DETECCIÓN Y ASOCIACIÓN AUTOMATIZADA DE FASES SÍSMICAS MEDIANTE APRENDIZAJE PROFUNDO Y GAMMA: APLICACIÓN A UNA RED SÍSMICA TEMPORAL EN OAXACA, MÉXICO
La identificación precisa de las fases sísmicas constituye un paso fundamental para la detección y localización de eventos sísmicos. En los últimos años, los métodos basados en aprendizaje profundo han permitido automatizar y agilizar el procesamiento de grandes volúmenes de datos sísmicos. En este trabajo se implementa un flujo de trabajo automatizado para la detección y asociación de fases sísmicas registradas por una red sísmica temporal desplegada en Oaxaca, México, mediante los modelos de aprendizaje profundo PhaseNet y EQTransformer, disponibles en SeisBench (Woollam et al., 2022), y el algoritmo de asociación GaMMA (Zhu et al., 2022), implementados en Python.
Para evaluar el desempeño del flujo de trabajo, se utilizaron dos catálogos de referencia. El primero fue elaborado mediante el análisis manual de los registros de la red temporal, complementados con estaciones del Servicio Sismológico Nacional (SSN), mientras que el segundo corresponde al catálogo del SSN, generado a partir de las estaciones pertenecientes a dicha institución. A partir del primer catálogo se seleccionaron días con un alto número de detecciones manuales, sobre los cuales se evaluaron diferentes combinaciones de modelos de detección y parámetros de asociación. El desempeño de las configuraciones se determinó mediante la correspondencia entre los eventos detectados automáticamente y los eventos de los catálogos de referencia, considerando como coincidencias aquellas cuya diferencia temporal fuera menor a 5 segundos.
Este procedimiento permitió identificar configuraciones adecuadas para los datos analizados y establecer una referencia para futuros trabajos que busquen implementar procesos automatizados de detección y asociación sísmica en esta región. De esta manera, los resultados obtenidos pueden servir como apoyo para el procesamiento de nuevos conjuntos de datos, evitando la necesidad de evaluar desde cero diferentes modelos y parámetros de asociación. Asimismo, los resultados permiten explorar la utilidad del flujo de trabajo para el análisis de la sismicidad de la región, incluyendo su aplicación en etapas de relocalización y análisis de la distribución espacial de los eventos.