https://doi.org/10.37815/rt=
e.v33n2.830
Artículos originales
Evaluación
y comparación de algoritmos para la detección automática de eventos sísmico=
s
Evaluation and comparison of algorithms for the automatic detection =
of
seismic events
Álvaro Eduardo Armijos Sarango=
1 https://orcid.org/0000-0001-711=
8-3383, Iván Santiago Palacios Serrano1 =
h=
ttps://orcid.org/0000-0002-3894-3341, Santiago Renán Gonzá=
lez
Martínez1 https://orcid.org/0000-0001-6604-889X
1Departamento de E=
léctrica,
Electrónica y Telecomunicaciones, Universidad de Cuenca, Cuenca, Ecuador
alvaro.armijo=
s@ucuenca.edu.ec, ivan.palacios=
@ucuenca.edu.ec, santiago.gonz=
alezm@ucuenca.edu.ec
Enviado: <=
/span>2021/06/25
Aceptado: 2021/09/28
Publicado: 2021/11/30 <=
span
class=3Deop>
Resumen
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 d=
el
Pacífico. En tal contexto, el pres=
ente
artículo tiene como objetivo comparar algoritmos para la detección automáti=
ca
de eventos sísmicos. Dicha comparación se realiza con respecto a la funcion=
alidad
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 portabl=
e,
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. Ca=
be
recalcar que el software utilizado para la comparación de algoritmos de
detección de eventos sísmicos está disponible de forma libre.
![3D"Cuadro](3D"830-FINAL-GALERADA_archivos/image001.png")
Palabras clave: SBC, Classic STA/LTA,
Recursive STA/LTA, Delayed STA/LTA, Z Detector, Baer and Kradolfer picker,
AR-AIC, eventos sísmicos.
Abstract
Early seismic events detection might reduce the
number of people affected and save lives. In particular, the seismic activi=
ty
in Ecuador is high, given its location along the zone named the Pacific Bel=
t of
Fire. In this context, this paper presents a solution to compare algorithms=
for
detecting seismic events. This comparison was performed both concerning the
functionality and the configuration of the parameters required for each
algorithm. This solution was implemented on an SBC platform (Single Board
Computer) to obtain a portable, scalable, economical, and low-cost
computational tool. The methods compared were: Classic STA/LTA, Recursive
STA/LTA, Delayed STA/LTA, Z Detector, Baer and Kradolfer picker, and AR-AIC
(Autoregressive-Akaike-Information-Criterion-picker). For the evaluation and
comparison, multiple experiments were carried out using real data provided =
by
the Regional Seismological Network (RSA). In particular, such registers were
used as input data to the seismic algorithms. Results revealed that the
algorithm with the best performance was the Classic STA/LTA, since from the
total number of real events (58), only one was not detected. In addition, 6
false negatives were obtained, achieving 98,2% of precision. Finally, the
software used for the comparison of the algorithms has been released for fr=
ee
usage, which represents another contribution of this work in the context of
seismic analysis.
Introducción<=
/span>
Los movimientos sísmicos son una causante cruci=
al
de grandes pérdidas de vidas y destrucción de propiedades. Acorde a los
registros y reportes disponibles, en Ecuador el historial sísmico da cuenta=
de
eventos a lo largo de cinco siglos en la región Sierra y al menos un siglo =
para
la zona del Litoral, ver Beauval et al. (2013). Si bien eventos de
magnitudes considerables han tenido lugar en la región del Litoral debido a=
la
zona de subducción de las placas continentales, es en la región de la Sierra
donde se han producido las mayores devastaciones, como es el caso de los
terremotos acontecidos en las ciudades de Riobamba (1797) y Ambato (1949), =
ver Beauval et al. (20=
10).
En la Región Andina, las principales fuentes
sísmicas son producto de la actividad volcánica, ver Lara Cueva et al. (2016),
así como de las numerosas fallas geológicas existentes, ver Eguez et al. (2003=
).
En particular, en la provincia del Azuay existen cuatro fallas geológicas
(Paute, Girón, Gualaceo y Tarqui) y un historial de al menos cuatro sismos
importantes. El más significativo ocurrió en 1887 y afectó considerablemente
ciertas edificaciones de la ciudad de Cuenca. Dicho sismo fue de origen
superficial y en una de las fallas geológicas cercanas, ver Jimé=
nez et al. (2018)<=
span
style=3D'font-size:12.0pt;mso-bidi-font-size:14.0pt;mso-fareast-language:ES=
-MX'>.
Se sabe que los terremotos irradian energía en
forma de ondas sísmicas. Las mismas se clasifican en ondas de cuerpo o inte=
rnas
y ondas superficiales. Las internas son aquellas que se propagan desde su
origen hasta la superficie de la Tierra y se subdividen en ondas P (ondas
primarias) y ondas S (ondas secundarias), como describe Otero (2018) y Sánc=
hez
et al. (2016). En cuanto a la captura de información, las estaciones sísmic=
as
incorporan sensores especializados (v.g. acelerómetros, geófonos) para elab=
orar
un registro continuo de datos. A su vez, la detección de las ondas P y S de=
ntro
de este registro permite determinar los eventos sísmicos, como se discute en Nar=
verkar
(2018).
