Documents disponibles écrits par cet auteur

Automatic discrimination among landslide, explosion-quake, and microtremor seismic signals at stromboli volcano using neural networks / Esposito, A. M. in Bulletin of the seismological society of America, Vol. 96 N° 4 Part A (Aôut 2006) 

Public ISBD [article]  in Bulletin of the seismological society of America > Vol. 96 N° 4 Part A (Aôut 2006) . - 1230-1240 p. Titre : Automatic discrimination among landslide, explosion-quake, and microtremor seismic signals at stromboli volcano using neural networks Titre original : Discrimination automatique parmi l'eboulement, le tremblement d'explosion, et les signaux séismiques de tremblement micro au volcan de stromboli en utilisant les réseaux neurologiques Type de document : texte imprimé Auteurs : Esposito, A. M., Auteur ; Giudicepietro, F., Auteur ; Scarpetta, S., Auteur Article en page(s) : 1230-1240 p. Note générale : Génie Civil Langues : Anglais (eng) Mots-clés : Signaux  séismique  Ile  Strombili  Volan  Tsunami  Séisme Index. décimale : 551.2 Résumé : In this article we report on the implementation of an automatic system for discriminating landslide seismic signals on Stromboli island (southern Italy). This is a critical point for monitoring the evolution of this volcanic island, where at the end of 2002 a violent tsunami occurred, triggered by a big landslide. We have devised a supervised neural system to discriminate among landslide, explosion-quake, and volcanic microtremor signals. We first preprocess the data to obtain a compact representation of the seismic records. Both spectral features and amplitude-versus-time information have been extracted from the data to characterize the different types of events. As a second step, we have set up a supervised classification system, trained using a subset of data (the training set) and tested on another data set (the test set) not used during the training stage. The automatic system that we have realized is able to correctly classify 99% of the events in the test set for both explosion-quake/ landslide and explosion-quake/microtremor couples of classes, 96% for landslide/ microtremor discrimination, and 97% for three-class discrimination (landslides/ explosion-quakes/microtremor). Finally, to determine the intrinsic structure of the data and to test the efficiency of our parametrization strategy, we have analyzed the preprocessed data using an unsupervised neural method. We apply this method to the entire dataset composed of landslide, microtremor, and explosion-quake signals. The unsupervised method is able to distinguish three clusters corresponding to the three classes of signals classified by the analysts, demonstrating that the parametrization technique characterizes the different classes of data appropriately. En cet article nous rendons compte de l'exécution d'un système automatique pour les signaux séismiques d'éboulement distinctif sur l'île de Stromboli (Italie méridionale). C'est un point critique pour surveiller l'évolution de cette île volcanique, où à la fin de 2002 un tsunami violent s'est produit, déclenchée par un grand éboulement. Nous avons conçu un système neural dirigé pour distinguer parmi l'éboulement, le tremblement d'explosion, et les signaux micro volcaniques de tremblement. Nous prétraitons d'abord les données pour obtenir une représentation compacte des disques séismiques. Les deux dispositifs et amplitude spectraux contre l'information de temps ont été extraits à partir des données pour caractériser les différents types d'événements. Comme deuxième étape, nous avons installé un système de classification dirigé, qualifié en utilisant un sous-ensemble de données (la formation réglée) et examiné sur un autre Modem (l'essai réglé) non utilisé pendant l'étape de formation. Le système automatique que nous avons réalisé peut classifier correctement 99% des événements dans l'ensemble d'essai pour l'éboulement de tremblement d'explosion et les couples micro de tremblement de tremblement d'explosion des classes, 96% pour la discrimination micro de tremblement d'éboulement, et 97% pour la discrimination de trois classes (l'explosion d'éboulements a tremblé tremblement micro). En conclusion, pour déterminer la structure intrinsèque des données et pour examiner l'efficacité de notre stratégie de paramétrisation, nous avons analysé les données prétraitées en utilisant une méthode neurale non surveillée. Nous nous appliquons cette méthode à l'ensemble de données entier composé d'éboulement, de micro de tremblement, et de signaux de tremblement d'explosion. La méthode non surveillée peut distinguer trois faisceaux correspondant aux trois classes des signaux classifiés par les