Lomax, A., Bagagli, M., Gaviano, S., Cianetti, S., Jozinović, D., Michelini, A., Zerafa, C., & Giunchi, C. (2024).
Seismica, 3(1). https://doi.org/10.26443/seismica.v3i1.1164

Abstract

Automatic detection and picking of energy onsets on seismograms is essential to process large volumes of seismic data for applications such as earthquake monitoring, early-warning systems for earthquakes and tsunamis, and research. Modern pickers primarily rely on deep-learning algorithms “trained” on large datasets of raw seismograms. However, seismology has a long history of automated onset pickers that work with rule-based processing of seismograms. We use these classical algorithms as “domain knowledge” to preprocess seismograms before feeding them into PhaseNet, a well-established deep-learning picker. While PhaseNet performs well regardless of input data transformations, incorporating domain-knowledge can improve its performance, especially with cross-domain or smaller training datasets

Riassunto

La lettura (picking)  automatica delle fasi P e S sui sismogrammi è estremamente utile  per il monitoraggio dei terremoti, per l’allerta precoce di terremoti e tsunami e per scopi di ricerca. I recenti algoritmi di picking ad alte prestazioni utilizzano principalmente machine learning e sono addestrati su grandi set di dati sismici non elaborati. Tuttavia esiste una lunga tradizione di metodi di detezione  delle fasi sismiche basati su variazioni in ampiezza, frequenza e polarizzazione dei sismogrammi (domain-knowledge). 
Utilizziamo queste tecniche classiche per trattare i sismogrammi che saranno usati come input di PhaseNet, un algoritmo di picking estremamente diffuso. Chiamiamo questo nuovo workflow Domain-Knowledge PhaseNet (DKPN). Sebbene PhaseNet nella sua versione originale  funzioni bene, DKPN mostra prestazioni migliori quando applicato a sismogrammi con caratteristiche diverse da quelle utilizzate per l’addestramento e quando sono disponibili solo set di dati di dimensioni ridotte.