We propose a new algorithm, focusing on spatial amplitude patterns, to automatically detect volcano seismic events from continuous waveforms. Candidate seismic events are detected based on signal-to-noise ratios. The algorithm then utilizes supervised machine learning to classify the existing candidate events into true and false categories. The input learning data are the ratios of the number of time samples with amplitudes greater than the background noise level at 1 s intervals (large amplitude ratios) given at every station site, and a manual classification table in which ‘true’ or ‘false’ flags are assigned to candidate events. A two-step approach is implemented in our procedure. First, using the large amplitude ratios at all stations, a neural network model representing a continuous spatial distribution of large amplitude probabilities is investigated at 1 s intervals. Second, several features are extracted from these spatial distributions, and a relation between the features and classification to true and false events is learned by a support vector machine. This two-step approach is essential to account for temporal loss of data, or station installation, movement, or removal. We evaluated the algorithm using data from Mt. Ontake, Japan, during the first ten days of a dense observation trial in the summit region (2017 November 1–10). Results showed a classification accuracy of more than 97 per cent.

中文翻译：

---

基于幅度的空间模式的基于机器学习的火山地震活动检测

我们提出了一种针对空间振幅模式的新算法，该算法可从连续波形中自动检测火山地震事件。基于信噪比检测候选地震事件。然后，该算法利用监督机器学习将现有的候选事件分类为真和假类别。输入的学习数据是在每个站点给出的以1 s为间隔的幅度大于背景噪声电平的时间样本数量的比率（大幅度比率），以及手动分类表，其中“ true”或“ false”标志被分配给候选事件。在我们的过程中实现了两步方法。首先，使用所有电台的大振幅比，以1 s的间隔研究表示大幅度概率的连续空间分布的神经网络模型。其次，从这些空间分布中提取几个特征，并通过支持向量机学习特征与分类对真假事件之间的关系。此两步方法对于解决临时数据丢失或站点安装，移动或删除的问题至关重要。我们使用来自Mt. 在峰顶地区进行密集观测试验的前十天（2017年11月1日至10日），日本Ontake。结果显示分类准确率超过97％。支持向量机学习特征与分类对真假事件之间的关系。此两步方法对于解决临时数据丢失或站点安装，移动或删除的问题至关重要。我们使用来自Mt. 在峰顶地区进行密集观测试验的前十天（2017年11月1日至10日），日本Ontake。结果显示分类准确率超过97％。支持向量机学习特征与分类对真假事件之间的关系。这种两步方法对于解决数据的暂时丢失或站点的安装，移动或删除至关重要。我们使用来自Mt. 在峰顶地区进行密集观测试验的前十天（2017年11月1日至10日），日本Ontake。结果显示分类准确率超过97％。