Расширенный поиск
Использование комплексных сетей в распознавании типов источников региональных сейсмических событий
1 Иркутский национальный исследовательский технический университет
2 Томский политехнический университет
3 Университет имени Шахида Бехешти
4 Байкальский филиал Федерального исследовательского центра “Единая геофизическая служба РАН”
5 Институт земной коры СО РАН
2 Томский политехнический университет
3 Университет имени Шахида Бехешти
4 Байкальский филиал Федерального исследовательского центра “Единая геофизическая служба РАН”
5 Институт земной коры СО РАН
Журнал: Сейсмические приборы
Том: 60
Номер: 4
Год: 2024
Страницы: 26-43
УДК: 550.34+005:519.173.5
DOI: 10.21455/si2024.4-2
Показать библиографическую ссылку
Аношко А.Ф., Берестнева
О.Г., Джафари
Г.М., Жуков
А.В., Труфанов
А.И., Хритова
М.А. Использование комплексных сетей в распознавании типов источников региональных сейсмических событий // Сейсмические приборы. 2024. Т. 60. № 4. С. 26-43. DOI: 10.21455/si2024.4-2
@article{Аношко Использование2024,
author = "Аношко , А. Ф. and Берестнева ,
О. Г. and Джафари ,
Г. М. and Жуков ,
А. В. and Труфанов ,
А. И. and Хритова
,
М. А.",
title = "Использование комплексных сетей в распознавании типов источников региональных сейсмических событий",
journal = "Сейсмические приборы",
year = 2024,
volume = "60",
number = "4",
pages = "26-43",
doi = "10.21455/si2024.4-2",
language = "Russian"
}
Скопировать ссылку в формате ГОСТ
Скопировать ссылку BibTex
Файлы:
Ключевые слова: региональные сейсмические события, промышленные взрывы, распознавание, временные ряды, оценки подобия, модели комплексных сетей, ts2net
Аннотация: Ни один из известных методов дискриминации источников сигналов, фиксируемых сейсмическими станциями, не может претендовать на превосходство в эффективности и универсальности. Для распознавания типов источников событий в дополнение к существующим предложен и опробован подход c элементами науки о сетях (в контексте комплексных сетей), уже распространившей свое влияние на широкий спектр предметных областей, включая ряд разделов сейсмологии, но, по существу, не замеченной в анализе волновых форм. Важно, что оценки подобия временных рядов, представляющих сейсмограммы, инициируемые различными источниками, позволяют конструировать сетевые структуры с топологией, чувствительной к характеру источника сейсмического сигнала. В основу практической реализации сетевой дискриминации заложен программный пакет на языке R (R-пакет) ts2net, приведший к разработке инструмента сравнения временных рядов и построения графов распознавания типов источников. Пример анализа сейсмограмм цифровой сейсмической станции “Тупик” Байкальского филиала ФИЦ ЕГС РАН (данные за 2001–2002 гг.) свидетельствует об уверенном различении источников взрывов с эпицентральным расстоянием до 250 км. Среди достоинств метода можно назвать простоту, прозрачную алгоритмизацию, несложную программную реализацию, приемлемую производительность, достаточную точность и интерпретируемость. Наряду с универсальностью, метод позволяет настраивать параметры с учетом региональных особенностей.
Список литературы: Асминг В.Э., Кременецкая Е.О., Виноградов Ю.А., Евтюгина З.А. Использование критериев идентификации взрывов и землетрясений для уточнения оценки сейсмической опасности региона // Вестник МГТУ. Труды Мурманского государственного технического университета. 2010. Т. 13, № 4-2. С.998–1007.
