Informacionnye TehnologiiInformacionnye TehnologiiИнформационные технологии1684-6400New Technologies Publishing House70730310.17587/it.32.227-235Modeling and optimizationМоделирование и оптимизацияResearch ArticleEarthquake precursor detection algorithm based on two signal decomposition methods and machine learning and its numerical studyАлгоритм обнаружения предвестников землетрясений на основе двух методов декомпозиции сигналов и машинного обучения и его численное исследованиеKolesnikovaS. I.КолесниковаС. И.
Russian Federation

Dr. of Tech. Sc., Professor

д-р техн. наук, проф.

ksi@guap.ruTsygankovaE. A.ЦыганковаЕ. А.
Russian Federation

Master’s Student

магистр

katetsugankova@yandex.ruSaint-Petersburg State University of Aerospace InstrumentationСанкт-Петербургский государственный университет аэрокосмического приборостроения090520263252272350805202608052026Copyright ©; 2026, Informacionnye TehnologiiCopyright ©; 2026, Информационные технологии2026Informacionnye TehnologiiИнформационные технологииhttps://journals.eco-vector.com/1684-6400/article/view/707303

The results of the combined application of the empirical mode decomposition methods, internal decomposition over the time scale and the Hilbert transform for individual modes in order to identify the diagnostic feature of the main event precursor are presented. А computational experiment aimed at a comparative study of the reliability and stability of the obtained forecast for detecting earthquake precursors on a specific sample of real observations against the neural network algorithm was conducted.

Представлены результаты совместного применения методов эмпирической модовой декомпозиции, внутренней декомпозиции по шкале времени и преобразования Гильберта для отдельных мод в целях выделения диагностического признака предвестника основного события. Проведен вычислительный эксперимент, направленный на сравнительное исследование надежности и устойчивости получаемого прогноза обнаружения предвестников землетрясения на конкретной выборке реальных наблюдений против нейросетевого алгоритма.

