Resumen:
El conocimiento de los volcanes brinda información acerca de su historia eruptiva, como los estilos de erupción y eventos sísmicos presentes, esta información permite evaluar el peligro asociado a la actividad volcánica. La vigilancia y monitorización de un volcán comúnmente se lo realiza de forma visual por medio de personal capacitado en el área y observatorios vulcanológicos; por esta razón es necesario estudiar métodos que permitan identificar de una manera automática posibles erupciones volcánicas mediante esta monitorización y reconocimiento de microsismos, con el fin de anticipar eventos eruptivos devastadores para salvaguardar la mayor cantidad de vidas. En este trabajo de investigación se plantea identificar características para distinguir entre las distintas señales de microsismos entre las que constan: volcano-tectónico, largo período, tremor y tectónico. La caracterización al emplear técnicas de aprendizaje de máquina tradicional (ML, del inglés Machine Learning), selecciona las características principales de los datos recopilados. Para conseguir este objetivo se emplean dos clasificadores de aprendizaje supervisado: Árbol de Decisión (DT, del inglés Decision Tree) y Máquina de Vector Soporte. Además, se emplean los valores de energía de los coeficientes resultantes de la Transformada Wavelet (WT, del inglés Wavelet Transform) multinivel como características de entrada a los modelos de ML, donde, cada característica obedece a un rango en el dominio de la frecuencia. Como resultado se determina que la caracterización de las señales de microsismos está definida por los coeficientes wavelet de detalle cD3, cD5 y cD7, que corresponden al rango de frecuencias de 6.25 a 12.5 Hz, 1.56 a 3.12 Hz y 0.39 a 0.78 Hz respectivamente. Estas características surgen tras determinar los mejores resultados al utilizar una wavelet de la familia Daubechies, 10 niveles de descomposición en la WT y un clasificador DT. Para corroborar los resultados, se reentrena el modelo DT con las tres características principales del dominio de la escala y se logra obtener un 76.2% de exactitud de clasificación.
