Machine learning-based analysis of fiber-optic interferometry signals for detecting geophysical and anthropic events

Recent advances in coherent fiber-optic interferometry have introduced a paradigm shift in seismic signal analysis, ensuring continuous data collection, by re-using existing telecommunications networks, and providing wide coverage, unlike traditional seismometers, as well as high sensitivity. The enormous amount of data collected can bring many advantages for a better event characterization, but it requires the introduction of supervision mechanisms that extend beyond individual human inspections. To address this challenge, we propose a Machine Learning-based framework that enhances signal interpretation through a structured pipeline. The process begins with robust noise reduction, achieved through wavelet-based denoising, to improve the quality of the signal. This is followed by precise change point detection, implemented using an ensemble method based on the ClaSP algorithm, ensuring accurate segmentation. Next, a comprehensive feature extraction stage is applied, incorporating both general time-series descriptors and specialized seismic attributes. These extracted features then serve as input for a clustering algorithm, which identifies patterns and distinguishes between different types of activities. The proposed approach is validated on a two-year dataset collected from a seismic active region in central Italy. Its experimental results demonstrate improvements in differentiating seismic-related waves (P and S), as well as providing a solid basis for more detailed analysis of anthropic events and real-time monitoring applications.

I recenti progressi nell’interferometria ottica coerente su fibra hanno introdotto un cambio di paradigma nell’analisi dei segnali sismici, garantendo una raccolta continua dei dati grazie al riutilizzo delle reti di telecomunicazione esistenti e offrendo un’ampia copertura, a differenza dei sismometri tradizionali, oltre che un’alta sensibilità. L’enorme quantità di dati raccolti offre numerosi vantaggi per una caratterizzazione più accurata degli eventi, ma richiede l’adozione di meccanismi di supervisione che vadano oltre le semplici ispezioni manuali. Per affrontare questa sfida, proponiamo un framework basato sull’Apprendimento Automatico che migliora l’interpretazione del segnale attraverso una pipeline strutturata. Il processo inizia con una robusta riduzione del rumore, ottenuta mediante denoising basato su wavelet, per migliorare la qualità del segnale. Successivamente, viene applicato un preciso rilevamento dei punti di cambiamento utilizzando un metodo a ensemble basato sull’algoritmo ClaSP, garantendo una segmentazione accurata. Successivamente, viene eseguita un’estrazione completa delle caratteristiche, integrando sia descrittori generali delle serie temporali che attributi specifici per i segnali sismici. Infine, le caratteristiche estratte vengono utilizzate come input per un algoritmo di clustering, che consente di identificare schemi ricorrenti e distinguere tra diversi tipi di attività. L’approccio proposto è stato validato su un dataset biennale raccolto in un’area sismicamente attiva dell’Italia centrale. I risultati sperimentali dimostrano miglioramenti nella differenziazione delle onde sismiche primarie (P) e secondarie (S), oltre a fornire una solida base per un’analisi più dettagliata degli eventi antropici e per applicazioni di monitoraggio in tempo reale.