La detección temprana de eventos sísmicos permite reducir daños materiales, el número de personas afectadas e incluso salvar vidas. En particular, la actividad sísmica en Ecuador es alta, dado que se encuentra en el denominado Cinturón de Fuego del Pacífico. En tal contexto, el presente artículo tiene como objetivo comparar algoritmos para la detección automática de eventos sísmicos. Dicha comparación se realiza con respecto a la funcionalidad y configuración de los parámetros requeridos para cada algoritmo. Además, la implementación se lleva a cabo sobre una plataforma computacional tipo SBC (Single Board Computer) con la finalidad de obtener una herramienta portable, escalable, económica y de bajo costo computacional. Los métodos comparados son: Classic STA/LTA, Recursive STA/LTA, Delayed STA/LTA, Z-detector, Baer and Kradolfer picker y AR-AIC (Autoregressive-Akaike-Information-Criterion-picker). Para la evaluación y comparación se desarrollan múltiples experimentos empleando registros sísmicos reales proporcionados por la Red Sísmica del Austro (RSA), disponibles como fuente de entrada a los algoritmos. Como resultado se obtiene que el algoritmo Classic STA/LTA presenta el mejor rendimiento, ya que del total de eventos reales (58), solo un evento no fue detectado. Además, se consiguen 6 falsos negativos, logrando un 98,2% de precisión. Cabe recalcar que el software utilizado para la comparación de algoritmos de detección de eventos sísmicos está disponible de forma libre.
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Referencias
Akram, J., Peter, D., & Eaton, D. (2018). A k-mean characteristic function to improve STA/LTA detection. Proceedings of the Geoconvention, Calgary, AB, Canada, 7-11.
Armijos, A. (2021). Alvaroarmijos/RSADE [Python]. https://github.com/alvaroarmijos/RSADE (Original work published 2020)
Baer, M., & Kradolfer, U. (1987). An automatic phase picker for local and teleseismic events. Bulletin of the Seismological Society of America, 77(4), 1437-1445.
Baraschino, R., Baltzopoulos, G., & Iervolino, I. (2020). R2R-EU: Software for fragility fitting and evaluation of estimation uncertainty in seismic risk analysis. Soil Dynamics and Earthquake Engineering, 132, 106093. https://doi.org/10.1016/j.soildyn.2020.106093
Beauval, C., Yepes, H., Bakun, W. H., Egred, J., Alvarado, A., & Singaucho, J.-C. (2010). Locations and magnitudes of historical earthquakes in the Sierra of Ecuador (1587–1996). Geophysical Journal International, 181(3), 1613-1633.
Beauval, C., Yepes, H., Palacios, P., Segovia, M., Alvarado, A., Font, Y., Aguilar, J., Troncoso, L., & Vaca, S. (2013). An earthquake catalog for seismic hazard assessment in Ecuador. Bulletin of the Seismological Society of America, 103(2A), 773-786.
Bueno, A., Zuccarello, L., Díaz-Moreno, A., Woollam, J., Titos, M., Benítez, C., Álvarez, I., Prudencio, J., & De Angelis, S. (2020). PICOSS: Python Interface for the Classification of Seismic Signals. Computers & Geosciences, 142, 104531. https://doi.org/10.1016/j.cageo.2020.104531
Chamberlain, C. J., & Townend, J. (2018). Detecting real earthquakes using artificial earthquakes: On the use of synthetic waveforms in matched‐filter earthquake detection. Geophysical Research Letters, 45(21), 11,641-11,649.
Choubik, Y., Mahmoudi, A., Himmi, M. M., & El Moudnib, L. (2020). STA/LTA trigger algorithm implementation on a seismological dataset using Hadoop MapReduce. IAES International Journal of Artificial Intelligence, 9(2), 269.
Eguez, A., Alvarado, A., Yepes, H., Machette, M. N., Costa, C., Dart, R. L., & Bradley, L. A. (2003). Database and map of Quaternary faults and folds of Ecuador and its offshore regions. US Geological Survey Open-File Report, 3, 289.
Elkady, A., & Lignos, D. G. (2020). EaRL—Software for Earthquake Risk, Loss and Lifecycle Analysis. SoftwareX, 12, 100607. https://doi.org/10.1016/j.softx.2020.100607
Ghorbani, S., Barari, M., & Hoseini, M. (2018). Presenting a new method to improve the detection of micro-seismic events. Environmental monitoring and assessment, 190(8), 1-13.
Jiménez, J., Cabrera, J., Sánchez, J., & Avilés, F. (2018). Vulnerabilidad sísmica del patrimonio edificado del Centro Histórico de la Ciudad de Cuenca: Lineamientos generales y avances del proyecto. Maskana, 9(1), 59-78.
