-2015) dan diuji pada
bagian violet (2015-2019). Model tersebut bekerja dengan baik di set pengujian, dengan
presisi rata-rata 0,87, akurasi 0,97, dan skor recall 0,83. Gambar 2 (b) menunjukkan kurva
presisi-recall untuk

Model XGBoost. Gambar 2 (c) menunjukkan 10 fitur terpenting yang dipelajari oleh model
selama proses pelatihan, berdasarkan nilai Shapely Additive Explanations (Lundberg et al.,
2018; Lundberg & Lee, 2017). Dari ciri-ciri tersebut terlihat bahwa tremor letusan yang
terdeteksi di stasiun BOR terjadi secara konsisten dalam rentang frekuensi 3–5 Hz. Ini
dikonfirmasi pada Gambar 2 (d), di mana kita melihat bahwa persentil ke-99 dari pita
frekuensi 3-4 Hz (jejak merah) dari lonjakan sinyal seismik untuk semua letusan, bukan pita
14-15 Hz (jejak biru).

Kami mencatat bahwa skor recall yang sedikit lebih rendah menunjukkan bahwa ada
sejumlah negatif palsu yang dihasilkan oleh model kami di set pengujian. Meneliti Gambar 2
(a) dan 2 (d), kita melihat bahwa selama beberapa letusan, tingkat tersebut Pita 3–4 Hz dapat
turun di bawah ambang batas yang diberikan, menghasilkan prediksi negatif palsu. Meskipun
demikian, kinerja model dalam mendeteksi keadaan gunung berapi cukup mengejutkan
mengingat set pelatihan kecil yang hanya terdiri dari tiga letusan dan fakta bahwa fitur
tersebut berasal dari sinyal yang terdeteksi pada satu perangkat. stasiun. Mengingat
pentingnya fitur, kita dapat melihat pengklasifikasi mengklasifikasikan berdasarkan
amplitude rentang frekuensi 3-5 Hz, dan orang mungkin tergoda untuk berpikir bahwa hasil
yang sama bisa saja dicapai dengan memeriksa data. Meskipun ini benar, menganalisis 5.907
jam individu data seismik untuk menetapkan pola yang konsisten dalam data dapat menjadi
tugas yang memakan waktu. Mengambil pendekatan pembelajaran yang diawasi di sini
memungkinkan pengguna untuk mengotomatiskan proses ini melalui pembuatan fitur dan
aplikasi XGBoost dan menafsirkan model melalui pentingnya fitur seperti yang ditunjukkan
pada Gambar 2 (c).
2.4 Pembelajaran Tanpa Pengawasan: Pengelompokan Spektral

Pembelajaran tanpa pengawasan adalah istilah yang menjelaskan sekumpulan teknik ML

yang digunakan untuk mempelajari hubungan dalam kumpulan data di mana tidak ada label
pelatihan tersedia (Ghahramani, 2004). Analisis cluster, yang merupakan bagian dari
pembelajaran tanpa pengawasan, dapat didefinisikan sebagai tugas pengelompokan data
menggunakan ukuran kesamaan yang mengukur kedekatan antara vektor data dalam ruang
fitur tertentu (Aminzadeh & Chatterjee, 1984). Dalam kasus khusus ini, kami tidak memiliki
data berlabel eksplisit mengenai berbagai jenis atau fase perilaku letusan yang Piton de la
Fournaise mungkin menunjukkan atau sidik jari seismik spesifik dari perilaku ini di ruang
fitur kami, jadi begini pendekatan ini sangat cocok untuk masalah kita. Ini dapat dianggap
sebagai masalah yang berlawanan dengan yang kami tangani dengan menggunakan
supervised learning, di sini kami mengajukan pertanyaan berikut: “Mengingat bahwa ada
beberapa struktur umum yang mendasari di ruang fitur kami mengenai sinyal letusan, apakah
ada yang berarti perbedaan antara fitur kami selama letusan? ” Untuk menangani
penyelidikan seismik

Tanda tangan dinamika letusan Piton de la Fournaise, kita beralih ke algoritma

pengelompokan yang dikenal sebagai pengelompokan spektral. Pengelompokan spektral
mengungguli algoritme pengelompokan "standar" seperti k-means dalam kasus di mana
pengguna ingin mengelompokkan berdasarkan konektivitas daripada kekompakan (lihat
Mendukung Informasi S1 dan Gambar S2).