empirical mode decomposition methodinternal decomposition over the time scaleHilbert-Huang transformearthquake precursor featuresnoise-to-signal ratiomachine learning metricsalgorithm trainingметод эмпирической модовой декомпозициивнутренняя декомпозиция по шкале временипреобразование Гильберта—Хуангапризнаки предвестников землетрясенийотношение шум—сигналметрики машинного обученияобучение алгоритмаHuang N. E., Shen Z., Long S. R., Wu M. C., Shih H. H., Zheng Q., Yen N., Tung C. C., Liu Н. H. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis, Proc. R. SOC. London, Ser. А, 1998, pp. 903—995.Huang N. E., Shen Z., Long S. R., Wu M. C., Shih H. H., Zheng Q., Yen N., Tung C. C., Liu Н. H. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis // Proc. R. SOC. London, Ser. А. 1998. P. 903—995.Frei M., Osorio G. I ntrinsic time-scale decomposition: time-frequency-energy analysis and real-time filtering of non-stationary signals, Proc. R. Soc. Lond. А: Mathematical, Physical and Engineering Sciences,2006,vol. 463, pp. 321—342.Frei M., Osorio G. I. Intrinsic time-scale decomposition: time-frequency-energy analysis and real-time filtering of non-stationary signals // Proc. R. Soc. Lond. А: Mathematical, Physical and Engineering Sciences. 2006. Vol. 463. P. 321—342.Hakim D. K., Gernowo R., Nirwansyah А. W. Flood prediction with time series data mining: Systematic review, Natural Hazards Research, 2024, vol. 4, no. 2, pp. 194—220, DOI: 10.1016/j.nhres.2023.10.001.Hakim D. K., Gernowo R., Nirwansyah А. W. Flood prediction with time series data mining: Systematic review // Natural Hazards Research. 2024. Vol. 4. № 2. P. 194—220. DOI: 10.1016/j.nhres.2023.10.001.Çoban B., Scaparra M. P., O’Hanley J. R. Use of OR in earthquake operations management: А review of the literature and roadmap for future research, International Journal of Disaster Risk Reduction, 2021, vol. 65, p. 102539, DOI: 10.1016/j.ijdrr.2021.102539.Çoban B., Scaparra M. P., O’Hanley J. R. Use of OR in earthquake operations management: А review of the literature and roadmap for future research // International Journal of Disaster Risk Reduction. 2021. Vol. 65. 102539. DOI: 10.1016/j.ijdrr.2021.102539.Abdalzaher M. S., Krichen M., Falcone F. Emerging technologies and supporting tools for earthquake disaster management: А perspective, challenges, and future directions, Progress in Disaster Science, 2024, vol. 23, p. 100347, DOI: 10.1016/j.pdisas.2024.100347.Abdalzaher M. S., Krichen M., Falcone F. Emerging technologies and supporting tools for earthquake disaster management: А perspective, challenges, and future directions // Progress in Disaster Science. 2024. Vol. 23. 100347. DOI: 10.1016/j.pdisas.2024.100347.He X., Chen Zh., Yang Q., Xu Ch. Advances in earthquake and cascading disasters, Natural Hazards Research, 2025, in press, DOI: 10.1016/j.nhres.2025.01.010.He X., Chen Zh., Yang Q., Xu Ch. Advances in earthquake and cascading disasters // Natural Hazards Research. 2025. inpress. DOI: 10.1016/j.nhres.2025.01.010.Pwavodi J., Ibrahim A. U., Pwavodi P. C., Al-Turjman F., Mohand-Said А. The role of artificial intelligence and IoT in prediction of earthquakes: Review, Artificial Intelligence in Geosciences, 2024, vol. 5, p. 100075, DOI: 10.1016/j.aiig.2024.100075.Pwavodi J., Ibrahim A. U., Pwavodi P. C., Al-Turjman F., Mohand-Said А. The role of artificial intelligence and IoT in prediction of earthquakes: Review // Artificial Intelligence in Geosciences. 2024. Vol. 5. 100075. DOI: 10.1016/j.aiig.2024.100075.Laurenti L., Tinti E., Galasso F., Franco L., Marone C. Deep learning for laboratory earthquake prediction and autoregressive forecasting of fault zone stress, Earth and Planetary Science Letters, 2022, vol. 598, p. 117825, DOI: 10.1016/j.epsl.2022.117825.Laurenti L., Tinti E., Galasso F., Franco L., Marone C. Deep learning for laboratory earthquake prediction and autoregressive forecasting of fault zone stress // Earth and Planetary Science Letters. 