"Engineered Features" para la estimación de magnitud de eventos sísmicos

Abstract

La estimación de magnitud de eventos sísmicos es una tarea de vital importancia que debe realizarse con precisión y en un tiempo acotado de tiempo, ya que, para grandes eventos la rápida respuesta es crucial en casos de alertas de Tsunamis y así minimizar los costos económicos y en vidas. En este trabajo de memoria se evalúa el aporte de Engineered Features para la estimación de magnitud de eventos sísmicos. La arquitectura utilizada está basada en una red recurrente LSTM Bi-Direccional alimentada con features temporales. Luego la salida de la celda es concatena con los features globales e ingresados en una capa Fully Connected de salida. Los resultados en conjunto con la velocidad de testeo de la red neuronal, permiten concluir que implementar un modelo basado en deep learning sería una buena herramienta para un sistema de alerta temprana de terremoto (EWW) y alerta temprana de tsunamis (TEW) en territorio Chileno, lo cual facilitaría bastante el constante monitoreo realizado por el Centro Sismológico Nacional (CSN). La mejor configuración se obtuvo para el bloque LSTM Bi-Direccional concatenado con el feature global de ID-Estación en su expresión de enteros. Los mejores resultados por rango de magnitud son 3,93 % para M>4; 7,26 % para M<4 y 6,48 % para todas las magnitudes. Estos errores de estimación son totalmente aceptables como valores preliminares de magnitud y se obtienen en el orden de segundos, a diferencia de los métodos actuales que operan en el orden de minutos.