Kami menggunakan algoritma pengelompokan berbasis konektivitas karena kami

berhipotesis bahwa karakteristik spektral dari Sinyal seismik cenderung berubah terus
menerus selama letusan saat sistem bertransisi di antaranya fase; dengan demikian, kelompok
perilaku kemungkinan besar akan terhubung dalam ruang fitur spektral kita. Jenis perilaku
dalam sistem geofisika sebelumnya telah dipelajari oleh Holtzman et al. (2018) yang
menggunakan pembelajaran tanpa pengawasan untuk mengkarakterisasi sifat spektral sinyal
seismik yang dikumpulkan di dekat geyser dan mengidentifikasi fase perilaku yang berbeda.

Gambar 3 (a) dan 3 (b) menunjukkan fitur yang dihasilkan dengan menggunakan metode
yang dijelaskan pada bagian 2.2 pada komponen vertikal dari sinyal seismik kontinu yang
direkam di stasiun BOR selama letusan yang terjadi antara 2013 dan 2019. Di sini, kami
menampilkan dua fitur di tiga pita spektrum berbeda, dipilih untuk mengilustrasikan struktur
hadir dalam ruang fitur 39-dimensi yang dihasilkan untuk setiap pita spektral: varians dan
minimum dalam jendela waktu tertentu untuk sinyal band-pass. Tiap titik dalam diagram
sebar mewakili jendela waktu satu jam, dan setiap warna mewakili hubungan antara fitur
yang dihasilkan untuk band tremor letusan dominan (3–4 Hz) dan frekuensi yang lebih tinggi.
Tremor erupsi yang dominan pita ditentukan menggunakan model XGBoost yang dibahas di
bagian 3.3.

Hasil dari proses pengelompokan spektral ditunjukkan pada Gambar 3 (c) –3 (f). Di sini kami
memilih 6 sebagai optimal jumlah cluster, ditentukan dengan menggunakan heuristik
eigengap (von Luxburg, 2007). Demi ilustrasi, kami memilih pita spektral 9-10 Hz (plot sebar
biru yang ditunjukkan pada Gambar 3 (a) dan 3 (b)), karena ini adalah pita frekuensi yang
menunjukkan struktur paling banyak jika dibandingkan dengan pita frekuensi letusan
fundamental (3–4 Hz) dan membantu mengilustrasikan hasil pengelompokan. Kami mencatat
bahwa beberapa cluster menunjukkan tumpang tindih yang cukup besar dalam visualisasi
ruang fitur (C1, C5, dan C4), ada juga cluster yang menunjukkan pemisahan yang berbeda.

di ruang fitur kami yang dipilih oleh algoritme (C0 dan C2).

Untuk mengevaluasi efektivitas analisis clustering pada dinamika letusan Piton de la Gunung
berapi Fournaise, kami memeriksa distribusi temporal cluster di seluruh kumpulan data.
Gambar 4 (a) menunjukkan status letusan Piton de la Fournaise selama periode 2013-2019
(jejak merah) dan bagaimana algoritma pengelompokan spektral memisahkan fitur menjadi
enam kelompok (plot pencar biru). Batas berwarna kotak dipilih untuk mendemonstrasikan
keefektifan kombinasi metode pembuatan fitur kami dan pengelompokan spektral dalam
menyoroti berbagai perilaku letusan gunung berapi Piton de la Fournaise.

Kami mencatat bahwa ada jendela waktu yang hilang dalam analisis kami karena adanya
celah dalam data yang tersedia; ini muncul sebagai celah dalam status pengelompokan.

