@misc{10481/42050,
year = {2016},
url = {http://hdl.handle.net/10481/42050},
abstract = {La actividad volcánica en nuestro planeta genera un gran impacto económico y
social. Actualmente la monitorización de volcanes se fundamenta principalmente
en el análisis de la actividad sísmica de los eventos considerados precursores de
erupciones. Un sistema automático que sea capaz de detectar y clasificar eventos
sismo-volcánicos en tiempo real permitiría una gestión más eficaz al evaluar del riesgo
volcánico sobre todo cuando previo a una erupción el incremento de la actividad es
tal que compromete la fiabilidad de la clasificación supervisada llevada a cabo por
los técnicos de los observatorios. Un análisis detallado de la situación es crucial a la
hora de tomar decisiones que pueden ser críticas como la necesidad de evacuación
de la población.
Los sistemas automáticos de reconocimiento de señales sismo-volcánicas (Volcano-
Seismic Recognition - VSR) en una etapa de aprendizaje construyen modelos probabilísticos
para cada tipo de evento o clases a partir del análisis de datos previamente
clasificados por técnicos expertos. Dichos modelos permiten posteriormente
una clasificación sobre registros continuos de forma automática y no supervisada. El
funcionamiento en tiempo real de estos sistemas ha sido tímidamente explorado por
la comunidad científica lo que se une al problema complejo del modelado dada la
naturaleza y variabilidad de las señales sismo-volcánicas sometidas a solapamiento
entre eventos, efectos de sitio, ruidos, etc. Tomando inspiración en los últimos avances
en las áreas de inteligencia artificial, reconocimiento de patrones y aprendizaje
automático, se abre un mundo de lineas de investigación muy interesantes que están
atrayendo la atención de los geofísicos y los observatorios, no solo por la posibilidad
de monitorizar el grado de actividad sísmica en tiempo real, sino también por la
ventaja de contar con una herramienta robusta y fiable de clasificación automática
no susceptible de sufrir errores inevitablemente asociados a la condición humana
como la falta de un criterio unificado, el cansancio y la variabilidad en la toma de
decisiones debido a factores subjetivos o psicológicos. Por ello, son cada vez más
los observatorios vulcanológicos que incorporan sistemas expertos automatizados de
monitarización y métodos de 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 eventos sismo-volcánicos están teniendo en los últimos 10
años (Orozco-Alzate et al., 2012).
Complementariamente, la capacidad del cerebro humano de describir y analizar una se centra gran parte de los últimos trabajos de inteligencia artificial: el aprendizaje
profundo (deep learning) o cómo enseñar a las máquinas a describir y aprender lo
verdaderamente importante. Aspecto que también hay que tener en cuenta en los
sistemas VSR: enseñar al sistema qué características son importantes para describir
los eventos y cómo evaluar correctamente los resultados de clasificación.
Los Modelos Ocultos de Markov (Hidden Markov Models - HMMs), dada su naturaleza
estructurada y su capacidad para modelar datos doblemente estocásticos
en el espacio secuencial (el tiempo en nuestro caso) y en el espacio de descripción
de los datos, 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 tipo de canal (evento), contribuyendo
así a incrementar la eficacia de reconocimiento y la capacidad de análisis así como la
flexibilidad y funcionalidad del sistema. El objetivo último es la construcción de un
sistema automático no supervisado de carácter general que sea fácilmente integrable
en los centros de monitorización de volcanes activos.},
organization = {Tesis Univ. Granada. Departamento de Teoría de la Señal, Telemática y Comunicaciones},
organization = {Este trabajo ha sido parcialmente financiado por varios proyectos y grupos de investigación: Grupo de investigación en geofísica y sismología RNM104 de la Junta de Andalucía. Proyecto APASVO (Algoritmos avanzados de procesamiento de la señal PArareconocimiento y caracterización de las señales Sismo-VOlcánicas), TEC2012-315511 del Grupo de investigación en Señales, Telemática y Comunicaciones (GSTC), TIC-123 de la Junta de Andalucía. Proyectos españoles de investigación  ES-2012-051822, CGL2012-31472/BTE y subprograma de ayudas FPI-MICINN Proyecto MED-SUV (MEDiterranean SUpersite Volcanoes) de la Unión Europea, que ha sido subvencionado por el 7º Programa de la UE, EC-FP7, para la investigación, desarrollo tecnológico y aplicación bajo la concesión nº 308665.},
publisher = {Universidad de Granada},
keywords = {Sismología},
keywords = {Procesado de señales},
keywords = {Procesos de Markov},
keywords = {Vulcanismo},
keywords = {Análisis del riesgo volcánico},
keywords = {Procesos estocásticos},
title = {Reconocimiento de señales sismo-volcánicas mediante canales específicos basados en modelos ocultos de Markov},
author = {Cortés Moreno, Guillermo},
}