Explainable Machine Learning for Earthquakes: SHAP Interpretation of CNNs to Distinguish Seismic Spectrograms of Foreshocks and Aftershocks

Fault zone properties evolve during the seismic cycle and explainable machine learning can help us monitor these changes. We propose the innovative use of RGB spectrograms to represent 3-component seismic waveforms, facilitating both model training and interpretation. We apply a CNN to classify foreshocks and aftershocks from RGB spectrograms and use SHapley Additive exPlanations (SHAP) to interpret the model’s decisions. Given the CNN’s high accuracy (99.66%), we turn our attention to understanding its decision-making process through SHAP. SHAP reveals that the CNN distinguishes classes based on a narrow frequency band near 30 Hz, linked to elastic wave attenuation. The RGB format enables intuitive SHAP interpretation by preserving time-frequency structure across seismic components. Temporal SHAP analysis shows meaningful evolution in aftershocks, interpreted as fault healing, and highlights the complex and varied nature of foreshock behavior. Our work highlights SHAP as a robust and transparent method to extract physical insight from ML models and contributes to bridging data-driven approaches with seismological understanding.

Le proprietà delle zone di faglia evolvono durante il ciclo sismico e il machine learning spiegabile può aiutarci a monitorare tali cambiamenti. Proponiamo l'uso innovativo di spettrogrammi RGB per rappresentare forme d'onda sismiche a 3 componenti, facilitando sia l'addestramento sia l'interpretazione del modello. Applichiamo una rete neurale convoluzionale (CNN) per classificare foreshock e aftershock dagli spettrogrammi RGB e usiamo SHapley Additive exPlanations (SHAP) per interpretare le decisioni del modello. Data l'elevata accuratezza della CNN, pari al 99,66%, concentriamo l'attenzione sulla comprensione del suo processo decisionale tramite SHAP. L'analisi rivela che la CNN distingue le classi in base a una stretta banda di frequenza vicina ai 30 Hz, legata all'attenuazione delle onde elastiche. Il formato RGB permette un'interpretazione SHAP intuitiva perché conserva la struttura tempo-frequenza delle componenti sismiche. L'analisi temporale di SHAP mostra un'evoluzione significativa negli aftershock, interpretata come healing della faglia, ed evidenzia il comportamento complesso e vario dei foreshock. Il lavoro presenta SHAP come metodo solido e trasparente per estrarre informazioni fisiche dai modelli di machine learning e contribuisce a collegare gli approcci basati sui dati alla comprensione sismologica.