Асминг В.Э., Асминг С.В., Федоров А.В., Евтюгина З.А., Чигирев Е.Н., Кременецкая Е.О. Система автоматического распознавания типов источников региональных сейсмических событий // Сейсмические приборы. 2022. Т. 58, № 2. С.39–56. https://doi.org/10.21455/si2022.2-2
Добрынина А.А., Герман В.И., Саньков В.А. Распознавание промышленных взрывов и слабых природных землетрясений // Уголь. 2022. № S12 (1162). С.23–29. https://doi.org/10.18796/0041-5790-2022-S12-23-29
Замараев Р.Ю., Попов С.Е. Алгоритм автоматического обнаружения и классификации промышленных взрывов на основе энтропийного отображения сейсмических сигналов // Геофизические исследования. 2019. Т. 20, № 1. С.38–51. https://doi.org/10.21455/gr2019.1-4
Замараев Р.Ю., Попов С.Е., Логов А.Б. Алгоритм классификации сейсмических событий на основе энтропийного отображения сигналов // Физика Земли. 2016. № 3. С.31–37. https://doi.org/10.7868/S0002333716030133
Кислов К.В., Гравиров В.В. Глубокие искусственные нейронные сети как инструмент анализа сейсмических данных // Сейсмические приборы. 2017. Т. 53, № 1. С.17–28. https://doi.org/10.21455/si2017.1-2
Мельникова В.И., Гилёва Н.А., Масальский О.К. Прибайкалье и Забайкалье // Землетрясения Северной Евразии в 2001 году / Отв. ред. О.Е. Старовойт. Обнинск: ГС РАН, 2007. С.177–185.
Раутиан Т.Г. Энергия землетрясений // Методы детального изучения сейсмичности / Отв. ред. Ю.В. Ризниченко. М.: АН СССР, 1960. С.75–113.
Семибаламут В.М., Рыбушкин А.Ю. Комплекс автономных регистраторов сейсмических сигналов высокого разрешения // Проблемы сейсмологии III тысячелетия: Материалы международной конференции, Новосибирск, 15–19 сентября 2003 г. Новосибирск: СО РАН, 2003. С.420–428.
Abe S., Suzuki N. Scale-free network of earthquakes // Europhys. Lett. 2004. V. 65, N 4. P.581–586. https://doi.org/10.1209/epl/i2003-10108-1
Artime O., Grassia M., De Domenico M., Gleeson J.P., Makse H.A., Mangioni G., Perc M., Radicchi F. Robustness and resilience of complex networks // Nat. Rev. Phys. 2024. V. 6. P.114–131. https://doi.org/10.1038/s42254-023-00676-y
Asuero A.G., Sayago A., González A.G. The correlation coefficient: An overview // Crit. Rev. Analyt. Chem. 2006. V. 36, Iss. 1. P.41–59. https://doi.org/10.1080/10408340500526766
Barabási A.-L., Albert R. Emergence of Scaling in Random Networks // Science. 1999. V. 286, N 5439. P.509–512. https://doi.org/10.1126/science.286.5439.509
Bastian M., Heymann S., Jacomy M. Gephi: An open source software for exploring and manipulating networks // Proceedings of the 3rd International AAAI Conference on Web and Social Media. 2009. V. 3, N 1. P.361–362. https://doi.org/10.1609/icwsm.v3i1.13937
Berestneva O., Marukhina O., Rossodivita A., Tikhomirov A., Trufanov A. Networkalization of network–unlike entities: How to preserve encoded information // Creativity in Intelligent Technologies and Data Science: Proc. Third Conference, CIT&DS 2019, Volgograd, 16–19 September 2019 / Eds. A. Kravets, P. Groumpos, M. Shcherbakov, M. Kultsova. Part 1. Springer, 2019. P.143–151. https://doi.org/10.1007/978-3-030-29743-5_11
Berndt D.J., Clifford J. Using dynamic time warping to find patterns in time series // AAAI Technical Report WS-94-03. Menlo Park, CA: AAAI Press, 1994. P.359–370.
