Diseño e implementación de un sistema basado en "Machine Learning" para la detección y caracterización automática de eventos sísmicos

Abstract

El desarrollo de sistemas automáticos, confiables y robustos para detección de terremotos es una tarea desafiante y necesaria. El rendimiento de estos puede empeorar si disminuye la SNR de sismogramas y si se emplea en una región diferente a la base de entrenamiento. Consecuentemente, los sistemas entrenados con bases de datos locales deberían funcionar mejor, pero suelen ser limitados. Para abordar estas dificultades, se propone un sistema end-to-end basado en DNN-HMM, con engineered features y modelos de duración de estados y eventos sísmicos. Esta propuesta requiere 20 veces menos parámetros que métodos más avanzados, por ello necesita una base de datos de entrenamiento más pequeña. Además, los modelos de duración pueden aumentar significativamente la robustez al ruido. El sistema descrito proporciona un puntaje f1-score promedio 105% mayor que los esquemas publicados con bases de datos de Iquique y del norte de Chile. También presenta una reducción del puntaje f1-score de un 16%, cuando la SNR promedio se reduce en 17dB aproximadamente, siendo mínimo la mitad de la observada en otros sistemas avanzados con condiciones equivalentes. Respecto a la detección de pequeños sismos a cortas distancias epicentro-estación, el promedio de la precisión es al menos un 7% superior a otros sistemas.