Desarrollo de algoritmos inteligentes basados en la teoría de Machine Learning no supervisado para la detección de eventos sísmicos en los volcanes Cotopaxi y Llaima

Actualmente, se emplean distintas ramas de la inteligencia artificial, como el aprendizaje automático (ML, del inglés Machine Learning) y el aprendizaje no supervisado, que permiten identificar patrones ocultos en los datos sin requerir etiquetas previas. Esto, nos permite descubrir estructuras en los datos, como clústers o anomalías, mediante técnicas como el análisis de componentes principales (PCA, del inglés Principal Component Analysis), algoritmos de clusterización como K-Means (del inglés K-Means Clusering), y K-Medoids (del inglés K-Medoids Clusering). Estas técnicas facilitan la identificación de patrones tales como la sismología. En Ecuador y Chile, al ser países ubicados en el Cinturón de Fuego del Pacífico, se registra una gran cantidad de actividad volcánica, en particular en el volcán Cotopaxi y Llaima. Actualmente, la mayoría de los trabajos que se enfocan en el reconocimiento a través de la detección y clasificación, mediante algoritmos supervisados. El objetivo de nuestro trabajo es enfocarse en el reconocimiento a través del uso de algoritmos de ML no supervisado para la detección de microsismos de dos volcanes a la vez. Este trabajo busca contribuir con la población, mitigando los riegos asociados con desastres naturales y contribuir a al avance científico y tecnológico. En este contexto, el presente trabajo tiene como objetivo desarrollar sistemas de reconocimiento automático para la detección de microsismos en los volcanes Cotopaxi y Llaima, donde se propone un enfoque innovador, con el fin de mejorar la detección y caracterización, optimizando los modelos de predicción existentes. Se busca contribuir al desarrollo de sistemas de alerta temprana más eficientes y precisos, mejorando la capacidad de respuesta ante microsismos de magnitud significativa. Queremos optimizar la detección y comparar los resultados de trabajos obtenidos previamente, con la esperanza de proporcionar una solución más precisa y eficiente. Las métricas de desempeño para evaluar los mejores resultados fueron: exactitud (92.24%), especificidad (84.48%), sensibilidad (100%), precisión (86.57%) y BER (0.0776).

• Main Author: Taco Cabrera, César Paúl (author)
• Other Authors: Yela Cabezas, Bryan Gustavo (author)
• Format: bachelorThesis
• Published: 2025
• Subjects: ANÁLISIS DE COMPONENTES PRINCIPALES; RECONOCIMIENTO; APRENDIZAJE NO SUPERVISADO; ACTIVIDAD VOLCÁNICA
• Online Access: https://repositorio.espe.edu.ec/handle/21000/50412