Biamonte J., Faccin M., De Domenico M. Complex networks from classical to quantum // Commun. Phys. 2019. V. 2. Art. 53. 10 p. https://doi.org/10.1038/s42005-019-0152-6
Boers N., Goswami B., Rheinwalt A., Bookhagen B., Hoskins B., Kurths J. Complex networks reveal global pattern of extreme-rainfall teleconnections // Nature. 2019. V. 566, N 7744. P.373–377. https://doi.org/10.1038/s41586-018-0872-x
Bormann P. Seismic signals and noise // New Manual of Seismological Observatory Practice (NMSOP) / Ed. P. Bormann. Potsdam: Deutsches GeoForschungsZentrum GFZ, 2009. P.1–34. https://doi.org/10.2312/GFZ.NMSOP_r1_ch4
Chakraborty A., Mukherjee G., Manna S.S. Weighted network analysis of earthquake seismic data // Physica A: Statist. Mech. & Appl. 2015. V. 433. P.336–343. https://doi.org/10.1016/j.physa.2015.03.037
Dong W., Moses C., Li K. Efficient k-nearest neighbor graph construction for generic similarity measures // WWW’11: Proc. 20th International World Wide Web Conference, Hyderabad, 28 March – 1 April 2011. P.577–586. https://doi.org/10.1145/1963405.1963487
Eppstein D., Paterson M.S., Yao F.F. On nearest-neighbor graphs // Discrete Comput. Geom. 1997. V. 17, Iss. 3. P.263–282. https://doi.org/10.1007/PL00009293
Ertuncay D., De Lorenzo A., Costa G. Seismic signal discrimination of earthquakes and quarry blasts in North-East Italy using deep neural networks // Pure Appl. Geophys. 2024. V. 181, Iss. 4. P.1139–1151. https://doi.org/10.1007/s00024-024-03440-0
Feng R., Yang Y., Hu W., Wu F., Zhang Y. Representation learning for scale-free networks // Proc. AAAI Conference on Artificial Intelligence. 2018. V. 32, N 1. P.282–289. https://doi.org/10.1609/aaai.v32i1.11256
Ferreira L.N. From time series to networks in R with the ts2net package // Appl. Network Sci. 2024. V. 9. Art. 32. 22 p. https://doi.org/10.1007/s41109-024-00642-2
Ferreira L.N., Ferreira N.C.R., Macau E.E.N., Donner R.V. The effect of time series distance functions on functional climate networks // Eur. Phys. J. Spec. Top. 2021a. V. 230, Iss. 14–15. P.2973–2998. https://doi.org/10.1140/epjs/s11734-021-00274-y
Ferreira L.N., Hong I., Rutherford A., Cebrian M. The small-world network of global protests // Sci. Rep. 2021b. V. 11. Art. 19215. 8 p. https://doi.org/10.1038/s41598-021-98628-y
Galluzzo D., Nardone L., La Rocca M., Esposito A.M., Manzo R., Di Maio R. Statistical moments of power spectrum: A fast tool for the classification of seismic events recorded on volcanoes // Adv. Geosci. 2020. V. 52. P.67–74. https://doi.org/10.5194/adgeo-52-67-2020
Giorgino T. Computing and visualizing dynamic time warping alignments in R: The dtw package // J. Statist. Software. 2009. V. 31, Iss. 7. P.1–24. https://doi.org/10.18637/jss.v031.i07
Girvan M., Newman M.E.J. Community structure in social and biological networks // Proc. Natl. Acad. Sci. 2002. V. 99, N 12. P.7821–7826. https://doi.org/10.1073/pnas.122653799
He X., Shah S.B.H., Wei B., Liu Zh. Comparison and analysis of network construction methods for seismicity based on complex networks // Complexity. 2021. V.2021, Iss. 1. Art. 6691880. 11 p. https://doi.org/10.1155/2021/6691880
Kalgotra P., Sharda R. Network analytics: An introduction and illustrative applications in health data science // J. Inform. Technol. Case Appl. Res. 2023. V. 25, Iss. 3. P.305–315. https://doi.org/10.1080/15228053.2023.2187995
Kan J., Dou L., Li J., Song Sh., Zhou K., Cao J., Bai J. Discrimination of microseismic events in coal mine using multifractal method and moment tensor inversion // Fractal Fract. 2022. V. 6, Iss. 7. Art. 361. 17 p. https://doi.org/10.3390/fractalfract6070361
Kim S., Lee K., You K. Seismic discrimination between earthquakes and explosions using support vector machine // Sensors. 2020. V. 20, Iss. 7. Art. 1879. 14 p. https://doi.org/10.3390/s20071879
