Evaluating data augmentation techniques in the classification of multi-station seismic-volcanic signals

Os vulcões são gigantes inquietos e, antes de entrarem em erupção, costumam sussurrar. Esses sussurros são sinais sísmicos — vibrações sutis que viajam através da terra e carregam a história do movimento do magma, da fuga de gases ou do estalo das rochas sob a superfície. Durante décadas, os cientistas dependeram de especialistas humanos para ouvir esses sussurros, classificando manualmente fluxos intermináveis de dados para identificar o que está acontecendo profundamente no subsolo. Esse processo é lento, trabalhoso e propenso ao erro humano, especialmente quando os sinais são tênues ou os dados são esmagadores. Nos últimos anos, os computadores começaram a assumir esse dever de escuta, usando inteligência artificial para reconhecer padrões nas vibrações. No entanto, esses cérebros computacionais enfrentam um obstáculo significativo: eles precisam de uma vasta quantidade de exemplos para aprender, e no mundo dos vulcões, eventos raros e perigosos são frequentemente os mais difíceis de encontrar em grande número. Quando um computador tenta aprender com um conjunto de exemplos pequeno e desequilibrado, ele frequentemente torna-se enviesado, favorecendo os eventos comuns que vê com mais frequência e perdendo aqueles raros e críticos que sinalizam um perigo real.

Uma equipe de pesquisadores da Universidad Católica del Norte, no Chile, partiu para resolver esse problema, ensinando os computadores a aprender com menos exemplos sem perder a capacidade de reconhecer a verdade. Eles focaram no Vulcão Lascar, no norte do Chile, um local monitorado por uma rede de onze estações sísmicas que registram os tremores da terra. A equipe reuniu um banco de dados de mais de seis mil eventos sísmicos, que já haviam sido classificados por especialistas em cinco categorias distintas: eventos de longo período, eventos vulcânico-tectônicos, eventos híbridos, eventos tectônicos e tremores. O desafio era que essas categorias não eram representadas de forma uniforme; alguns tipos de eventos eram comuns, enquanto outros eram tão raros que o computador tinha dificuldade em aprender como eram. Para corrigir isso, os pesquisadores empregaram uma estratégia chamada aumento de dados (data augmentation). Em vez de esperar que a natureza fornecesse mais eventos raros, eles usaram técnicas matemáticas para criar versões sintéticas dos novos dados existentes. Esses novos exemplos não eram falsos de uma forma enganosa; eram versões cuidadosamente modificadas de sinais reais, ajustadas apenas o suficiente para parecerem diferentes, mantendo sua identidade essencial intacta. O objetivo era dar ao computador uma biblioteca de exemplos mais rica e diversa para estudar, esperando que ele aprendesse as regras fundamentais da atividade vulcânica em vez de apenas memorizar detalhes específicos.

Os pesquisadores testaram diversas maneiras de criar esses novos exemplos. Alguns métodos adicionavam uma camada de ruído estático aos sinais, semelhante ao chiado de um rádio entre estações, para ver se o computador ainda conseguia reconhecer o padrão. Outros deslocavam levemente os sinais no tempo ou na frequência, ou combinavam partes de diferentes sinais para criar novos híbridos. Eles até usaram uma técnica inspirada na evolução biológica, onde o computador selecionava as melhores partes de dois sinais e as misturava para criar um novo. Para medir o quão bem esses novos sinais funcionavam, a equipe não olhou apenas para saber se o computador acertava a resposta; eles também mediram o quão diferentes os novos sinais eram dos originais. Eles precisavam garantir que os novos dados fossem diversos o suficiente para ensinar algo novo ao computador, mas semelhantes o suficiente ao mundo real para que as lições se aplicassem quando o computador encontrasse um vulcão real.

Os resultados foram impressionantes. Os pesquisadores descobriram que modelos treinados em conjuntos de dados contendo apenas dados aumentados frequentemente ofereciam um desempenho superior na classificação, com técnicas como Drifting, SpecAugment e Jittering alcançando acurácias de teste de 97,2%, 95,4% e 93,9%, respectivamente. No entanto, o estudo também revelou que um modelo treinado em uma mistura de dados reais e aumentados usando a técnica "Drifting" alcançou a acurácia mais alta de 98,3% quando testado em sinais do mundo real. Esses números são significativos porque mostram que o computador aprendeu a reconhecer os padrões subjacentes da atividade vulcânica tão bem que conseguiu ignorar o ruído e as variações do mundo real. O estudo também revelou que simplesmente adicionar mais dados às categorias raras não era suficiente; a qualidade e a diversidade desses dados adicionados importavam mais. Os modelos com melhor desempenho foram aqueles que viram uma ampla variedade de formas e texturas de sinais, forçando o computador a aprender as características centrais de cada tipo de evento em vez de depender de atalhos.

Este trabalho sugere um novo caminho para o monitoramento vulcânico. Ao usar o aumento de dados, os cientistas podem construir modelos de computador que sejam mais robustos e confiáveis, mesmo quando possuem muito poucos exemplos reais de eventos perigosos para começar. O estudo demonstrou que esses modelos podem ser treinados com dados de um único vulcão e ainda assim generalizar bem, o que significa que podem potencialmente ser aplicados a outros vulcões ao redor do mundo. Os pesquisadores concluíram que a chave para o sucesso não era apenas ter mais dados, mas ter dados mais inteligentes — exemplos que fossem diversos o suficiente para ensinar o computador a ser flexível, mas semelhantes o suficiente ao mundo real para serem úteis. No fim, o computador não apenas aprendeu a contar terremotos; ele aprendeu a ouvir a linguagem do vulcão com uma clareza que os próprios especialistas humanos poderiam ter dificuldade em alcançar, oferecendo uma nova ferramenta poderosa para compreender a evolução dinâmica e muitas vezes perigosa dos centros vulcânicos.