Implementación de métodos basados en deep learning para localización de eventos sísmicos de origen volcánico

Abstract

La localización de eventos sísmicos de origen volcánico es una tarea de importancia para la evaluación de riesgos y para el estudio de las estructuras internas de un volcán. Los métodos más comúnmente usados en la actualidad se basan en la detección de fases de ondas sísmicas que, debido a la alta sensibilidad de la localización respecto a estas, mantienen una etapa de inspección visual por parte de expertos. El presente trabajo expone el estudio y los resultados de la aplicación de métodos de redes neuronales profundas (Deep Learning, DL) para la localización de epicentro de eventos volcánicos provenientes del Volcán Chillán, sin la necesidad de detección de ondas (end-to-end). Las arquitecturas exploradas fueron redes convolucionales (CNN) y redes recurrentes, en particular, LSTM. Las señales de entrada a las redes fueron preprocesadas usando la Transformada de Fourier de Tiempo Reducido (STFT), que demostró ser un buen compromiso entre representación temporal y frecuencial. Se prosigue con una comparación de los resultados, tanto entre las arquitecturas exploradas como contra un método de detección automático, consistente en una integración de un detector automático (PhasePicker ) y un programa localizador en base a picado de ondas (HYPO71). Considerando como métrica de rendimiento el porcentaje de errores menores a 1 km LSTM consigue mejores resultados (49,351 %) que CNN (44,156 %) y, ambos, sobrepasan de manera considerable al método automático (1,37 %).