Sistema de reconocimiento automático de microsismos volcánicos basado en redes neuronales convolucionales

Abstract

En este trabajo se propone el desarrollo de un sistema de reconocimiento automático de señales sísmicas que consta de tres etapas: pre procesamiento, detección y clasificación. En la etapa de pre procesamiento se propone considerar el trayecto o canal de propagación como un sistema lineal e invariante con el tiempo para estimar la señal sísmica producida en el punto de origen del sismo, reduciendo las perturbaciones provocadas por el canal. En la etapa de detección se propone dos técnicas: una modificación del algoritmo STA/LTA (detector MarGra) y también se propone un segundo detector basado en redes neuronales convolucionales (detector C2N), los dos sistemas cumplen con las métricas establecidas por el Instituto Geofísico de la Escuela Politécnica Nacional (IGEPN). En la tercera etapa, se propone la clasificación de eventos utilizando redes neuronales convolucionales. Para entrenar las redes neuronales se propone el uso de espectrogramas, y para superar el problema de un conjunto de datos limitados, se utiliza la técnica de transferencia de aprendizaje para generar los espectrogramas se realiza un análisis de las bandas de frecuencia de cada tipo evento sísmico para resaltar las bandas de frecuencia que diferencia a los distintos tipos de eventos con funciones de ventana distintas. Finalmente, se evalúa el sistema propuesto con distintas bases de datos previamente analizadas por expertos, consiguiendo una mejora en la relación señal a ruido de 10dB, una probabilidad de detección de 99 % para los dos detectores propuestos, y una exactitud en clasificación de 97.5 % entre eventos de largo periodo y eventos volcano tectónicos.