Desarrollo de algoritmos inteligentes basados en la teoría de Machine Learning tradicional para la clasificación no supervisada de eventos sísmicos en los volcanes Cotopaxi y Llaima (multiclase)

Ecuador y Chile, países atravesados por parte de la cordillera de los Andes, enfrentan altos riesgos debido a su actividad volcánica, lo que requiere sistemas de alerta eficientes. Los observatorios vulcanológicos monitorean estos volcanes mediante vigilancia visual, pero cuando los eventos sísmicos se intensifican, la efectividad de las alertas se ve afectada por la fatiga del personal y la lentitud de los procesos. Ante esto, se requieren sistemas automáticos de reconocimiento de señales sísmicas para mejorar la precisión y reducir errores humanos. En este contexto, diversos estudios han explorado el uso de algoritmos de Aprendizaje de Máquina (ML, del inglés Machine Learning) para la clasificación automática de eventos sísmicos, mejorando la capacidad de emitir alertas oportunas ante erupciones. Este trabajo de investigación aplica algoritmos tradicionales de ML para la clasificación no supervisada de cuatro tipos de eventos sísmicos: Largo Periodo, Tectónico, Tremor y Vulcano Tectónicos, en los volcanes Cotopaxi y Llaima. Se generaron espacios latentes a través del Análisis de Componentes Principales (PCA, del inglés Principal Component Analysis) a partir de dos matrices: Densidad Espectral de Potencia y 84 características extraídas de las señales sísmicas preprocesadas. Posteriormente, se aplicaron técnicas de clasificación no supervisada como K-means, K- medoids, Hierarchical Clustering y Gaussian Mixture para agrupar los diferentes tipos de microsismos. El desempeño de estos algoritmos fue evaluado mediante la comparación entre las etiquetas predichas y las etiquetas reales, calculando métricas como Exactitud, Precisión, Sensibilidad, Especificidad y la tasa de error balanceado (BER, del inglés Balanced Error Rate). Los mejores resultados se lograron con una base de datos balanceada, seleccionando un 70% de las características totales y aplicando el método de Clustering Jerárquico con distancia "cityblock" y enlace "ward", obteniendo una exactitud del 78,5% y un BER de 0,14.

• Main Author: Pasquel Ruiz, Lady Estefania (author)
• Format: bachelorThesis
• Published: 2024
• Subjects: APRENDIZAJE NO SUPERVISADO; CLASIFICACIÓN; CLÚSTERES; ESPACIOS LATENTES
• Online Access: https://repositorio.espe.edu.ec/handle/21000/40993