Dos investigadores de la Universidad de Wyoming han desarrollado un modelo de aprendizaje automático que mejora la precisión de la detección de terremotos en un 14,5 por ciento en comparación con el modelo actual más preciso.

Pejman Tahmasebi, profesor asociado en la Facultad de Ingeniería y Ciencias Aplicadas de la UW, lideró un estudio en el que han propuesto un método que es más eficiente en la detección de actividad sísmica.

"Nuestro modelo desarrollado puede procesar de manera eficiente los datos de señales registrados por los sismómetros. Puede diferenciar automáticamente los eventos sísmicos, los que están relacionados con los terremotos y son importantes para nosotros, del ruido sísmico, "Dice Tahmasebi." Además, cuando se detecta el evento sísmico, el modelo propuesto puede proporcionar una estimación aproximada de la ubicación geográfica donde ocurre. Lo más importante es que nuestro modelo es más preciso en términos de precisión de estimación de la ubicación geográfica, donde se logra una mejora del 14,5 por ciento en comparación con la existente ".

Tahmasebi es el autor correspondiente de un artículo titulado "LSTM-FCN basado en la atención para la detección y ubicación de terremotos" que se publicó el 5 de octubre en Revista Geofísica Internacional . Es una de las principales revistas de investigación primaria del mundo en geofísica de la Tierra sólida y publica artículos de investigación de alta calidad sobre todos los aspectos teóricos, computacional experimental, geofísica aplicada y observacional.

Tao Bai, un doctorado de cuarto año. estudiante de la Facultad de Ingeniería y Ciencias Aplicadas de la UW, es el autor principal del artículo. Bai desarrolló los códigos de computadora para esta investigación.

La detección y localización de terremotos son un desafío porque una señal sísmica suele ser ruidosa y los micro-terremotos están ocultos dentro del ruido sísmico. según el papel. Los métodos tradicionales de detección y localización a menudo se basan en fases elegidas manualmente o algoritmos computacionalmente intensivos.

Para diferenciar mejor los eventos sísmicos del ruido sísmico e identificar las regiones en las que ocurren los eventos sísmicos, Tahmasebi y Bai desarrollaron un modelo que es una combinación de modelos existentes de aprendizaje automático de memoria a largo plazo (LSTM) y red totalmente convolucional (FCN), una combinación que no se ha utilizado antes. El modelo LSTM se utiliza para capturar la dinámica temporal, o cómo cambia una señal a lo largo del tiempo, de datos. El modelo FCN se utiliza para extraer características importantes y ocultas de eventos sísmicos, que son difíciles de extraer para observar visualmente.

"Estos datos en realidad tienen dos componentes, tiempo y espacio, ya que se recopilan a lo largo del tiempo, "Dice Tahmasebi.

El modelo que crearon los investigadores de la Universidad de Washington tiene una precisión de clasificación del 89,1 por ciento, lo que representa una mejora del 14,5 por ciento con respecto al modelo ConvNetQuake, el método más moderno, Dice Tahmasebi. Es más, mientras que el modelo ConvNetQuake tiene la capacidad de clasificar eventos sísmicos en una de seis regiones geográficas, el modelo creado por los investigadores de la UW puede localizar eventos sísmicos con una resolución más alta clasificando eventos sísmicos en 15 regiones.

"En nuestro modelo propuesto, la misma región se dividió en 15 pequeñas subregiones, lo que significa que la ubicación geográfica prevista del evento sísmico será más precisa, "Dice Tahmasebi.

Los dos probaron la efectividad y eficiencia de su modelo propuesto en datos sísmicos recopilados de Oklahoma, que ha experimentado un mayor número de terremotos en los últimos años debido a la eliminación de aguas residuales, Dice Tahmasebi.

Los datos recopilados para el conjunto de capacitación del estudio incluyeron 2, 709 eventos sísmicos y 700, 039 lecturas de ruido sísmico, mientras que el conjunto de prueba contenía 2, 111 eventos sísmicos y 129, 170 lecturas de ruido sísmico. Aunque su modelo no identificó todos los eventos sísmicos (se pasaron por alto tres), menos ruidos sísmicos fueron clasificados erróneamente como eventos sísmicos, según el estudio.

"Los resultados de este estudio no se limitan a problemas de terremotos, "Dice Tahmasebi." El método propuesto se puede utilizar para monitorear las actividades volcánicas, modelado de infraestructura, energia limpia, sistemas geotérmicos y otros problemas en los que el procesamiento de grandes datos es un desafío ".