Monitoreo de la actividad sísmica del territorio colombiano usando aprendizaje profundo

Abstract

Las redes sismológicas, ya sean mundiales, regionales o locales, tienen como objetivo vigilar la actividad sísmica. Esto implica la detección de eventos sísmicos y la determinación de su localización (latitud, longitud, profundidad y tiempo de origen) con un nivel aceptable de incertidumbre. Aplicamos estos pasos en tres redes sísmicas de forma automática. Una red sísmica regional (Red Sismológica Colombiana-CM, separación entre estaciones ~ 100 km), y dos redes locales y temporales (separación entre estaciones ~ 10-30 km) en el norte de Suramérica: Las redes sísmicas locales del Valle Medio de Magdalena (VMM) y de los Andes del Caribe-Mérida (YU).

Para ello, es necesario procesar los datos continuos de múltiples estaciones para detectar y picar las fases sísmicas (normalmente ondas de cuerpo). En muchas redes, este proceso lo lleva a cabo un analista que, examinando visualmente las trazas, determina el tiempo de llegada de cada onda a una estación. Sin embargo, en redes sísmicas densas o en despliegues temporales, esta tarea puede ser muy laboriosa y requerir varios analistas. Para detectar y picar las fases sísmicas automáticamente de la red CM, utilizamos dos modelos de Deep Learning pre-entrenados: EQTransformer y PhaseNet. Derivamos algunas estadísticas para comparar el rendimiento tanto en fiabilidad como en compatibilidad con el algoritmo de asociación y localización Scanloc. Basándonos en lo anterior, utilizamos solo EQTransformer para las dos redes locales.

El catálogo CM generado por los picks de PhaseNet y EQTransformer se comparó con el catálogo manual. Ambos catálogos son suficientemente confiables para mostrar una distribución similar de la sismicidad intermedia y somera del territorio colombiano. Las redes locales muestran un patrón más detallado de la localización de la sismicidad. Por último, fusionamos los catálogos en uno solo catálogo sísmico automático y usamos algunos cortes para identificar estructuras tectónicas regionales y resaltar fallas regionales. Los resultados muestran que esta implementación es lo suficientemente fiable como para generar catálogos sísmicos automáticos con la calidad adecuada en términos de errores de localización de eventos y es capaz de definir las principales estructuras tectónicas. Mejor aún, puede mejorar los tiempos de procesamiento de terremotos y complementar los catálogos manuales gracias a su buen rendimiento para terremotos pequeños y réplicas. (Texto tomado de la fuente)

Seismological networks, whether global, regional, or local, have the objective of monitoring seismic activity. This implies the detection of seismic events and determination of their location (latitude, longitude, depth and origin time) with an acceptable level of uncertainty. We apply these steps in three seismic networks automatically. A regional seismic network (Colombian Seismological Network-CM, station separation ~ 100 km), and two local and temporary networks (station separation ~ 10-30 km) in northern South America: the Middle Magdalena Valley Array (VMM), and the Carribean-Mérida Andes seismic array (YU).

To achieve this, continuous data of multiple stations needs to be processed to detect and pick seismic phases (usually body waves). In many networks this process is carried out by an analyst who, visually examining the traces, determines the arrival time of a wave at a station. However, for dense seismic networks or temporary deployments, this task can be very laborious, requiring several analysts. To detect and pick the seismic phases automatically of the CM network, we use two pre-trained Deep Learning models: EQTransformer and PhaseNet. We derive some statistics to compare the performance in both reliability and compatibility with the Scanloc association and location algorithm. Based on the above, we use only EQTransformer for the two local networks.

The CM catalog generated by the PhaseNet and EQTransformer picks was compared with the manual catalog. Both catalogs are sufficiently reliable to show asimilar distribution of intermediate and shallow seismicity in the Colombian territory. The local networks show a more detailed patterns of seismicity locations. At last, we merge the catalogs in only one automatic seismic catalog and use some transects to identify regional tectonic structures and highlight regional faults. The results show that this implementation is reliable enough to generate automatic seismic catalogs with the appropriate quality in terms of the event location errors and is capable of defining major tectonic structures. Better yet, it can improve earthquake processing times and complement manual catalogs due to its good performance for small earthquakes and aftershocks.