Kremenetskaya E., Asming V., Jevtjugina Z., Ringdal F. Study of regional surface waves and frequency-dependent MS:mb discrimination in the European Arctic // Pure Appl. Geophys. 2002. V. 159, Iss. 4. P.721–733. https://doi.org/10.1007/s00024-002-8656-4
Lacasa L., Luque B., Ballesteros F., Luque J., Nuño J.C. From time series to complex networks: The visibility graph // Proc. Natl. Acad. Sci. 2008. V. 105, N 13. P.4972–4975. https://doi.org/10.1073/pnas.0709247105
Lotfi N. Earthquake network construction models: From Abe–Suzuki to a multiplex approach // Acta Geophys. 2023a. V. 71, Iss. 3. P.1111–1117. https://doi.org/10.1007/s11600-023-01025-4
Lotfi N. The earthquake network: The best time scale for network construction // Acta Geophys. 2023b. V. 71, Iss. 6. P.2565–2571. https://doi.org/10.1007/s11600-023-01134-0
Lu Y., Yao L., Li H., Kausar T., Zhang Zh., Gao P., Wang M. A new network representation for time series analysis from the perspective of combinatorial property of ordinal patterns // Heliyon. 2023. V. 9, Iss. 11. Art. e22455. 16 p. https://doi.org/10.1016/j.heliyon.2023.e22455
Mata A.S.d. Complex networks: A mini-review // Braz. J. Phys. 2020. V. 50. P.658–672. https://doi.org/10.1007/s13538-020-00772-9
Molontay R., Nagy M. Two decades of network science: As seen through the co-authorship network of network scientists // Proc. 2019 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (ASONAM), Vancouver, BC, 27–30 August 2019. P.578–583. https://doi.org/10.1145/3341161.3343685
Nizan O., Tal A. k-NNN: Nearest Neighbors of Neighbors for anomaly detection // Proc. 2024 IEEE/CVF Winter Conference on Applications of Computer Vision Workshops (WACVW), Waikoloa, HI, 1–6 January 2024. P.1005–1014. https://doi.ieeecomputersociety.org/
10.1109/WACVW60836.2024.00110
Quian Quiroga R., Kreuz T., Grassberger P. Event synchronization: A simple and fast method to measure synchronicity and time delay patterns // Phys. Rev. E. 2002. V. 66. Art. 041904. 7 p. https://doi.org/10.1103/PhysRevE.66.041904
Reshef D.N., Reshef Y.A., Finucane H.K., Grossman S.R., McVean G., Turnbaugh P.J., Lander E.S., Mitzenmacher M., Sabeti P.C. Detecting novel associations in large data sets // Science. 2011. V. 334, N 6062. P.1518–1524. https://doi.org/10.1126/science.1205438
Rezaei S., Darooneh A. H., Lotfi N., Asaadi N. The earthquakes network: Retrieving the empirical seismological laws // Physica A: Statist. Mech. & Appl. 2017. V. 471. P.80–87. https://doi.org/10.1016/j.physa.2016.12.003
Rezaei S., Moghaddasi H., Darooneh A.H. PageRank: An alarming index of probable earthquake occurrence // Chaos. 2019. V. 29, Iss. 6. Art. 063114. 8 p. https://doi.org/10.1063/1.5090387
Silva V.F., Silva M.E., Ribeiro P., Silva F. Time series analysis via network science: Concepts and algorithms // Data Min. Knowl. Disc. 2021. V. 11, Iss. 3. Art. e1404. 39 p. https://doi.org/10.1002/widm.1404
Su F., Aki K., Biswas N.N. Discriminating quarry blasts from earthquakes using coda waves // Bull. Seismol. Soc. Amer. 1991. V. 81, N 1. P.162–178. https://doi.org/10.1785/BSSA0810010162
Taylor K.M., Procopio M.J., Young C.J., Meyer F.G. Estimation of arrival times from seismic waves: A manifold-based approach // Geophys. J. Int. 2011. V. 185, Iss. 1. P.435–452. https://doi.org/10.1111/j.1365-246X.2011.04947.x
van Rossum M.C.W. A novel spike distance // Neural Comput. 2001. V. 13, Iss. 4. P.751–763. https://doi.org/10.1162/089976601300014321
Venables W.N., Smith D.M., R Development Core Team. An Introduction to R. Ed. 2nd. Network Theory, 2009. 144 p.
Vinh N.X., Epps J., Bailey J. Information theoretic measures for clusterings comparison: Variants, properties, normalization and correction for chance // J. Machine Learning Res. 2010. V. 11, N 95. P.2837–2854.
