Implementación de selectividad de sensores en programa capaz de predecir epicentro de eventos volcánicos del volcán Chillán

Abstract

La localización de eventos sísmicos de origen volcánico han sido una tarea desafiante en la literatura, ya que presenta una dificultad mayor que la de sismos de origen tectónico. Los eventos sísmicos volcánicos son útiles para determinar las orientaciones de estrés de los volcanes, así como su estructura interna y predicción de su comportamiento. Los métodos de localización semi-automáticos utilizados hoy en día presentan múltiples falencias, es por esto que este proceso aún es altamente dependiente del monitoreo de expertos.

Este trabajo consiste en mejorar el desempeño de un programa creado previamente por el autor, el cual corresponde de un modelo de Deep Learning entrenado con el objetivo de localizar automáticamente el epicentro de eventos sísmicos volcánicos del Volcán Chillán. Esto se logra utilizando la red de estaciones de monitoreo del Observatorio Volcanológico de los Andes Sur (OVDAS).

El modelo logra localizar los epicentros sísmicos utilizando la técnica de End-to-End, lo que le permite pasar por alto la etapa de detección de las ondas internas (P y S) del evento sísmico. Esto se realizó investigando las capacidades de las Long-Short Term Memory, que corresponde a un tipo especial de redes recurrente especializada en el aprendizaje de secuencias largas.

Finalmente se presentan y analizan los resultados obtenidos, efectuando una comparación entre las distintas arquitecturas de Deep Learning aplicadas, así como el efecto de la implementación una variable de incertidumbre. Además, se comparan también los resultados con el modelo creado previamente y los métodos automáticos que se utilizan hoy en día. El principal aporte del trabajo es la superación del modelo anterior (52.15% vs. 48.5% de acierto) utilizando la base de datos completa proporcionada, sin desechar los eventos problemáticos.