Analysis of Foreshocks and Aftershocks in a microseismic sequence in Switzerland using Explainable AI

Fault zone properties evolve throughout the seismic cycle, reflecting variations in stress conditions and progressive damage. Recent studies applying explainable machine learning to the 2016–2017 Norcia, central Italy, earthquake sequence have demonstrated that these temporal variations can be detected directly from seismic waveforms (Laurenti et al. 2024). Here, we extend this approach to investigate whether similar signatures can be identified at a different spatial and magnitude scale.

In this work, we study a microseismic sequence close to the village Diemtigen in central Switzerland that occurred between April 2014 to September 2015. The dataset includes 4 main events with magnitudes between ML 2.7 and 3.2, along with the earthquakes recorded before and after each main event. The high-resolution dataset was assembled using template-matching analysis (Simon et al., 2021).

We train a convolutional neural network (CNN) to classify foreshocks and aftershocks, and we use SHapley Additive exPlanations (SHAP) to interpret the results. The CNN is trained on spectrograms derived from raw waveforms. SHAP provides pixel-level attribution maps for each spectrogram, allowing us to identify which frequency-time components contribute most to the predictions. The CNN distinguishes between seismic traces before and after a main event, even if the waveform is pure seismic noise, without any earthquake recording. When classifying earthquake traces, SHAP analysis highlights key features in foreshocks in correspondence to the P-S arrival in the frequency range of 30-40 Hz. This observation is consistent with previous results from the Norcia earthquake sequence (Magrini et al. 2026), where the same method identified comparable time-frequency features associated with foreshock activity.

This framework offers new physics-based insight into the evolution of fault zones. It demonstrates the potential of Explainable AI to complement classical earthquake sequence analysis by revealing subtle, physically meaningful signatures directly from seismic data, and thereby bridging data-driven approaches with seismological understanding.

Le proprietà delle zone di faglia evolvono durante il ciclo sismico, riflettendo variazioni nelle condizioni di stress e un danneggiamento progressivo. Studi recenti, che applicano il machine learning spiegabile alla sequenza sismica di Norcia del 2016 e 2017 nell'Italia centrale, hanno dimostrato che queste variazioni temporali possono essere rilevate direttamente dalle forme d'onda sismiche (Laurenti et al. 2024). In questo lavoro estendiamo l'approccio per verificare se firme simili possano essere riconosciute a una scala spaziale e di magnitudo differente.

Studiamo una sequenza microsismica vicina al villaggio di Diemtigen, nella Svizzera centrale, avvenuta tra aprile 2014 e settembre 2015. Il dataset include 4 eventi principali con magnitudo comprese tra ML 2.7 e 3.2, insieme ai terremoti registrati prima e dopo ciascun evento principale. Il dataset ad alta risoluzione è stato costruito mediante un'analisi di template matching (Simon et al., 2021).

Addestriamo una rete neurale convoluzionale (CNN) a classificare foreshock e aftershock e usiamo SHapley Additive exPlanations (SHAP) per interpretarne i risultati. La CNN viene addestrata su spettrogrammi ottenuti dalle forme d'onda grezze. SHAP fornisce mappe di attribuzione a livello dei singoli pixel, permettendo di individuare le componenti nel dominio tempo-frequenza che contribuiscono maggiormente alle previsioni. La CNN distingue le tracce sismiche precedenti e successive a un evento principale anche quando la forma d'onda contiene soltanto rumore sismico e non registra alcun terremoto. Nella classificazione delle tracce di terremoto, l'analisi SHAP evidenzia caratteristiche chiave dei foreshock in corrispondenza degli arrivi P-S, nella banda di frequenza tra 30 e 40 Hz. L'osservazione è coerente con i risultati precedenti ottenuti sulla sequenza di Norcia (Magrini et al. 2026), dove lo stesso metodo ha individuato caratteristiche tempo-frequenza comparabili associate all'attività dei foreshock.

Questo metodo offre nuove informazioni, fondate sulla fisica, sull'evoluzione delle zone di faglia. Dimostra il potenziale dell'intelligenza artificiale spiegabile nel completare l'analisi classica delle sequenze sismiche, rivelando direttamente nei dati firme sottili e fisicamente significative e collegando così gli approcci basati sui dati alla comprensione sismologica.