Wang J., Yin J., Nguyen M.H., Wang J., Xu W. Editorial: Big scientific data analytics on HPC and cloud // Front. Big Data. 2024. V. 7. Art. 1353988 2 p. https://doi.org/
10.3389/fdata.2024.1353988
Wang X., Mueen A., Ding H., Trajcevski G., Scheuermann P., Keogh E. Experimental comparison of representation methods and distance measures for time series data // Data Min. Knowl. Disc. 2013. V. 26. P.275–309. https://doi.org/10.1007/s10618-012-0250-5
Watts D.J., Strogatz S.H. Collective dynamics of “small-world” networks // Nature. 1998. V. 393, N 6684. P.440–442. https://doi.org/10.1038/30918
Wüster J. Discrimination of chemical explosions and earthquakes in central Europe – A case study // Bull. Seismol. Soc. Amer. 1993. V. 83, N 4. P.1184–1212. https://doi.org/10.1785/BSSA0830041184
Yavuz E., Sertçelik F., Livaoğlu H., Woith H., Lühr B.-G. Discrimination of quarry blasts from tectonic events in the Armutlu Peninsula. Turkey // J. Seismol. 2019. V. 23, Iss. 1. P.59–76. https://doi.org/10.1007/s10950-018-9793-2
Yılmaz Ş., Bayrak Y., Çınar H. Discrimination of earthquakes and quarry blasts in the eastern Black Sea region of Turkey // J. Seismol. 2013. V. 17, Iss. 2. P.721–734. https://doi.org/
10.1007/s10950-012-9348-x
Zhao W.-L., Wang H., Ngo Ch.-W. Approximate k-NN graph construction: A generic online approach // IEEE Transactions on Multimedia. 2022. V. 24. P.1909–1921. https://doi.org/
10.1109/TMM.2021.3073811
Асминг В.Э., Асминг С.В., Федоров А.В., Евтюгина З.А., Чигирев Е.Н., Кременецкая Е.О. Система автоматического распознавания типов источников региональных сейсмических событий // Сейсмические приборы. 2022. Т. 58, № 2. С.39–56. https://doi.org/10.21455/si2022.2-2
Добрынина А.А., Герман В.И., Саньков В.А. Распознавание промышленных взрывов и слабых природных землетрясений // Уголь. 2022. № S12 (1162). С.23–29. https://doi.org/10.18796/0041-5790-2022-S12-23-29
Замараев Р.Ю., Попов С.Е. Алгоритм автоматического обнаружения и классификации промышленных взрывов на основе энтропийного отображения сейсмических сигналов // Геофизические исследования. 2019. Т. 20, № 1. С.38–51. https://doi.org/10.21455/gr2019.1-4
Замараев Р.Ю., Попов С.Е., Логов А.Б. Алгоритм классификации сейсмических событий на основе энтропийного отображения сигналов // Физика Земли. 2016. № 3. С.31–37. https://doi.org/10.7868/S0002333716030133
Кислов К.В., Гравиров В.В. Глубокие искусственные нейронные сети как инструмент анализа сейсмических данных // Сейсмические приборы. 2017. Т. 53, № 1. С.17–28. https://doi.org/10.21455/si2017.1-2
Мельникова В.И., Гилёва Н.А., Масальский О.К. Прибайкалье и Забайкалье // Землетрясения Северной Евразии в 2001 году / Отв. ред. О.Е. Старовойт. Обнинск: ГС РАН, 2007. С.177–185.
Раутиан Т.Г. Энергия землетрясений // Методы детального изучения сейсмичности / Отв. ред. Ю.В. Ризниченко. М.: АН СССР, 1960. С.75–113.
Семибаламут В.М., Рыбушкин А.Ю. Комплекс автономных регистраторов сейсмических сигналов высокого разрешения // Проблемы сейсмологии III тысячелетия: Материалы международной конференции, Новосибирск, 15–19 сентября 2003 г. Новосибирск: СО РАН, 2003. С.420–428.