analystes, démontrant que la technique de paramétrisation caractérise les différentes classes des données convenablement. DEWEY : 551.2 ISSN : 0037-1106 En ligne : http://www.seismosoc.org [article] Automatic discrimination among landslide, explosion-quake, and microtremor seismic signals at stromboli volcano using neural networks = Discrimination automatique parmi l'eboulement, le tremblement d'explosion, et les signaux séismiques de tremblement micro au volcan de stromboli en utilisant les réseaux neurologiques [texte imprimé] / Esposito, A. M., Auteur ; Giudicepietro, F., Auteur ; Scarpetta, S., Auteur . - 1230-1240 p. Génie Civil Langues : Anglais (eng) in Bulletin of the seismological society of America > Vol. 96 N° 4 Part A (Aôut 2006) . - 1230-1240 p. Mots-clés : Signaux  séismique  Ile  Strombili  Volan  Tsunami  Séisme Index. décimale : 551.2 Résumé : In this article we report on the implementation of an automatic system for discriminating landslide seismic signals on Stromboli island (southern Italy). This is a critical point for monitoring the evolution of this volcanic island, where at the end of 2002 a violent tsunami occurred, triggered by a big landslide. We have devised a supervised neural system to discriminate among landslide, explosion-quake, and volcanic microtremor signals. We first preprocess the data to obtain a compact representation of the seismic records. Both spectral features and amplitude-versus-time information have been extracted from the data to characterize the different types of events. As a second step, we have set up a supervised classification system, trained using a subset of data (the training set) and tested on another data set (the test set) not used during the training stage. The automatic system that we have realized is able to correctly classify 99% of the events in the test set for both explosion-quake/ landslide and explosion-quake/microtremor couples of classes, 96% for landslide/ microtremor discrimination, and 97% for three-class discrimination (landslides/ explosion-quakes/microtremor). Finally, to determine the intrinsic structure of the data and to test the efficiency of our parametrization strategy, we have analyzed the preprocessed data using an unsupervised neural method. We apply this method to the entire dataset composed of landslide, microtremor, and explosion-quake signals. The unsupervised method is able to distinguish three clusters corresponding to the three classes of signals classified by the analysts, demonstrating that the parametrization technique characterizes the different classes of data appropriately. En cet article nous rendons compte de l'exécution d'un système automatique pour les signaux séismiques d'éboulement distinctif sur l'île de Stromboli (Italie méridionale). C'est un point critique pour surveiller l'évolution de cette île volcanique, où à la fin de 2002 un tsunami violent s'est produit, déclenchée par un grand éboulement. Nous avons conçu un système neural dirigé pour distinguer parmi l'éboulement, le tremblement d'explosion, et les signaux micro volcaniques de tremblement. Nous prétraitons d'abord les données pour obtenir une représentation compacte des disques séismiques. Les deux dispositifs et amplitude spectraux contre l'information de temps ont été extraits à partir des données pour caractériser les différents types d'événements. Comme deuxième étape, nous avons installé un système de classification dirigé, qualifié en utilisant un sous-ensemble de données (la formation réglée) et examiné sur un autre Modem (l'essai réglé) non utilisé pendant l'étape de formation. Le système automatique que nous avons réalisé peut classifier correctement 99% des événements dans l'ensemble d'essai pour l'éboulement de tremblement d'explosion et les couples micro de tremblement de tremblement d'explosion des classes, 96% pour la discrimination micro de tremblement d'éboulement, et 97% pour la discrimination de trois classes (l'explosion d'éboulements a tremblé tremblement micro). En conclusion, pour déterminer la structure intrinsèque des données et pour examiner l'efficacité de notre stratégie de paramétrisation, nous avons analysé les données prétraitées en utilisant une méthode neurale non surveillée. Nous nous appliquons cette méthode à l'ensemble de données entier composé d'éboulement, de micro de tremblement, et de signaux de tremblement d'explosion. La méthode non surveillée peut distinguer trois faisceaux correspondant aux trois classes des signaux classifiés par les analystes, démontrant que la technique de paramétrisation caractérise les différentes classes des données convenablement. DEWEY : 551.2 ISSN : 0037-1106 En ligne : http://www.seismosoc.org