Detección y clasificación automática de registros sísmicos en el observatorio vulcanológico y sismológico de pasto utilizando redes neuronales artificiales

Abstract

En este trabajo se aplica una metodología que combina Análisis de predicción lineal (LPC) y Redes neuronales artificiales (RNA) con el objetivo de detectar y clasificar tres tipos de sismos volcánicos: volcano-tectónicos (VT) tipo A, largo periodo (LP) y tremor (TRE). Se construye una herramienta computacional orientada a la detección y clasificación automática de estas señales sísmicas, generando información en tiempo real. Segmentos cortos de la traza continua se representan utilizando la técnica LPC que también cumple la función de reducir la dimensión del vector que contiene los datos de la forma de onda. Para las fases de detección y clasificación se utilizan RNA tipo perceptrón multicapa con una capa oculta. Entre las ventajas de la metodología está la posibilidad de detectar sismos con arribos emergentes, de corta duración o de bajo nivel energético. La aplicación del método muestra cerca de 100% de acierto para la distinción entre ruido y señal sísmica (fase de detección), 92 % de acierto para la clasificación entre sismos LP y VT y cerca del 100% en la detección de sismos tipo TRE. / Abstract. In this work is applied a methodology that to combine Linear Prediction Coding (LPC) and Artificial Neural Networks (ANN) in order to detect and classify three types of volcanic seismic signals: Type A Volcano-Tectonic events (VT), Long Period (LP) and volcanic Tremor (TRE). It was built a software oriented to detection and automatic classification of these kinds signals, generating information in Real-Time. Short segments of the continuous streams are represented using the LPC technique, also carry out the reduction of the vector containing waveform data. For the detection and classification processing-phases are used ANN type Multi-Layer Perceptron (MLP). Among the advantages of this methodology are the possibility of detect seismic events with emergent arrives, short duration or low energetic level. The application of this method shows near to 100 % of good choices for to distinguish between signal and noise level (detection phase); 92% of good choices for classification between LP and VT events; and near to 100 % for TRE-type seismicity detection.