Abe S., Suzuki N. Scale-free network of earthquakes // Europhys. Lett. 2004. V. 65, N 4. P.581–586. https://doi.org/10.1209/epl/i2003-10108-1
Artime O., Grassia M., De Domenico M., Gleeson J.P., Makse H.A., Mangioni G., Perc M., Radicchi F. Robustness and resilience of complex networks // Nat. Rev. Phys. 2024. V. 6. P.114–131. https://doi.org/10.1038/s42254-023-00676-y
Asuero A.G., Sayago A., González A.G. The correlation coefficient: An overview // Crit. Rev. Analyt. Chem. 2006. V. 36, Iss. 1. P.41–59. https://doi.org/10.1080/10408340500526766
Barabási A.-L., Albert R. Emergence of Scaling in Random Networks // Science. 1999. V. 286, N 5439. P.509–512. https://doi.org/10.1126/science.286.5439.509
Bastian M., Heymann S., Jacomy M. Gephi: An open source software for exploring and manipulating networks // Proceedings of the 3rd International AAAI Conference on Web and Social Media. 2009. V. 3, N 1. P.361–362. https://doi.org/10.1609/icwsm.v3i1.13937
Berestneva O., Marukhina O., Rossodivita A., Tikhomirov A., Trufanov A. Networkalization of network–unlike entities: How to preserve encoded information // Creativity in Intelligent Technologies and Data Science: Proc. Third Conference, CIT&DS 2019, Volgograd, 16–19 September 2019 / Eds. A. Kravets, P. Groumpos, M. Shcherbakov, M. Kultsova. Part 1. Springer, 2019. P.143–151. https://doi.org/10.1007/978-3-030-29743-5_11
Berndt D.J., Clifford J. Using dynamic time warping to find patterns in time series // AAAI Technical Report WS-94-03. Menlo Park, CA: AAAI Press, 1994. P.359–370.
Biamonte J., Faccin M., De Domenico M. Complex networks from classical to quantum // Commun. Phys. 2019. V. 2. Art. 53. 10 p. https://doi.org/10.1038/s42005-019-0152-6
Boers N., Goswami B., Rheinwalt A., Bookhagen B., Hoskins B., Kurths J. Complex networks reveal global pattern of extreme-rainfall teleconnections // Nature. 2019. V. 566, N 7744. P.373–377. https://doi.org/10.1038/s41586-018-0872-x
Bormann P. Seismic signals and noise // New Manual of Seismological Observatory Practice (NMSOP) / Ed. P. Bormann. Potsdam: Deutsches GeoForschungsZentrum GFZ, 2009. P.1–34. https://doi.org/10.2312/GFZ.NMSOP_r1_ch4
Chakraborty A., Mukherjee G., Manna S.S. Weighted network analysis of earthquake seismic data // Physica A: Statist. Mech. & Appl. 2015. V. 433. P.336–343. https://doi.org/10.1016/j.physa.2015.03.037
Dong W., Moses C., Li K. Efficient k-nearest neighbor graph construction for generic similarity measures // WWW’11: Proc. 20th International World Wide Web Conference, Hyderabad, 28 March – 1 April 2011. P.577–586. https://doi.org/10.1145/1963405.1963487
Eppstein D., Paterson M.S., Yao F.F. On nearest-neighbor graphs // Discrete Comput. Geom. 1997. V. 17, Iss. 3. P.263–282. https://doi.org/10.1007/PL00009293
Ertuncay D., De Lorenzo A., Costa G. Seismic signal discrimination of earthquakes and quarry blasts in North-East Italy using deep neural networks // Pure Appl. Geophys. 2024. V. 181, Iss. 4. P.1139–1151. https://doi.org/10.1007/s00024-024-03440-0
Feng R., Yang Y., Hu W., Wu F., Zhang Y. Representation learning for scale-free networks // Proc. AAAI Conference on Artificial Intelligence. 2018. V. 32, N 1. P.282–289. https://doi.org/10.1609/aaai.v32i1.11256
Ferreira L.N. From time series to networks in R with the ts2net package // Appl. Network Sci. 2024. V. 9. Art. 32. 22 p. https://doi.org/10.1007/s41109-024-00642-2