En particular, el daño causado por un sismo dep=
ende
del grado de preparación y de la capacidad de respuesta de la sociedad. Por=
lo
tanto, la detección de eventos es fundamental para mitigar los detrimentos
ocasionados por los sismos. Sin embargo, la detección automática de eventos
sísmicos, en un registro continuo de datos de una red de estaciones sísmica=
s,
es un desafío por el ruido sísmico que existe junto a las señales, como se
describe en Sevilla (2019).
En este contexto, se revisan numerosos trabajos
relacionados donde se emplean herramientas de software/hardware
para la detección automática de eventos sísmicos, así como diversos estudios
donde se comparan algoritmos y también se describen diferentes técnicas
utilizadas en la detección de eventos en tiempo real.
En cuanto a la comparación de algoritmos, Sharm=
a et
al. (2010) discuten varios enfoques para detectar eventos sísmicos que
presentan ruido de fondo. De igual forma, Vaezi y Van der Baan (2015) reali=
zan
la comparación entre el algoritmo STA/LTA (Short-Time-Average Through
Long-Time-Average Trigger) y un método que emplea la Densidad Espectral=
de
Potencia (PSD, Power Spectral Density) para la detección de microsis=
mos.
Los resultados del estudio indican que el mecanismo basado en la PSD permite
detectar un mayor número de eventos que se pierden con el ruido de fondo. En
cambio, Liu (2014), desarrolla un estudio donde además de comparar los méto=
dos,
se detallan un conjunto de criterios para el ajuste de parámetros
característicos empleados en los algoritmos de detección.
Por otra parte, múltiples estudios proponen apl=
icar
técnicas de Inteligencia Artificial para la detección de sismos. Por ejempl=
o,
Mosher y Audet (2020) combinan un algoritmo de detección con una etapa de
clasificación de eventos mediante redes neuronales. De forma similiar, Zhu =
et
al. (2019), proponen un sistema clasificador basado en Redes Neuronales
Convolucionales (CNN, Convolutional Neural Networks) diseñado para la
detección e identificación de fase de una onda sísmica. En cuanto al anális=
is
de datos, Rojas et al. (2019), proponen la aplicación de Redes Neuronales A=
rtificiales
(ANN, Artificial Neural Network) para la interpretación automática de
datos sísmicos, con un enfoque especial en la detección de terremotos. Adem=
ás,
Ghorbani et al. (2018) describen un estudio que tiene como objetivo mejorar=
la
autenticidad de los datos de eventos sísmicos. Esto se lleva a cabo mediant=
e el
uso de un método difuso y un algoritmo de red neuronal integrado, que
involucra al perceptrón Multicapa (MLP, Multilayer Perceptron=
) y
la red RBF (Base Radial Function) en forma de un sistema de aprendiz=
aje
colectivo con el fin de identificar eventos sísmicos a pequeña escala.
Adicionalmente, Reynen y Audet (2019) detallan =
un
caso de estudio realizado en la región Sur de California, donde se aplican
técnicas de aprendizaje automático para discriminar señales sísmicas. Los
resultados indican que el sistema es capaz de distinguir entre explosiones y
terremotos con una precisión del 99%. Por otro lado, Chamberlain y Townend
(2018) exploran una extensión del método matched-filter para detectar
terremotos de baja frecuencia en escalas locales a regionales. También exis=
ten
nuevos algoritmos que utilizan como base el método STA/LTA. Uno de ellos es=
el
STAFD/LTAFD (Short-Time-Average Fractal Dimension Through Long-Time-Aver=
age
Fractal Dimension) desarrollado por Xhang et al. (2018). De forma simil=
ar,
Jones y van der Baan (2015) presentan un algoritmo adaptativo que utiliza
STA/LTA y los modelos ocultos de Markov (HMM). Otra implementación realizada
por Choubik et al. (2020), utiliza el algoritmo STA/LTA y el modelo Hado=
op
MapReduce (modelo de programación para dar soporte a la computación
paralela sobre grandes colecciones de datos) para a=
celerar
el proceso de detección al reducir el tiempo de procesamiento.
