Reconocimiento de señales sismo-volcánicas mediante canales específicos basados en modelos ocultos de Markov
Metadatos
Afficher la notice complèteAuteur
Cortés Moreno, GuillermoEditorial
Universidad de Granada
Departamento
Universidad de Granada. Departamento de Teoría de la Señal, Telemática y Comunicaciones; Instituto Andaluz de GeofísicaMateria
Sismología Procesado de señales Procesos de Markov Vulcanismo Análisis del riesgo volcánico Procesos estocásticos
Materia UDC
550.348 551.21 2500
Date
2016Fecha lectura
2015-12-18Referencia bibliográfica
Cortés Moreno, G. Reconocimiento de señales sismo-volcánicas mediante canales específicos basados en modelos ocultos de Markov. Granada: Universidad de Granada, 2016. [http://hdl.handle.net/10481/42050]
Patrocinador
Tesis Univ. Granada. Departamento de Teoría de la Señal, Telemática y Comunicaciones; 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.Résumé
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.