Ferreira L.N., Ferreira N.C.R., Macau E.E.N., Donner R.V. The effect of time series distance functions on functional climate networks // Eur. Phys. J. Spec. Top. 2021a. V. 230, Iss. 14–15. P.2973–2998. https://doi.org/10.1140/epjs/s11734-021-00274-y
Ferreira L.N., Hong I., Rutherford A., Cebrian M. The small-world network of global protests // Sci. Rep. 2021b. V. 11. Art. 19215. 8 p. https://doi.org/10.1038/s41598-021-98628-y
Galluzzo D., Nardone L., La Rocca M., Esposito A.M., Manzo R., Di Maio R. Statistical moments of power spectrum: A fast tool for the classification of seismic events recorded on volcanoes // Adv. Geosci. 2020. V. 52. P.67–74. https://doi.org/10.5194/adgeo-52-67-2020
Giorgino T. Computing and visualizing dynamic time warping alignments in R: The dtw package // J. Statist. Software. 2009. V. 31, Iss. 7. P.1–24. https://doi.org/10.18637/jss.v031.i07
Girvan M., Newman M.E.J. Community structure in social and biological networks // Proc. Natl. Acad. Sci. 2002. V. 99, N 12. P.7821–7826. https://doi.org/10.1073/pnas.122653799
He X., Shah S.B.H., Wei B., Liu Zh. Comparison and analysis of network construction methods for seismicity based on complex networks // Complexity. 2021. V.2021, Iss. 1. Art. 6691880. 11 p. https://doi.org/10.1155/2021/6691880
Kalgotra P., Sharda R. Network analytics: An introduction and illustrative applications in health data science // J. Inform. Technol. Case Appl. Res. 2023. V. 25, Iss. 3. P.305–315. https://doi.org/10.1080/15228053.2023.2187995
Kan J., Dou L., Li J., Song Sh., Zhou K., Cao J., Bai J. Discrimination of microseismic events in coal mine using multifractal method and moment tensor inversion // Fractal Fract. 2022. V. 6, Iss. 7. Art. 361. 17 p. https://doi.org/10.3390/fractalfract6070361
Kim S., Lee K., You K. Seismic discrimination between earthquakes and explosions using support vector machine // Sensors. 2020. V. 20, Iss. 7. Art. 1879. 14 p. https://doi.org/10.3390/s20071879
Kremenetskaya E., Asming V., Jevtjugina Z., Ringdal F. Study of regional surface waves and frequency-dependent MS:mb discrimination in the European Arctic // Pure Appl. Geophys. 2002. V. 159, Iss. 4. P.721–733. https://doi.org/10.1007/s00024-002-8656-4
Lacasa L., Luque B., Ballesteros F., Luque J., Nuño J.C. From time series to complex networks: The visibility graph // Proc. Natl. Acad. Sci. 2008. V. 105, N 13. P.4972–4975. https://doi.org/10.1073/pnas.0709247105
Lotfi N. Earthquake network construction models: From Abe–Suzuki to a multiplex approach // Acta Geophys. 2023a. V. 71, Iss. 3. P.1111–1117. https://doi.org/10.1007/s11600-023-01025-4
Lotfi N. The earthquake network: The best time scale for network construction // Acta Geophys. 2023b. V. 71, Iss. 6. P.2565–2571. https://doi.org/10.1007/s11600-023-01134-0
Lu Y., Yao L., Li H., Kausar T., Zhang Zh., Gao P., Wang M. A new network representation for time series analysis from the perspective of combinatorial property of ordinal patterns // Heliyon. 2023. V. 9, Iss. 11. Art. e22455. 16 p. https://doi.org/10.1016/j.heliyon.2023.e22455
Mata A.S.d. Complex networks: A mini-review // Braz. J. Phys. 2020. V. 50. P.658–672. https://doi.org/10.1007/s13538-020-00772-9
Molontay R., Nagy M. Two decades of network science: As seen through the co-authorship network of network scientists // Proc. 2019 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (ASONAM), Vancouver, BC, 27–30 August 2019. P.578–583. https://doi.org/10.1145/3341161.3343685
Nizan O., Tal A. k-NNN: Nearest Neighbors of Neighbors for anomaly detection // Proc. 2024 IEEE/CVF Winter Conference on Applications of Computer Vision Workshops (WACVW), Waikoloa, HI, 1–6 January 2024. P.1005–1014. https://doi.ieeecomputersociety.org/
