Estimación del azimut en eventos sísmicos utilizando Deep Learning

Abstract

La tarea de estimación de localización de eventos sísmicos es una labor de gran relevancia, sobre todo en el contexto de los Sistemas de Alerta Temprana. Usualmente, para realizar dicha estimación se utiliza la información registrada a partir de varias estaciones sismológicas, lo cual conlleva una pérdida de tiempo valioso. Considerando ello, el presente trabajo adopta un enfoque diferente, consistente en estimar la dirección de origen de un evento sísmico a partir de una sola estación, donde dicha dirección está definida por el ángulo back-azimut. Para realizar la tarea de estimación del back-azimut, se emplean técnicas de Deep Learning. En particular, se emplea una arquitectura convolucional (CNN). Para reforzar el desempeño de dicha arquitectura, se emplea un mecanismo de auto-atención (Multi-Head Attention, abreviado MHAT), al igual que se añade información respecto a cuál estación es la que registra la señal (ID station). Al conjunto de esta red se le denomina CNN-MHAT. El modelo planteado hace uso de la polarización de la onda P, y solo requiere de la señal en los canales Z, N y E en un período que comprende un segundo antes de la llegada de esta onda, y tres segundos posterior a tal instante. Para entrenar y evaluar el modelo, se dispone de un total de 3160 avistamientos sísmicos. Dicha base de datos se divide en conjuntos de entrenamiento, validación y prueba siguiendo una proporción aproximada de 60 %, 20 % y 20 % respectivamente. Adicionalmente, la base de datos se subdivide en 2: solo eventos con magnitud mayor o igual a 4, y avistamientos referidos a microsismicidad (distancia epicentral menor a 100 km y magnitud menor o igual a 2,5). Con ello, se busca revisar el desempeño del modelo frente al problema de localizar eventos en los contextos de alerta temprana y microsismicidad. En todos los casos, para evaluar el desempeño del modelo se emplea la métrica de error absoluto medio (MAE). Los resultados obtenidos sobre el conjunto de prueba de la base de datos completa dan cuenta que tanto el uso del mecanismo atencional como el añadir información de la estación suponen una mejora en el rendimiento de la red. En efecto, sobre el conjunto de prueba de la base de datos completa la red CNN-MHAT reporta un valor MAE de 10,06°, mientras que las redes CNN-MHAT sin ID y CNN reportan valores MAE de 11,44° y 10,91° respectivamente. Adicionalmente, se compara el desempeño de la red con un método clásico de estimación de back-azimut, el cual arroja un error absoluto medio de 23,85°. Finalmente, al emplear la base de datos con eventos cuya magnitud es mayor o igual a 4, el error absoluto medio obtenido al evaluar la red CNN-MHAT sobre el conjunto de prueba es igual a 8,51°. Por otra parte, al utilizar la base de datos de microsismicidad, el modelo en cuestión reporta un error sobre el conjunto de prueba igual a 15,42°. A partir de lo anterior, se concluye que el problema enfrentado es dependiente del SNR de las señales.