Sistema de reconocimiento de microterremotos en tiempo real del volcán Cotopaxi aplicando aprendizaje supervisado

Abstract

Vivimos en un mundo continuamente cambiante, donde se genera una variedad de fenómenos físicos naturales. Muchos de estos fenómenos físicos han sido monitorizados constantemente por el peligro latente que generan. Los volcanes son un claro ejemplo de un fenómeno natural que puede traer consecuencias catastróficas si entra en etapa eruptiva. En este contexto, el Ecuador posee uno de los volcanes más activos del mundo, lo que genera la necesidad de monitorizar y recopilar información por expertos en geofísica, los cuales están interesados en entender el comportamiento de dicho fenómeno, por estas razones generan la necesidad de estudiar métodos que permitan identificar posibles erupciones mediante la monitorización y detección de la actividad microsísmica de un volcán, con el fin de salvaguardar vidas y pérdidas materiales. En este proyecto se desarrolló un sistema de reconocimiento automático de microterremotos en tiempo real del volcán Cotopaxi al aplicar técnicas de aprendizaje supervisado. El modelo de reconocimiento es obtenido aplicando modelos de aprendizaje supervisado k-Vecinos Cercanos (kNN), Máquina de Vectores Soporte (SVM) y Árboles de Decisión (DT) a características de tiempo, frecuencia y escala, aplicados a los datos proporcionados por el Instituto Geofísico de la Escuela Politécnica Nacional con la actividad sísmica presentada del volcán Cotopaxi en los años 2012, 2013 y 2014. El sistema de reconocimiento está constituido por una etapa de detección y clasificación, para lo cual se realizan procesos de segmentación de la señal en ventanas, etiquetamiento, extracción de características, selección de características y obtención de modelos unificados en un sistema de votación. Para las etapas de detección y clasificación de microterremotos presentaron resultados en términos de exactitud, precisión, sensibilidad, especificidad y tasa de error de balanceo (BER, del inglés Balanced Error Rate), para la detección el algoritmo kNN alcanzó porcentajes del 98.15 %, 95.20 % y 0.017 para la exactitud, precisión y BER, respectivamente, mientras que en la clasificación el algoritmo SVM alcanzó porcentajes del 94.49 %, 60.42 % y 0.16 para la exactitud, precisión y BER respectivamente.