Monitoring continuous volcano-seismic signals is often performed by systems trained on scarce or incomplete datasets. From a machine learning perspective, these types of systems are typically built by learning from seismic records containing information not only on the volcanic dynamics, but also on the complex inner structure of the volcanic edifice. The dual nature of the information content presents a challenge when it comes to modeling events temporally. Here, we show that while existing recurrent-neural-network-based monitoring systems recognize almost 90% of events annotated in seismic catalogs, the long-range temporal dependencies are still hard to model. We found that dilated recurrent neural networks based on multiresolution dilated recurrent skip connections between layers have the remarkable capability to simultaneously enhance the efficiency of the model, reducing the number of training parameters, while increasing the performance of the model when compared with classical recurrent neural networks in sequence modeling tasks involving very long-term seismic records. Our results offer the potential to increase the reliability of monitoring tools despite the variations in the geophysical properties of the seismic events within the volcano across eruptive periods.

Abstract The fundamental value of universal nomenclatural systems in biology is that they enable unambiguous scientific communication. However, the stability of these systems is threatened by recent discussions asking for a fairer nomenclature, raising the possibility of bulk revision processes for “inappropriate” names. It is evident that such proposals come from very deep feelings, but we show how they can irreparably damage the foundation of biological communication and, in turn, the sciences that depend on it. There are four essential consequences of objective codes of nomenclature: universality, stability, neutrality, and transculturality. These codes provide fair and impartial guides to the principles governing biological nomenclature and allow unambiguous universal communication in biology. Accordingly, no subjective proposals should be allowed to undermine them.

Abstract There is an ongoing need for scalable tools to aid researchers in both retrospective and prospective standardization of discrete entity types—such as disease names, cell types, or chemicals—that are used in metadata associated with biomedical data. When metadata are not well-structured or precise, the associated data are harder to find and are often burdensome to reuse, analyze, or integrate with other datasets due to the upfront curation effort required to make the data usable—typically through retrospective standardization and cleaning of the (meta)data. With the goal of facilitating the task of standardizing metadata—either in bulk or in a one-by-one fashion, e.g. to support autocompletion of biomedical entities in forms—we have developed an open-source tool called text2term that maps free-text descriptions of biomedical entities to controlled terms in ontologies. The tool is highly configurable and can be used in multiple ways that cater to different users and expertise levels—it is available on Python Package Index and can be used programmatically as any Python package; it can also be used via a command-line interface or via our hosted, graphical user interface–based web application or by deploying a local instance of our interactive application using Docker. Database URL: https://pypi.org/project/text2term