2022. Vol. 598. 117825. DOI: 10.1016/j.epsl.2022.117825.Kopylova G. N., Lyubushin A. A., Taranova L. N. New prognostic technology for analyzing variations in low-frequency seismic noise (using the example of regions of the Russian Far East), Rossiyskiy seysmologicheskiy zhurnal, 2021, vol. 3, no. 1, pp. 75—91 (in Russian), DOI: 10.35540/2686-7907.2021.1.05.Копылова Г. Н., Любушин А. А., Таранова Л. Н. Новая прогностическая технология анализа вариаций низкочастотного сейсмического шума (на примере районов Дальнего Востока России) // Российский сейсмологический журнал. 2021. T. 3, № 1. С. 75—91. DOI: 10.35540/2686-7907.2021.1.05.Bespalko A. A., Yavorovich L. V., Kolesnikova S. I., Bukreev V. G., Mertvetsov A. N., Fedotov P. I. Study of changes in the characteristics of electromagnetic signals during uniaxial compression of rock samples from the Tashtagol mine, Izvestiya vuzov. Fizika, 2011, vol. 54, no. 1—2, pp. 78—85 (in Russian).Беспалько А. А., Яворович Л. В., Колесникова С. И., Букреев В. Г., Мертвецов А. Н., Федотов П. И. Исследование изменений характеристик электромагнитных сигналов при одноосном сжатии образцов горных пород Таштагольского рудника // Изв. вузов. Физика. 2011. Т. 54, № 1—2. С. 78—85.Baktibayev D., Baigozha B., Akhmetov I., Mussabayev R., KrassovitskiyA., Toleu А. Literature review on aftershock and earthquake prediction models aided by NLP summarization and ontology extraction techniques, Procedia Computer Science, 2024, vol. 238, no. 2, pp. 579—586, DOI: 10.1016/j.procs.2024.06.064.Baktibayev D., Baigozha B., Akhmetov I., Mussabayev R., KrassovitskiyA., Toleu А. Literature review on aftershock and earthquake prediction models aided by NLP summarization and ontology extraction techniques // Procedia Computer Science. 2024. Vol. 238, N. 2. P. 579—586. DOI: 10.1016/j.procs.2024.06.064.Mandrikova O. V., Solovjev I. S., Khomutov S. Yu., Baishev D. G., Geppener V. V., Klionskiy D. M. Estimation of Geomagnetic Field Storminess Using the Wavelet Transform, Pattern recognition and image analysis (advances in mathematical theory and applications), 2016, vol. 26, no. 4, pp. 71—79.Mandrikova O. V., Solovjev I. S., Khomutov S. Yu., Baishev D. G., Geppener V. V., Klionskiy D. M. Estimation of Geomagnetic Field Storminess Using the Wavelet Transform // Pattern recognition and image analysis (advances in mathematical theory and applications). 2016. V. 26, N. 4. P. 71—79.Lyu Z., Ororbia A., Desell T. Online evolutionary neural architecture search for multivariate non-stationary time series forecasting, Applied Soft Computing, 2023, vol. 145, 110522, DOI: 10.1016/j.asoc.2023.110522.Lyu Z., Ororbia A., Desell T. Online evolutionary neural architecture search for multivariate non-stationary time series forecasting // Applied Soft Computing. 2023. Vol. 145. P. 110522. DOI: 10.1016/j.asoc.2023.110522.Kumar A., Wyłomańska A., Zimroz R., Xiang J., Antoni J. Critical challenges and advances in vibration signal processing for non-stationary condition monitoring, Advanced Engineering Informatics, 2025, vol. 65, part C, p. 103290, DOI: 10.1016/j.aei.2025.103290.Kumar A., Wyłomańska A., Zimroz R., Xiang J., Antoni J. Critical challenges and advances in vibration signal processing for non-stationary condition monitoring // Advanced Engineering Informatics. 2025. Vol. 65. Part C. P. 103290. DOI: 10.1016/j.aei.2025.103290.Poulimenos A. G., Fassois S. D. Parametric time-domain methods for non-stationary random vibration modelling and analysis — А critical survey and comparison, Mechanical Systems and Signal Processing, 2006, vol.20, iss. 4, pp. 763—816, DOI: 10.1016/j.ymssp.2005.10.003.Poulimenos A. G., Fassois S. D. Parametric time-domain methods for non-stationary random vibration modelling and analysis — А critical survey and comparison // Mechanical Systems and Signal Processing. 