10.1109/WACVW60836.2024.00110
Quian Quiroga R., Kreuz T., Grassberger P. Event synchronization: A simple and fast method to measure synchronicity and time delay patterns // Phys. Rev. E. 2002. V. 66. Art. 041904. 7 p. https://doi.org/10.1103/PhysRevE.66.041904
Reshef D.N., Reshef Y.A., Finucane H.K., Grossman S.R., McVean G., Turnbaugh P.J., Lander E.S., Mitzenmacher M., Sabeti P.C. Detecting novel associations in large data sets // Science. 2011. V. 334, N 6062. P.1518–1524. https://doi.org/10.1126/science.1205438
Rezaei S., Darooneh A. H., Lotfi N., Asaadi N. The earthquakes network: Retrieving the empirical seismological laws // Physica A: Statist. Mech. & Appl. 2017. V. 471. P.80–87. https://doi.org/10.1016/j.physa.2016.12.003
Rezaei S., Moghaddasi H., Darooneh A.H. PageRank: An alarming index of probable earthquake occurrence // Chaos. 2019. V. 29, Iss. 6. Art. 063114. 8 p. https://doi.org/10.1063/1.5090387
Silva V.F., Silva M.E., Ribeiro P., Silva F. Time series analysis via network science: Concepts and algorithms // Data Min. Knowl. Disc. 2021. V. 11, Iss. 3. Art. e1404. 39 p. https://doi.org/10.1002/widm.1404
Su F., Aki K., Biswas N.N. Discriminating quarry blasts from earthquakes using coda waves // Bull. Seismol. Soc. Amer. 1991. V. 81, N 1. P.162–178. https://doi.org/10.1785/BSSA0810010162
Taylor K.M., Procopio M.J., Young C.J., Meyer F.G. Estimation of arrival times from seismic waves: A manifold-based approach // Geophys. J. Int. 2011. V. 185, Iss. 1. P.435–452. https://doi.org/10.1111/j.1365-246X.2011.04947.x
van Rossum M.C.W. A novel spike distance // Neural Comput. 2001. V. 13, Iss. 4. P.751–763. https://doi.org/10.1162/089976601300014321
Venables W.N., Smith D.M., R Development Core Team. An Introduction to R. Ed. 2nd. Network Theory, 2009. 144 p.
Vinh N.X., Epps J., Bailey J. Information theoretic measures for clusterings comparison: Variants, properties, normalization and correction for chance // J. Machine Learning Res. 2010. V. 11, N 95. P.2837–2854.
Wang J., Yin J., Nguyen M.H., Wang J., Xu W. Editorial: Big scientific data analytics on HPC and cloud // Front. Big Data. 2024. V. 7. Art. 1353988 2 p. https://doi.org/
10.3389/fdata.2024.1353988
Wang X., Mueen A., Ding H., Trajcevski G., Scheuermann P., Keogh E. Experimental comparison of representation methods and distance measures for time series data // Data Min. Knowl. Disc. 2013. V. 26. P.275–309. https://doi.org/10.1007/s10618-012-0250-5
Watts D.J., Strogatz S.H. Collective dynamics of “small-world” networks // Nature. 1998. V. 393, N 6684. P.440–442. https://doi.org/10.1038/30918
Wüster J. Discrimination of chemical explosions and earthquakes in central Europe – A case study // Bull. Seismol. Soc. Amer. 1993. V. 83, N 4. P.1184–1212. https://doi.org/10.1785/BSSA0830041184
Yavuz E., Sertçelik F., Livaoğlu H., Woith H., Lühr B.-G. Discrimination of quarry blasts from tectonic events in the Armutlu Peninsula. Turkey // J. Seismol. 2019. V. 23, Iss. 1. P.59–76. https://doi.org/10.1007/s10950-018-9793-2
Yılmaz Ş., Bayrak Y., Çınar H. Discrimination of earthquakes and quarry blasts in the eastern Black Sea region of Turkey // J. Seismol. 2013. V. 17, Iss. 2. P.721–734. https://doi.org/
10.1007/s10950-012-9348-x
Zhao W.-L., Wang H., Ngo Ch.-W. Approximate k-NN graph construction: A generic online approach // IEEE Transactions on Multimedia. 2022. V. 24. P.1909–1921. https://doi.org/
10.1109/TMM.2021.3073811
