ANÁLISIS DE OBSERVACIONES HR-GNSS PARA MONITOREO DE SISMOS DE GRAN MAGNITUD MEDIANTE MODELOS DE ENTRENAMIENTO PROFUNDO.
El Sistema Satelital de Navegación Global con alta tasa de muestreo (≥ 1 Hz ; HR-GNSS), ha demostrado ser una fuente de información importante para el análisis de grandes sismos y contribuir con sistemas de alerta temprana. Mediante los datos de HR-GNSS es posible determinar eficazmente los desplazamientos del terreno, generados por eventos sísmicos de gran magnitud, que permiten carcaterizar propiedades de la fuente. Este trabajo desarrolla una herramienta de monitoreo de datos HR-GNSS en Python para ser integrado en la API para análisis de eventos sísmicos, SAIPy. Esta herramienta está constituida por dos modelos de aprendizaje profundo que operan secuencialmente: el primer modelo, DetEQ, detecta el inicio de los desplazamientos a partir de datos HR-GNSS con muestreo de 1 Hz en tres componentes (norte, este y vertical). El segundo modelo, MagEs, estima la magnitud de estos desplazamientos.
Para la evaluación de los modelos se utilizaron observaciones HR-GNSS de eventos sísmicos de México y Chile (recopiladas de UNAVCO y CDDIS). Previo a los modelos de entrenamiento profundo, se pre-procesaron los datos HR-GNSS evaluando la relación señal/ruido, ambigüedades de fase portadora, efectos de multitrayectoria y removiendo el retardo zenital Ionosférico utilizando la combinación de doble frecuencia. En la etapa de obtención de las posiciones (X,Y,H) por cada época, se utilizaron orbitas IGS, modelos de corrección: tierra sólida, mareas oceánicas, rotación terrestre, atmosfera; empleando la metodología de diferencial (Track/Gamit-GlobalK).
Dado el impacto significativo del ruido en la calidad de los registros GNSS, nuestros modelos de aprendizaje profundo han sido entrenados con datos de sismos Mw ≥ 6.9.
El modelo DetEQ ha sido entrenado con series temporales correspondientes a ventanas de tiempo de observación que no incluyen desplazamientos generados por algún sismo (solo ruido). Posteriormente, ha sido probado con observaciones, reales y sintéticas, que incluyen eventos sísmicos en la ventana de tiempo, cuya detección es el resultado de la interpretación del modelo como una anomalía en la serie temporal. Por otro lado, el modelo MagEs ha sido entrenado con datos sintéticos a partir del inicio detectado por DetEQ y luego se evalúa utilizando un conjuntos de observaciones de sismos sintéticos y reales. El proceso de estimación de magnitud comienza 15 segundos después de la detección y se actualiza cada segundo, hasta un tiempo máximo de 6.5 minutos posterior a la detección. Si bien estos algoritmos representan un avance significativo en el análisis sismológico, aún es necesario seguir trabajando en ciertos desafíos, tales como la calidad de los datos, la complejidad computacional y la adaptabilidad a diferentes escenarios tectónicos.