Desarrollo de algoritmos inteligentes basados en la teoría de Machine Learning para la caracterización de eventos sísmicos en los volcanes Cotopaxi y Llaima

La prevención de catástrofes causadas por eventos naturales, ha sido de suma importancia en los últimos años. En Ecuador y Chile al tener volcanes de alto riesgo como el Cotopaxi y el Llaima, requieren de sistemas de prevención y monitorización. Los observatorios vulcanológicos disponen de personal calificado para la vigilancia y monitorización visual de cada evento sísmico. Sin embargo, necesitan de herramientas que faciliten la vigilancia, detección y clasificación. Una caracterización exacta de los microsismos, presenta un gran desafío, sin embargo resulta de mucha ayuda en los observatorios. El presente trabajo se centra el objetivo de desarrollar un sistema capaz de realizar la caracterización de microsismos a través de técnicas de Machine Learning (ML) para los volcanes Cotopaxi y Llaima. El sistema propuesto analiza datos sísmicos provenientes de los observatorios, con el fin de identificar características clave que permitan diferenciar correctamente un microsismo de otro. Los tipos de microsismos son: Eventos de Largo Período (LP), Tectónicos (TC), Volcano Tectónicos (VT) y Tremor Volcánico (TR). Basados en la estimación de densidad de espectro de potencia (PSD, del inglés Power Spectral Density) por el método Welch y la extracción de las 84 características. Se utilizaron clasificadores como árbol de decisión (DT, del inglés Decision Tree) y máquina de vectores de soporte (SVM, del inglés Support Vector Machine). Se aplicó la selección de características con métodos integrados (poda) y envolventes de eliminación recursiva de características (RFE, del inglés Recursive Features Elimination) para seleccionar las frecuencias principales. Los resultados mostraron que el clasificador DT identificó 12 características con la matriz PSD Welch y 13 con la matriz de 84 características. El clasificador SVM, por su parte, identificó 51 características relevantes con la matriz PSD Welch y 15 con la matriz de 84 características

• Autor principal: Collaguazo Amores, David Ismael (author)
• Format: bachelorThesis
• Publicat: 2025
• Matèries: MICROSISMO; APRENDIZAJE SUPERVISADO; CARACTERIZACIÓN; LLAIMA; COTOPAXI
• Accés en línia: https://repositorio.espe.edu.ec/handle/21000/44517