Een slapende vulkaan op Antarctica hielp onderzoekers van Sandia National Laboratories de sensorgegevens te verbeteren om aardbevingen en explosies beter te detecteren en alledaagse geluiden zoals verkeer en voetstappen uit te schakelen.

Het vinden van de ideale instellingen voor elke sensor in een netwerk om trillingen in de grond te detecteren, of seismische activiteit, kan een nauwgezet en handmatig proces zijn. Onderzoekers van Sandia werken eraan om dat te veranderen door software te gebruiken die automatisch de detectieniveaus van seismische activiteit voor elke sensor aanpast.

Sandia testte de nieuwe software met seismische gegevens van de vulkaan Erebus op Antarctica en behaalde 18 procent minder valse detecties en 11 procent minder gemiste detecties dan de oorspronkelijke prestaties van de sensoren op de Erebus.

Tot nu, de belangrijkste manier om ervoor te zorgen dat sensoren ongebruikelijke seismische activiteit oppikten en geen regelmatige activiteit rapporteerden, was om de instellingen van elke sensor handmatig aan te passen aan de specifieke omgeving. Helaas, het is moeilijk om die instellingen precies goed te krijgen, vooral omdat die ideale instellingen veranderen met de seizoenen en weerpatronen.

Tijdens een driejarig project gefinancierd door Laboratory Directed Research and Development, onderzoekers ontwikkelden software die automatisch de detectie-instellingen aanpast voor de gegevens afkomstig van elke sensor in een netwerk met behulp van een 'meerderheidsregels'-benadering, wat leidde tot minder valse detecties van seismische activiteit en minder gemiste detecties van werkelijke gebeurtenissen. Het werk is onlangs gepubliceerd in een Bulletin van de Seismologische Vereniging van Amerika papier, "Dynamic Tuning of Seismic Signal Detector Trigger Levels for Local Networks" en de open source Python-gebaseerde software is beschikbaar om te downloaden.

'Buurt pollen' om seismische activiteit te detecteren

Het onderzoeksteam, onder leiding van Tim Draelos, een onderzoeker op het gebied van machine learning en signaalverwerking bij Sandia, ontwikkelde een algoritme dat de gegevens uit een buurt van sensoren leest en de detecties van elke sensor vergelijkt. Als een meerderheid van de sensoren op een vergelijkbare locatie tegelijkertijd seismische activiteit detecteert, dan markeert het programma de gebeurtenis als legitiem. Als de meeste sensoren geen seismische activiteit detecteren, dan markeert het programma de gebeurtenis niet en worden de detectieniveaus voor de sensoren die ten onrechte een gebeurtenis hebben gemeld, aangepast.

"Een buurt is een kleine subset van sensoren in een netwerk die allemaal een vergelijkbare kijk op de wereld hebben of een vergelijkbare detectievoetafdruk, "Zei Draelos. "Ze moeten het eens zijn over alles wat ze zien. Als ze dat niet doen, we kunnen bepalen welke sensor moet worden afgesteld zodat we in de toekomst betere overeenstemming krijgen, wat leidt tot een betere algehele netwerkdetectiekwaliteit. We willen nooit een gebeurtenis als een nucleaire explosie missen, bijvoorbeeld."

Deze "meerderheidsregels"-benadering van de verwerking van seismische sensorgegevens is automatisch terwijl het algoritme loopt en maakt continue aanpassingen mogelijk aan de triggerniveaus die een seismische gebeurtenis detecteren, waardoor metingen van de sensoren nauwkeuriger zijn dan metingen van statische sensoren met vaste instellingen.

Draelos en het team, inclusief Hunter Knox, Matt Peterson en Chris Young, testte het algoritme met behulp van het seismische sensornetwerk van Mount Erebus. Ze creëerden een database met seismische gebeurtenissen op de vulkaan door handmatig alle sensoractiviteit te bekijken die gedurende 24 uur is geregistreerd en vervolgens seismische gebeurtenissen te markeren. Om te worden geclassificeerd als een evenement, drie of meer sensoren in dezelfde buurt moesten de seismische activiteit detecteren.

Het team heeft vervolgens de onbewerkte sensorgegevens door het nieuwe algoritme voor meerderheidsregels geleid om te zien hoe het presteerde en vergeleek de resultaten met de database van legitieme detecties met de resultaten van de sensoren die werkten zonder de dynamische afstemming van het algoritme.

De verbeteringen in nauwkeurige detectiepercentages zijn belangrijk omdat sensornetwerken veel data genereren. Bijvoorbeeld, het door analisten beoordeelde bulletin van het International Data Center voor 2014 bevatte slechts 8 procent van de meer dan 5,5 miljoen seismische detecties van het International Monitoring System die oorspronkelijk door sensoren waren geregistreerd. Dit wereldwijde netwerk helpt bij het verifiëren van de naleving van het Comprehensive Nuclear Test Ban Treaty, die is ondertekend, maar niet geratificeerd door de Verenigde Staten, door gebeurtenissen op te sporen waaruit zou kunnen blijken dat het verdrag is geschonden.

"Een groot deel, maar niet alles, van de resterende 92 procent van de detecties waren waarschijnlijk valse positieven, wat leidt tot externe gegevensopslag en -verwerking, "Zei Draelos. "Bovendien, 39 procent van de detecties in het bulletin werden gevonden of gewijzigd door een menselijke analist, die een groot percentage gemiste detecties en verkeerd gemeten detecties door de sensoren aangeeft, dat kost tijd en moeite om te wijzigen."

Sommige dynamische signaaldetectoren bestaan, maar tot nu toe heeft geen enkele sensornetwerken gebruikt om de detectie van seismische gebeurtenissen te optimaliseren. De nieuwe benadering van het afstemmen van gegevens zou ook kunnen worden toegepast op milieumonitoring, bewegingssensorbewaking met camera's, chemische controle, infrageluid monitoring en meer.

"Dit is een idee voor algemene doeleinden, "Zei Draelos. "Het hoeven geen seismische gegevens te zijn. Dit algoritme kan mogelijk overal worden gebruikt waar je een netwerk of verzameling sensoren hebt om gebeurtenissen te detecteren."