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

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.