Reconocimiento de señales sismo-volcánicas mediante canales específicos basados en modelos ocultos de Markov

Zusammenfassung

La actividad volcánica en nuestro planeta genera un gran impacto económico y social. Un sistema automático capaz de detectar y clasificar eventos sismo-volcánicos en tiempo real permite realizar una gestión más eficaz del riesgo volcánico identificando precursores de erupciones y facilitando la toma de decisiones críticas como la necesidad de evacuación de la población. Por ello, son cada vez más los observatorios que incorporan sistemas expertos automatizados de monitarización y predicción de erupciones (Carniel et al., 2006; Ham et al., 2012; Boué et al., 2015) lo que explica el auge que los sistemas de reconocimiento automático de señales sismo-volcánicas (Volcano- Seismic Recognition – VSR) en los últimos 10 años (Orozco-Alzate et al., 2012). Sin embargo, los sistemas VSR que funcionan sobre registros continuos en tiempo real y no supervisados hasta ahora solo han sido tímidamente explorados por la comunidad científica, tratándose de un problema complejo dada la naturaleza y variabilidad de las señales sismo-volcánicas, sometidas a solapamiento entre eventos, efectos de sitio y propagación, ruidos, etc. Inspirándonos en los últimos avances en las áreas de inteligencia artificial y aprendizaje automático, se abren nuevas lineas de investigación prometedoras. Los Modelos Ocultos de Markov (Hidden Markov Models - HMMs), dada su capacidad para modelar datos estocásticos en el espacio de representación y en el tiempo, se han convertido en una de las técnicas más utilizadas en el área VSR (Ohrnberger, 2001; Alasonati et al., 2006; Benítez et al., 2007; Ibáñez et al., 2009; Beyreuther et al., 2012). En esta tesis, proponemos una evolución de los sistemas VSR clásicos basados en HMMs a un sistema estructurado en paralelo (Parallel System Architecture - PSA) compuesto por distintos canales de reconocimiento cada uno de ellos especializado en un tipo de evento volcánico o clases concretas (Cortés et al., 2014). Esto permite el análisis por independiente de clases de eventos especialmente relevantes así como el estudio de la mejor configuración y el mejor conjunto de características para describir cada clase propia del canal lo que contribuye a incrementar la eficacia de reconocimiento, la capacidad de análisis, la flexibilidad y funcionalidad del sistema VSR. La selección de características describiendo los eventos juega un papel clave en el diseño de los sistemas VSR aumentando la rapidez de ejecución, la eficacia y la fiabilidad de los resultados de reconocimiento y disminuyendo el coste computacional. En este escenario, esta tesis contribuye en una doble vertiente: 1. Se realiza un exhaustivo análisis de las principales técnicas de descripción de datos con especial énfasis en las características diseñadas para modelar eventos sismo-volcánicos y se proponen varias parametrizaciones, construyendo un vector de características híbrido que consigue mejores resultados que otros esquemas homogéneos (Álvarez et al., 2009; Cortés et al., 2014). 2. Se examinan distintas técnicas de reducción de dimensionalidad del vector de características. Proponemos el algoritmo DFS generalizado como una mejora al DFS (Discriminative Feature Selection) de Álvarez et al. (2011) que obtuvo unos resultados notables al ser aplicado sobre las señales VSR permitiendo una interpretación geofísica más directa de la caracterización de los eventos y un modelado más eficaz. Los resultados del sistema VSR-PSA, configurado como un conjunto de detectores específicos obtienen el mejor promedio en la tasa de reconocimiento respecto a la opción clásica en serie de sistemas VSR. Asimismo, facilita la evaluación de los resultados gracias a la especialización de los canales para discriminar eventos bajo circunstancias ruidosas o en presencia de eventos solapados, siendo una valiosa herramienta para el etiquetado semi-supervisado al ofrecer al técnico experto distintas opciones de clasificación incluyendo las tasas de fiabilidad de cada una de ellas. Respecto a la reducción de dimensionalidad, el algoritmo DFS generalizado se postula como la mejor opción entre varios métodos actuales (Cortés et al., 2015) respecto a la eficacia medida como la relación entre la tasa de reconocimiento y el coste computacional, a la vez que mantiene el significado geofísico del vector de descripción lo que facilita la interpretación y el análisis posterior. ------------------------------------------------------------------------------------------------------------------------ Álvarez, I., Cortés, G., De la Torre, A., Benítez, C., García, L., Lesage, P., Arambula, R., González, M., 2009. Improving feature extraction in the automatic classificaion of seismic events. Application to Colima and Arenal volcanoes. In: Geoscience and Remote Sensing Symposium, 2009 IEEE International, IGARSS 2009. Vol. 4.IEEE, p. 526. Álvarez, I., García, L., Cortés, G., Benítez, C., De la Torre, A., 2011. Discriminative Feature Selection for Automatic Classification of Volcano-Seismic Signals. Geoscience and Remote Sensing Letters, IEEE (99), 1–5. Carniel, R., Di Cecca, M., Jaquet, O., 2006. A user-friendly, dynamic web environment for remote data browsing and analysis of multiparametric geophysical data within the MULTIMO project. Journal of volcanology and geothermal research 153 (1), 80–96. Cortés, G., Benítez, M., García, L., A. I., Ibáñez, J., 2015. A Comparative Study of Dimensionality Reduction Algorithms Applied to Volcano-Seismic Signals. Selected Topics in Applied Earth Observations and Remote Sensing, IEEE Journal of, 99 (PP), 1-11. Cortés, G., García, L., Álvarez, I., Benítez, C., de la Torre, A., Ibáñez, J., 2014. Parallel System Architecture (PSA): An efficient approach for automatic recognition of volcano-seismic events. Journal of Volcanology and Geothermal Research 271 (0), 1–10. Ohrnberger, M., 2001. Continuous automatic classification of seismic signals of volcanic origin at Mt. Merapi, Java, Indonesia. Ph.D. thesis, Universität Potsdam, Germany. Orozco-Alzate, M., Acosta-Muñoz, C., Londoño Bonilla, J. M., 2012. The Automated Identification of Volcanic Earthquakes: Concepts, Applications and Challenges. Earthquake Research and Analysis-Seismology, Seismotectonic and Earthquake Geology, 345–370. ------------------------------------------------------------------------------------------------------------------------