COMPARATIVA DE ASOCIADORES DE FASES SÍSMICAS PARA LA DETECCIÓN DE ACTIVIDAD EN LA SECUENCIA SÍSMICA DE ABRIL DEL 2019 EN EL VOLCÁN DE COLIMA, MÉXICO.
En las primeras horas (UTC) del 26 de abril del 2019 inició una secuencia de eventos sísmicos bien registrados en la Red Sismológica Telemétrica del Estado de Colima (RESCO) que monitorea en tiempo real el Volcán de Colima. Tras poco más de dos años previos con un descenso notable en la actividad volcánica después de un largo periodo eruptivo (Reyes-Dávila et al., 2016), la presencia de esta actividad alertó a las instituciones responsables del monitoreo. Aunque finalmente no se inició un nuevo ciclo eruptivo a partir de este año, presentamos en este análisis preliminar la tarea inicial de la caracterización del proceso: la detección de sismicidad utilizando técnicas desarrolladas desde herramientas de la inteligencia artificial.
A través del Seisbench (Woollam et al., 2022) utilizamos el Earthquake Transformer (Mousavi et al., 2020), una herramienta basada en el Machine Learning para el picado automático de fases sísmicas de onda P y S. La posterior asociación de fases, que es una tarea esencial en la caracterización de sismicidad, fue realizada con dos herramientas construidas desde un enfoque metodológico distinto. Para realizar el análisis que aquí presentamos, comparamos los catálogos de eventos preliminares de dos asociadores: Primero el GaMMa (Zhu et al., 2022), que asume un desplazamiento hiperbólico de fases desde el origen en donde cada evento es un componente de una mezcla Gaussiana y segundo, el PyOcto (Münchmeyer, 2024) que es un asociador basado en una arquitectura OcTree, que es una estructura de datos jerárquica que genera particiones 4-D del espacio-tiempo en la búsqueda de orígenes. La localización hipocentral preliminar que también generan estas herramientas es comparada con un localizador convencional.