DETECCIÓN AUTOMÁTICA DE EVENTOS SÍSMICOS MEDIANTE OPTIMIZACIÓN EVOLUTIVA DE REDES NEURONALES
La detección automática de eventos sísmicos en registros continuos puede verse limitada por la presencia de ruido y por el fuerte desbalance entre ventanas que contienen eventos y aquellas que corresponden únicamente a ruido de fondo. Estas condiciones son particularmente relevantes en registros obtenidos mediante sismómetros de fondo oceánico (OBS), donde las características del entorno de adquisición pueden dificultar la identificación de señales sísmicas de baja amplitud.
En este trabajo se desarrolló un método para la detección automática de eventos sísmicos que combina procesamiento de señales, redes neuronales y optimización multiobjetivo. El análisis se realizó inicialmente con registros OBS adquiridos durante el experimento TYDE en las Islas Eolias y posteriormente se extendió mediante la incorporación de datos terrestres de Vulcano, Italia, y del volcán Popocatépetl, México. Esto permitió evaluar el comportamiento del método al utilizar información proveniente de distintos ambientes sísmicos.
Las señales se dividieron en ventanas temporales y se procesaron mediante la Transformada Wavelet Discreta (DWT). Posteriormente, se aplicó Análisis de Componentes Principales (PCA) para reducir la dimensionalidad. A partir de estas representaciones se utilizó NSGA-III para realizar una búsqueda multiobjetivo de arquitecturas de redes neuronales, considerando simultáneamente su capacidad para identificar eventos, reconocer ruido y mantener una complejidad estructural reducida. El procedimiento se aplicó de manera independiente a distintas combinaciones de los conjuntos de datos.
Los resultados de la optimización muestran que NSGA-III permitió explorar de manera simultánea el desempeño y la complejidad de las arquitecturas, identificando distintas soluciones competitivas dentro del espacio de búsqueda. Al evaluar posteriormente las arquitecturas seleccionadas sobre registros continuos y fuertemente desbalanceados, se observaron diferentes compromisos entre la recuperación de eventos verdaderos y la generación de falsas detecciones, lo que permitió analizar su desempeño bajo condiciones más cercanas a una aplicación real.
Finalmente, se utilizaron Mapas Autoorganizados (SOM) como una herramienta exploratoria para organizar las ventanas clasificadas como eventos e identificar agrupaciones de detecciones con características similares, facilitando su revisión posterior.
En conjunto, los resultados muestran el potencial de combinar optimización evolutiva y redes neuronales para la detección automática de eventos sísmicos en registros provenientes de diferentes ambientes y condiciones de ruido.