Este estudio, presentado en el XVIII Congreso Peruano de Geología, explora la eficacia de las máquinas de soporte vectorial (SVM) para la clasificación automática de eventos sísmicos en el volcán Misti, Perú. Los investigadores del Observatorio Vulcanológico del Sur (OVS) analizaron señales sísmicas registradas en tres estaciones de monitoreo para identificar patrones de reconocimiento que permitan diferenciar entre sismos volcano-tectónicos (VT), de largo periodo (LP), tremor (TRE) y señales no volcánicas (OTR). Los resultados demuestran una alta precisión del modelo SVM, con una tasa de clasificación correcta superior al 90%, lo que confirma su potencial para optimizar el monitoreo volcánico y facilitar la toma de decisiones en tiempo real ante una eventual erupción.
Volcán Misti, sismos volcánicos, monitoreo volcánico, patrones de reconocimiento, máquinas de soporte vectorial (SVM), clasificación automática.
Contenido:
- Introducción:
- Se resalta la importancia del monitoreo sísmico en la vigilancia de volcanes activos, como el Misti, para la comprensión de los procesos volcánicos internos y la predicción de erupciones.
- Se describe el desafío que representa la clasificación manual de eventos sísmicos debido a la gran cantidad de datos y la necesidad de respuestas rápidas ante un incremento de la actividad volcánica.
- Se introduce el objetivo del estudio: desarrollar un algoritmo de clasificación automática basado en SVM para los eventos sísmicos del volcán Misti.
- Metodología:
- Selección de datos: Se utilizaron datos de tres estaciones sísmicas (MISC, MISD y MISE) de la red de monitoreo del volcán Misti, abarcando cuatro tipos de eventos sísmicos: VT, LP, TRE y OTR.
- Pre-procesamiento: Se aplicó un filtro pasa-banda a las señales sísmicas y se extrajeron seis características o patrones de reconocimiento para cada evento, considerando el dominio del tiempo y la frecuencia.
- Clasificación: Se implementó un modelo de clasificación basado en SVM para diferenciar los cuatro tipos de eventos sísmicos, utilizando las características extraídas como variables predictoras.
- Resultados:
- El análisis de la matriz de confusión reveló una alta precisión en la clasificación de los eventos sísmicos, alcanzando un 99% para VT, 97% para LP, 91% para TRE y 90% para OTR.
- En general, el modelo SVM logró una tasa de clasificación correcta del 94%.
- Discusión:
- Se destaca la ventaja de utilizar información de múltiples estaciones sísmicas para mejorar la precisión del modelo de clasificación, en comparación con estudios previos basados en una sola estación.
- Se enfatiza la eficacia de las SVM para diferenciar eventos VT y LP, que a menudo presentan dificultades en la clasificación manual debido a las alteraciones en las señales sísmicas.
- Se resalta la relevancia de las características de duración y energía espectral para la correcta clasificación de los eventos sísmicos.
- Conclusiones:
- El estudio demuestra la efectividad de un algoritmo basado en SVM para la clasificación automática de eventos sísmicos en el volcán Misti.
- Se propone la implementación de este algoritmo en el monitoreo permanente de otros volcanes en el sur del Perú (Ubinas, Sabancaya y Ticsani).
- Autor: Riky Centeno & Orlando Macedo
- Fecha de Publicación: 2017
Link de descarga: Aquí
