Creación de algoritmos inteligentes basados en la teoría de Machine Learning tradicional para la clasificación de los eventos sísmicos en el volcán Llaima (multiclase)

El estudio sismológico ha proporcionado información sumamente valiosa acerca del comportamiento de distintos volcanes, lo cual ha posibilitado llevar a cabo un análisis exhaustivo de su actividad volcánica. La monitorización constante de estos volcanes ayuda a realizar estimaciones de eventos futuros, lo que ha impulsado al desarrollo de métodos automáticos para reconocer microsismos, los cuales son esenciales para la emisión de alertas tempranas, contribuyendo así a la protección de vidas. En este contexto, se plantea implementar algoritmos inteligentes basados en la teoría de Aprendizaje de Máquina (ML, del inglés Machine Learning) tradicional para la clasificación de los microsismos del volcán Llaima, centrándonos en cuatro señales de microsismos como: Volcano Tectónicos, Largo Período, Tremor y Tectónico. La propuesta presenta tres algoritmos de aprendizaje supervisado como: Árbol de Decisión (DT, del inglés Decision Tree), k-Vecinos más Cercanos (k-NN, del inglés k-Nearest Neighbors) y Máquina de Vectores de Soporte (SVM, del inglés Support Vector Machine). Por último, presentamos un algoritmo de votación que opera entre los algoritmos de ML mencionados. Para evaluar el desempeño de estos algoritmos se consideran métricas como Exactitud, Precisión, Sensibilidad, Especificad y la tasa de error balanceado (BER, del inglés Balance Error Rate). Los resultados obtenidos al evaluar el sistema de clasificación propuesto presentan una Exactitud de 92% para DT, 94% para k-NN, 96% para SVM y 96% al aplicar el enfoque de votación y un BER de 0.05, 0.04, 0.03 y 0.03 respectivamente.

• Autor Principal: Cachipuendo Yacelga, César Ariel (author)
• Outros autores: Tutillo Moyón, Javier Alejandro (author)
• Formato: bachelorThesis
• Idioma: spa
• Publicado: 2023
• Subjects: APRENDIZAJE SUPERVISADO; LLAIMA; CLASIFICACIÓN; MICROSISMOS; CARACTERÍSTICAS ESPECTRALES
• Acceso en liña: http://repositorio.espe.edu.ec/handle/21000/37345