3. Interpretasi Fisik
Perilaku letusan gunung berapi Piton de la Fournaise terjadi di C5 selama fase awal 7 dari 13
letusan dalam periode penelitian kami (lihat Gambar 4). Interpretasi kami atas hasil ini adalah
bahwa C5 mengandung waktu jendela di mana sinyal seismik yang terkait dengan pita tremor
dominan (3–5 Hz) masuk tinggi amplitudo (lihat Gambar 3) tetapi juga amplitudo moderat
dalam rentang frekuensi yang lebih tinggi, yang mungkin terjadi dari rockfall atau peristiwa
gunung berapi-tektonik. Perlu juga dicatat bahwa sinyal seismik broadband dapat dikaitkan
hingga kejadian impulsif yang terkait dengan migrasi tanggul dan keruntuhan rapuh di dalam
bangunan gunung berapi (Duputel et al., 2019) tetapi juga penurunan aliran kaldera dan
runtuhnya tabung lava terkait dengan beban lava. Sinyal anomali yang terekam selama
letusan Agustus – Oktober 2015 dapat diinterpretasikan di a dengan cara yang sama:
Frekuensi tinggi berkelanjutan milik C2, yang terjadi hampir seluruhnya selama Letusan
tersebut di atas, kemungkinan besar karena amblesan dasar kaldera atau runtuhnya tabung
lava dengan beban aliran lahar dari letusan. Memang, letusan ini menghasilkan volume efusif
total yang besar dari 35,5 × 106 m3, jumlah terbesar yang tercatat selama periode 2013-2018.
Data geodesi menunjukkan gunung berapi bangunan terus membengkak hingga akhir
September, menunjukkan tekanan dari reservoir magma dangkal sebagai konsekuensi dari
kenaikan impulsif magma yang lebih dalam. Lebih lanjut, Coppola et al.(2017)
melaporkan sumber magmatik kaya magnesium menjadi bukti korespondensi dengan periode
baru ini inflasi, dengan peningkatan emisi SO2 dan pengayaan CO2 yang kuat di puncak
fumarol selama ini fase letusan, memberikan lebih lanjut bahwa waduk dangkal diisi ulang
oleh magma yang dalam, menuju ke repressurization dari sistem pipa magmatik.
Repressurization ini kemungkinan bertanggung jawab atas aliran lava yang berkelanjutan
sepanjang durasi yang lama dari letusan ini, menyebabkan penurunan permukaan dan
runtuhnya tabung lava dan sinyal seismik anomali terkait yang diamati selama fase kedua
dari letusan ini. Kita perhatikan lebih lanjut bahwa retakan dan aliran lava terjadi di daerah
gunung berapi yang relatif datar, sehingga berkurang aliran lahar dan menginduksi
penumpukan dan meningkatkan beban lahar di daerah tersebut. Gambar 5 menunjukkan
posisi unik dari letusan ini di ruang fitur kumulatif kami. Untuk menghasilkan angka ini,
kami menghitung fitur untuk komponen vertikal dari tiga stasiun broadband (Faujas, Enclos
Sery Sud, dan Benteng Chateau) yang jaraknya kira-kira sama dari kawah Dolomieu (De
Plaen et al., 2016; lihat Gambar 1). Kami menghitung rata-rata nilai fitur untuk jendela waktu
di mana data tersedia di ketiga stasiun dan menjumlahkannya di sepanjang durasi letusan
masing-masing, untuk memberikan gambaran tentang nilai fitur ditambah dengan durasi
keseluruhan letusan. Untuk setiap letusan, kami memberlakukan kondisi yang ada harus lebih
dari 50% dari durasi letusan tersedia dalam hal fitur. Dari Gambar 5, kami
dapat melihat bahwa ciri-ciri yang terkait dengan pita tremor dominan serta frekuensi yang
lebih tinggi secara konsisten tinggi selama letusan ini, bahkan jika dibandingkan dengan
letusan serupa yang lebih lama. durasi (> 1 bulan) selama repressurization diamati, seperti 27
April 27 sampai 1 Juni 2018 letusan. Kami juga mencatat C0 mewakili transisi letusan lain
yang dipilih oleh algoritme pengelompokan: Berdasarkan laporan OVPF terkait letusan
September – November 2018, tercatat piston gas dari 3 Oktober dan seterusnya, menandai
transisi dalam degassing letusan dan menyertai ketajaman peningkatan tremor erupsi tercatat.
Peningkatan tremor yang direkam, yang sesuai dengan cluster C0, kemungkinan terkait
dengan penutupan bertahap kerucut letusan (OVPF, 2018), yang mengarah ke amplitudo
yang lebih tinggi dari "Resonansi" (B. Chouet, 1988), sehingga meningkatkan amplitudo
getaran. Kami mencatat itu setelah penutupan dari kerucut letusan, letusan sebagian besar
berlanjut di tabung lava, yang kemungkinan merupakan sumber yang lebih tinggi frekuensi
yang diamati untuk C0.