Jones, J. P., & van der Baan, M. (2015). Adaptive STA–LTA with outlier statistics. Bulletin of the Seismological Society of America, 105(3), 1606-1618.
Küperkoch, L., Meier, T., & Diehl, T. (2012). Automated event and phase identification. En New Manual of Seismological Observatory Practice 2 (NMSOP-2) (pp. 1-52). Deutsches GeoForschungsZentrum GFZ.
Lara-Cueva, R. A., Benítez, D. S., Carrera, E. V., Ruiz, M., & Rojo-Álvarez, J. L. (2016). Automatic recognition of long period events from volcano tectonic earthquakes at cotopaxi volcano. IEEE Transactions on Geoscience and Remote Sensing, 54(9), 5247-5257.
Liu, H., & Zhang, J. Z. (2014). STA/LTA algorithm analysis and improvement of Microseismic signal automatic detection. Progress in Geophysics, 29(4), 1708-1714.
Mosher, S. G., & Audet, P. (2020). Automatic Detection and Location of Seismic Events From Time‐Delay Projection Mapping and Neural Network Classification. Journal of Geophysical Research: Solid Earth, 125(10), e2020JB019426.
Narvekar, N. (2018). Distinguishing earthquakes and noise using random forest algorithm. Master’s Projects. https://doi.org/10.31979/etd.6kxb-c9tu
Obspy. 12. Trigger/Picker Tutorial—ObsPy Documentation (1.2.0). (2021). Recuperado de https://docs.obspy.org/tutorial/code_snippets/trigger_tutorial.html
Otero, D. Z. (2018). ONDAS SÍSMICAS, su importancia para la geofísica y la humanidad. Universidad Industrial de Santander, 3(4).
Reynen, A., & Audet, P. (2017). Supervised machine learning on a network scale: Application to seismic event classification and detection. Geophysical Journal International, 210(3), 1394-1409.
Rojas, O., Otero, B., Alvarado, L., Mus, S., & Tous, R. (2019). Artificial neural networks as emerging tools for earthquake detection. Computación y Sistemas, 23(2), 335-350.
Romero, J. E., Titos, M., Bueno, Á., Álvarez, I., García, L., Torre, Á. de la, & Benítez, M. C. (2016). APASVO: A free software tool for automatic P-phase picking and event detection in seismic traces. Computers & Geosciences, 90, 213-220. https://doi.org/10.1016/j.cageo.2016.02.004
Sánchez, D., Howard, R., & Tobón, G. (2016). Trabajo 2 ONDAS SISMICAS. Recuperado 28 de agosto de 2021, de https://www.academia.edu/24984185/Trabajo_2_ONDAS_SISMICAS
Sevilla Echeverría, I. (2019). Improving automatic earthquake detection in the Krafla seismic network [Thesis]. https://skemman.is/handle/1946/34507
Sharma, B. K., Kumar, A., & Murthy, V. M. (2010). Evaluation of seismic events detection algorithms. Journal of the Geological Society of India, 75(3), 533-538.
Sleeman, R., & Van Eck, T. (1999). Robust automatic P-phase picking: An on-line implementation in the analysis of broadband seismogram recordings. Physics of the earth and planetary interiors, 113(1-4), 265-275.
Toledo Peña, P. A. (2014). Algoritmo de detección de ondas P invariante de escala: Caso de réplicas del sismo del 11 de marzo de 2010. http://repositorio.uchile.cl/handle/2250/131361
Trnkoczy, A. (2009). Understanding and parameter setting of STA/LTA trigger algorithm. En New Manual of Seismological Observatory Practice (NMSOP) (pp. 1-20). Deutsches GeoForschungsZentrum GFZ.
Vaezi, Y., & Van der Baan, M. (2015). Comparison of the STA/LTA and power spectral density methods for microseismic event detection. Geophysical Supplements to the Monthly Notices of the Royal Astronomical Society, 203(3), 1896-1908.
Zhang, J., Tang, Y., & Li, H. (2018). STA/LTA Fractal Dimension Algorithm of Detecting the P‐Wave ArrivalSTA/LTA Fractal Dimension Algorithm of Detecting the P‐Wave Arrival. Bulletin of the Seismological Society of America, 108(1), 230-237.
Zhu, L., Peng, Z., McClellan, J., Li, C., Yao, D., Li, Z., & Fang, L. (2019). Deep learning for seismic phase detection and picking in the aftershock zone of 2008 Mw7. 9 Wenchuan Earthquake. Physics of the Earth and Planetary Interiors, 293, 106261.