IMPACTO DE CATÁLOGOS SÍSMICOS AUTOMÁTICOS EN LA TOMOGRAFÍA DEL VOLCÁN POPOCATÉPETL
Los métodos automáticos basados en machine learning permiten construir catálogos sísmicos densos y consistentes. Modelos preentrenados ampliamente utilizados por la comunidad científica, como PhaseNet, pueden aplicarse sin reentrenamiento en nuevas regiones, aunque su desempeño puede verse afectado en entornos complejos como los volcanes. En este trabajo evaluamos el impacto de emplear catálogos automáticos de sismos locales del volcán Popocatépetl para realizar una tomografía sísmica del volcán.
Procesamos datos registrados entre 2019 y 2024 por una red de 24 estaciones de banda ancha operadas por el CENAPRED, la UNAM y el SSN. Analizamos seis flujos de trabajo automáticos que integran las etapas de detección de fases P y S, asociación y localización de eventos. Para ello, utilizamos tres modelos de PhaseNet entrenados con distintos conjuntos de datos, dos algoritmos de asociación (GaMMA y PyOcto), y una versión mejorada de localización con NonLinLoc (NLL-SSST-Coherence). Se presentará una comparación del desempeño de cada flujo en el Popocatépetl. A partir de ellos, construimos un catálogo híbrido de eventos automáticos de alta calidad, filtrando según la calidad de los picados y las localizaciones.
Posteriormente, realizamos una tomografía sísmica de dobles diferencias para obtener modelos de velocidad de las ondas P y S y relocalizaciones de los eventos. La resolución se evaluó mediante pruebas sintéticas tipo tablero de ajedrez y anomalías controladas, mostrando que la base de datos generada con este flujo de trabajo optimizado permite recuperar estructuras relevantes del subsuelo. Finalmente, presentaremos un nuevo modelo tomográfico del Popocatépetl con cobertura y resolución inéditas.
Investigación realizada gracias al Programa UNAM-PAPIIT: IN103823 y al proyecto SECTEI/144/2024.