Pembahasan dan hasil :

 Pembahasan yang kami dapat adalah Penggunaan metode pembelajaran yang diawasi
dan tidak diawasi dalam pekerjaan ini telah membantu menjelaskan beberapa di
antaranya struktur yang ada dalam sinyal seismik yang dikumpulkan selama letusan di
gunung berapi Piton de la Fournaise, Model XGBoost mengisolasi frekuensi
konsisten yang ada di sebagian besar letusan dalam data. Jenis analisis ini berpotensi
digunakan untuk mencari sinyal pra-letusan prekursor yang sebelumnya tidak
terdeteksi, dalam pendekatan yang mirip dengan Rouet‐Leduc, Hulbert, dan Johnson
(2018), dan memberikan jalan untuk memperkirakan permulaan letusan, meskipun
penting untuk dicatat bahwa hanya ada sedikit bukti untuk sumber yang terus
memancar di Piton de la Fournaise, tidak seperti di piring Juan de Fuca. Dapat
dipercaya penggunaan pembelajaran tanpa pengawasan untuk menganalisis sinyal
seismik terkait dengan letusan gunung berapi memberikan pendekatan pelengkap
untuk pendekatan pembelajaran yang diawasi, yang memungkinkan pengguna untuk
membangun secara fisik perbedaan yang berarti dalam karakteristik tremor, yang
dapat membantu membangun transisi antara yang berbeda negara erupsi. Interpretasi
hasil belajar tanpa pengawasan harus sesuai dengan data yang tersedia jika
memungkinkan. Di sini kami menunjukkan bahwa cluster koheren secara temporer.
Kami yakin kedua pendekatan itu mungkin memberikan alur kerja berbasis ML yang
efektif untuk analisis tremor erupsi: Sumber konsistensi di seluruh kumpulan data
dapat ditemukan dengan memeriksa pentingnya fitur pengklasifikasi pembelajaran
yang diawasi, sementara sumber variasi dapat diisolasi dengan memanfaatkan
pembelajaran tanpa pengawasan.

 Hasil penelitian dari jurnal ini Kami telah menunjukkan bahwa teknik ML yang
diawasi dan tidak diawasi memberikan cara yang efektif untuk menyelidiki perilaku
vulkanik. Menggunakan XGBoost, kami menetapkan frekuensi tremor letusan
dominan di Piton de la Gunung berapi Fournaise. Dengan memanfaatkan
pengelompokan spektral pada fitur-fitur yang diperoleh dari sinyal seismik yang
direkam pada stasiun seismik BOR, kami menunjukkan bahwa kami dapat
mengungkap dinamika letusan di ruang fitur yang dihasilkan seperti letusan Agustus
2015 di mana aliran lava berkelanjutan yang relatif besar diamati dan penutupan
lubang letusan selama letusan September 2018.