DETECCIÓN DE SISMOS UTILIZANDO APRENDIZAJE PROFUNDO.
En los últimos años, la capacidad de monitoreo del Servicio Sismológico Nacional (SSN), así como de las diversas redes del mundo, ha crecido de forma exponencial debido al aumento en el número de estaciones y a la facilidad de almacenar datos de forma digital. Esto ha permitido, por una parte, tener un registro de sismos cada vez más pequeños que, al ser más frecuentes, son la base del crecimiento acelerado del registro sísmico. Sin embargo, por otra parte, esto ha hecho que los métodos manuales de análisis de sismos sean cada vez más difíciles de llevar a cabo.
Ante esta problemática, se propone un modelo de red neuronal para la detección de sismos utilizando sus espectrogramas. Esto permite diferenciar las distintas señales que registra un sismómetro, por ejemplo, el ruido producido por el paso de vehículos, señales provenientes de la atmósfera (huracanes, tormentas, oleaje, viento, etc.), entre otros. El conjunto de datos utilizado para el entrenamiento contiene en su mayoría réplicas del sismo de Ometepec, Guerrero, con magnitud Mw=7.4, ocurrido el 20 de marzo de 2012. Por lo que el trabajo se centra en detectar sismos con una relación señal a ruido relativamente baja cercanos a la estación sísmica PNIG localizada en Pinotepa Nacional, Oaxaca.
Para el entrenamiento de la red neuronal se utilizaron 17,361 sismos detectados mediante el algoritmo FAST (Fingerprint and Similarity Thresholding, Yoon et al. 2015), los cuales fueron revisados de manera manual para validar la calidad del conjunto de entrenamiento. Para cada sismo detectado se obtuvo su espectrograma en ventanas de 30s, los cuales fueron usados como imágenes de entrada para el entrenamiento de la red neuronal. El modelo propuesto en este trabajo cumple satisfactoriamente con el proceso tanto en la parte de clasificación como en la parte de detección. En lo que se refiere a la clasificación se muestra como resultado una exactitud (relación del número de predicciones correctas entre el total de predicciones) de 99.37% y un Recall (relación que existe entre el número de ejemplos positivos correctamente clasificados como positivos y el total de muestras positivas) fue de 100%. En cuanto a la detección, los resultados son un mAP = 98.74% (promedio de la precisión media de todas las clases). Estos resultados son confiables estadísticamente, por lo tanto, el algoritmo de detección de sismos desarrollado se puede implementar en otras estaciones sísmicas como apoyo en la determinación de la ocurrencia de estos eventos.