2006. Vol. 20(4). P. 763—816. DOI: 10.1016/j.ymssp.2005.10.003.Voznesensky А. S. Adaptive numerical methods of filtering and spectral analysis of non-stationary signals based on time-frequency decomposition: dis. ... Cand. of Engineering Sciences: defended 06/09/2022: approved 04/08/2022. St. Petersburg, 141 p. (in Russian).Вознесенский А. С. Адаптивные численные методы фильтрации и спектрального анализа нестационарных сигналов на основе частотно-временной декомпозиции: дис. ... канд. техн. наук: защищена 09.06.2022: утв. 08.04.2022 / Вознесенский Александр Сергеевич. СПб., 2022. 141 с.Panov S. V., Parushkin M. D., Semibalamut V. M., Fomin Yu. N. Application of empirical mode decomposition for monitoring deformation processes in adits and workings, Fiziko-tekhnicheskiye problemy razrabotki poleznykh iskopayemykh, 2017, no. 5, pp. 186—194 (in Russian).Панов С. В., Парушкин М. Д., Семибаламут В. М., Фомин Ю. Н. Применение эмпирической модовой декомпозиции для наблюдения за деформационными процессами в штольнях и выработках // Физико-технические проблемы разработки полезных ископаемых. 2017. № 5. С. 186—194.Panov S. V., Parushkin M. D., Semibalamut V. M., Fomin Yu. N. Heterodyne laser strainmeter for geophysical research, Aktual’nyye problemy sovremennoy seysmologii, Tashkent, 2016, pp. 293—299 (in Russian).Дюк В. А., Комашинский В. И., Малыгин И. Г., Сенкевич Ю. И., Аванесов М. Ю. Исследование эмпирической модовой декомпозиции в задаче анализа сигналов акустической эмиссии // Информация и космос. 2018. № 4. С. 50—55.Dyuk V. A., Komashinsky V. I., Malygin I. G., Senkevich Yu. I., Avanesov M. Yu. Study of empirical mode decomposition in the problem of analyzing acoustic emission signals, Informatsiya i kosmos, 2018, no. 4, pp. 50—55 (in Russian).Панов С. В., Парушкин М. Д., Семибаламут В. М., Фомин Ю. Н. Гетеродинный лазерный деформограф для геофизических исследований // Актуальные проблемы современной сейсмологии. Ташкент, 2016. С. 293—299.Oparin V. N. Methods and systems of seismic deformation monitoring of man-made earthquakes and rock bursts: in 2 vol’s, vol. 2 / ed. N. N. Melnikov, Novosibirsk, Publishing house of SO RAN, 2010, 261 p. (in Russian).Опарин В. Н. Методы и системы сейсмодеформационного мониторинга техногенных землетрясений и горных ударов: Т. 2. Новосибирск: Изд-во СО РАН, 2010. 261 с.Davis J., Goadrich M. The relationship between Precision-Recall and ROC curves, Proceedings of the 23rd International Conference on Machine Learning — ICML, 2006, pp. 233—240, DOI: 10.1145/1143844.1143874.Davis J., Goadrich M. The relationship between Precision-Recall and ROC curves // Proceedings of the 23rd International Conference on Machine Learning — ICML. 2006. P. 233—240. DOI: 10.1145/1143844.1143874.Perol T., Gharbi M., Denolle M. Convolutional neural network for earthquake detection and location, Science Advances, 2018, vol. 4 (2), p. 1700578, DOI: 10.1126/sciadv.1700578.Perol T., Gharbi M., Denolle M. Convolutional neural network for earthquake detection and location // Science Advances. 2018. Vol. 4(2). P. 1700578. DOI: 10.1126/sciadv.1700578.Sugiyama D., Tsuboi S., Yukutake Y. Application of deep learning-based neural networks using theoretical seismograms as training data for locating earthquakes in the Hakone volcanic region, Japan, Earth Planets Space, 2021, vol. 73 (135), DOI: 10.1186/s40623-021-01461-w.Sugiyama D., Tsuboi S., Yukutake Y. Application of deep learning-based neural networks using theoretical seismograms as training data for locating earthquakes in the Hakone volcanic region, Japan // Earth Planets Space. 2021. Vol. 73 (135). DOI: 10.1186/s40623-021-01461-w.Ulyanov N. A., Yaskevich S. V., Dergach P. A., Yablokov А. V. Detection of records of weak local earthquakes using neural networks, Geofizicheskiye tekhnologii, 2021, no. 2, pp. 13—23 (in Russian).Ульянов Н. А., Яскевич С. В., Дергач П. А., Яблоков А. В. Детекция записей слабых локальных землетрясений с использованием нейронных сетей // Геофизические технологии. 2021. № 2. С. 13—23.