Internet of Things and Edge AI Solutions for Earthquake Monitoring and Early Warning

Seismic monitoring networks face challenges related to the sparsity of measurement instrumentation and the real-time data processing requirements. A completely centralized processing architecture introduces latency and data congestion, leading to slow responses and limiting the use of traditional seismic networks for Early Warning applications. This thesis proposes, develops, and experimentally evaluates solutions based on the Internet of Things (IoT) and distributed Artificial Intelligence (AI) to improve the accuracy and responsiveness of seismic monitoring systems. Specifically, the goal is to increase network density through low-cost solutions and exploit new decentralized paradigms for data processing, such as Edge AI. To address the challenges related to the limited number of sensors in current networks, low-cost IoT devices have been designed and appropriately integrated into an end-to-end architecture using lightweight communication protocols and Edge devices for efficient data management and integration with existing solutions. The developed devices have demonstrated excellent performance in detecting low- to medium-high-intensity earthquakes, achieving results comparable to more expensive seismic stations thanks to the use of data fusion algorithms directly on-board of IoT nodes. At the same time, AI solutions have been developed for the automatic detection of seismic waves and the estimation of their arrival times directly on Edge devices. Moving computation closer to the data sources helps reduce the latency of monitoring networks, while the use of low-cost Edge nodes allows for more widespread distribution of network intelligence. The AI solution developed has therefore been optimized for resource-limited devices and has achieved a reduction in inference latencies of 74.4% compared to the reference AI model from the literature, while maintaining an accuracy comparable to all main available AI algorithms for arrival time estimation in the literature. To support the future densification of monitoring networks through low-cost technologies, a method based on Recurrent Neural Networks (RNN) has also been developed to handle large volumes of data in scenarios with centralized or partially centralized computing resources. The developed model classifies data packets generated by source nodes or received from intermediate nodes, assigning priorities based on the urgency of transmission or processing. The solution achieved a detection rate of data streams containing seismic activity close to 99%, demonstrating excellent potential for optimizing network and computing resources. The main contribution of this thesis is the proposal of strategies and technological solutions for the creation of dense, fast, and accurate seismic monitoring networks, with particular attention to early warning systems with strict latency and accuracy constraints. The developed solutions pave the way for the large-scale adoption of low-cost sensing technologies and distributed intelligence in the field of seismic monitoring, improving immediate, precise, and reliable detection of seismic waves through optimized Edge AI routines.

Le reti di monitoraggio sismico affrontano sfide legate alla scarsa densità della strumentazione di misura e ai requisiti di elaborazione dei dati in tempo reale. Un’architettura di elaborazione completamente centralizzata introduce latenze e congestione dei dati, portando a risposte lente e limitando l'uso delle reti sismiche tradizionali per applicazioni di allerta precoce (Early Warning). Questa tesi propone, sviluppa e valuta sperimentalmente soluzioni basate sull’Internet of Things (IoT) e sull'Intelligenza Artificiale (Artificial Intelligence, AI) distribuita per migliorare l'accuratezza e la reattività dei sistemi di monitoraggio sismico. In particolare, l’obiettivo è aumentare la densità della rete tramite soluzioni a basso costo e sfruttare nuovi paradigmi decentralizzati per il processamento dei dati, come l’Edge AI. Al fine di affrontare le sfide legate al numero limitato di sensori nelle reti attuali, sono stati progettati dispositivi IoT a basso costo, opportunamente integrati in un'architettura end-to-end che utilizza protocolli di comunicazione leggeri e dispositivi Edge per la gestione efficiente dei dati e l’integrazione con soluzioni esistenti. I dispositivi sviluppati hanno dimostrato ottime prestazioni nel rilevamento di terremoti di bassa e media-alta intensità, raggiungendo risultati comparabili a stazioni sismiche più costose grazie all'uso di algoritmi di fusione dei dati direttamente a bordo dei nodi IoT. Parallelamente, sono state sviluppate soluzioni di AI per la rilevazione automatica delle onde sismiche e la stima dei tempi di arrivo direttamente su dispositivi Edge. Spostare la computazione vicino alle sorgenti dei dati consente di ridurre la latenza di risposta delle reti di monitoraggio, mentre l’utilizzo di nodi Edge a basso costo permette una distribuzione più capillare dell’intelligenza della rete. La soluzione di AI sviluppata è stata pertanto ottimizzata per dispositivi a risorse limitate e ha ridotto le latenze di inferenza del 74,4% rispetto al modello di riferimento, mantenendo un’accuratezza comparabile ai migliori modelli di AI disponibili. Per supportare la densificazione delle reti di monitoraggio tramite l’utilizzo di tecnologie a basso costo, è stato infine sviluppato un metodo basato su RNN (Recurrent Neural Network) per gestire grandi volumi di dati in scenari con risorse di calcolo centralizzate o parzialmente centralizzate. Il modello realizzato classifica i pacchetti di dati generati da nodi sorgenti o ricevuti da nodi intermedi, assegnando priorità in base all'urgenza di trasmissione o elaborazione. La soluzione ha raggiunto un tasso di rilevazione di stream di dati contenenti attività sismica prossimo al 99%, dimostrando un ottimo potenziale per l'ottimizzazione delle risorse di rete e di calcolo. I contributi di questa tesi propongono strategie e innovazioni tecnologiche per la realizzazione di reti di monitoraggio sismico dense, rapide e accurate, con particolare attenzione ai sistemi di allerta precoce, che possiedono vincoli stringenti di latenza e accuratezza. Le soluzioni sviluppate aprono nuove prospettive per l'adozione su larga scala di tecnologie di misura a basso costo e di intelligenza distribuita in ambito sismico, migliorando la rilevazione immediata, precisa e affidabile delle onde sismiche.