En este contexto, en el presente artículo se evalúan y comparan algoritmos para la detección automática de ondas sísmicas tipo P y S. En particular, se emplea un conjunto de algoritmos destacados e= n la literatura para el procesamiento de eventos sísmicos, tales como: Classic STA/LTA, Recursive STA/LTA, Delayed STA/LTA, Z-detector, ver Toledo (2014), Baer and Kradolfer picker, ver Baer y Kradolfer (1987) y AR-AIC (Autoregres= sive-Akaike-Information-Criterion-picker), ver Sleeman y Van Eck (1999). Esta comparación se realiza con respecto a la funcionalidad y configuración de los parámetros requeridos para cada algori= tmo. Para llevar a cabo dicho análisis se diseña e implementa una herramienta de= software denominada RSADE, la cual emplea la librería ObsPy. La herramienta implemen= tada permite realizar varios experimentos por cada método utilizando registros sísmicos reales. Como resultado se obtiene que el algoritmo Classic STA/LTA presenta el mejor rendimiento, logrando un 98,2% de precisión. Cabe destacar que el= software RSADE se encuentra disponible para uso de forma libre, ver Armijos (2021).<= o:p>
En cuanto a las herramientas de software disponibles
para análisis sísmicos, existen diferentes propuestas. Por ejemplo, PICOSS =
es
una plataforma gráfica en Python para la detección, segmentación y
clasificación de datos sísmicos-volcánicos. El usuario puede seleccionar fl=
ujos
de trabajo automáticos o manuales, incluidas las redes neuronales profundas
como se explica en Bueno et al. (2020). También hay métodos analíticos en la
ingeniería sísmica basados en el rendimiento (PBEE, Performance-based
earthquake engineering) generalmente emplean conjuntos de registros de
movimiento del suelo para obtener métricas de rendimiento estructural. En e=
ste
contexto, EaRL, ver Elkady y Lignos
(2020), es un software basado en Matlab que ti=
ene
como objetivo facilitar los cálculos PBEE proporcionando una interfaz gráfi=
ca,
varias opciones de visualización de datos y además es de código abierto. De
igual forma, R2R-EU es una herramienta PBEE que implementa numéricamente va=
rios
métodos para estimar la fragilidad sísmica específica de una estructura. El
usuario puede elegir el método de análisis entre Bootstrap no
paramétrico y el método delta, como se detalla en Baraschino et al. (2020). Finalmente,
APASVO, ver Romero et al. (2020), es una herramienta grafica en Python de
código abierto que permite la detección automática de la onda P y de eventos
sísmicos. La aplicación utiliza los algoritmos STA/LTA, AMPA y AIC.
Al comparar las herramientas descritas
anteriormente con el software implementado RSADE, cabe destacar que =
es
de código abierto en Python que tiene las funcionalidad=
es
de análisis en intervalos de tiempo, generación de gráficas de los resultad=
os,
exportación de los resultados de detección de eventos, creación de nuevos
archivos miniSeed con los datos de los intervalos de interés y además permi=
te
elegir entre varios algoritmos de detección de eventos.
Todas estas funcionalidades se desarrollaron en una plataforma SBC (Raspber=
ry
Pi 3), la cual es ampliamente utilizada en múltiples aplicaciones por sus
capacidades de versatilidad, robustez, con prestaciones actuales y
disponibilidad de diversos periféricos. En consecuencia, se implementa una
herramienta portátil, escalable, de bajo costo y uso mínimo de CPU para
optimizar el rendimiento del dispositivo SBC.
El artículo está organizado =
de
la siguiente manera: en la Sección 2 se presenta la Metodología y Component=
es,
en la Sección 3 se presenta la Herramienta implementada y los Resultados
obtenidos y finalmente en la Sección 4 las Conclusiones.
Metodología y componentes
En
esta sección se detalla la metodología que se utilizó para la evaluación de=
los
diferentes algoritmos de detección automática de eventos sísmicos. En la Figura 1=
se presenta un diagrama de la metodología
que se empleó para la comparación de cada algoritmo. Como se aprecia, en
primera instancia, el sistema se alimenta con información de eventos sísmic=
os
reales previamente obtenidos con estaciones acelerográficas de la Red Sísmi=
ca
del Austro (RSA) adscrita a la Facultad de Ingeniería de la Universidad de
Cuenca, Cuenca-Ecuador, en formato miniSeed. Se utilizaron datos en formato
miniSeed para la comparación de los métodos (Armijos, 2021). Luego se reali=
zó un
preprocesamiento de estos datos, que consistió en una etapa de normalización
mediante un factor de conversión y en una etapa de filtrado (filtro pasa ba=
nda)
para eliminar el offset generado por los sensores y las frecuencias
altas.
![3D"Diagrama
Descripción](3D"830-FINAL-GALERADA_archivos/image003.png")
A
continuación, en el procesamiento se utilizaron los diferentes métodos de
detección disponibles en la librería ObsPy. Para cada método se configuraron
distintos parámetros con valores iniciales y se obtuvieron los primeros
resultados con registros de eventos sísmicos reales. Posteriormente, se aju=
staron
los parámetros, se logró nuevamente los resultados y se verificó si se cons=
iguió
mayor éxito en comparación a la iteración anterior. De esta manera, se repi=
tió
el procedimiento de ajuste de parámetros hasta alcanzar los mejores valores
para cada algoritmo. Además, para =
cada
algoritmo se realizaron 10 pruebas, solo para el método AR-AIC se ejecutaro=
n 8
experimentos. Para comparar los resultados obtenidos se empleó un conjunto =
de
58 registros con eventos sísmicos y 58 sin eventos, para evaluar el mejor r=
esultado
de cada algoritmo de detección y obtener la matriz de confusión de cada uno=
. En
la matriz de confusión se tuvo los parámetros: Verdaderos Positivos (VP),
Falsos Positivos (FP), Falsos Negativos (FN), que vendría a ser el ruido y
Verdaderos Negativos (VN). Finalmente, como resultados se presentaron grafi=
cas
con la información de los VP, FP y FN, además de la matriz de confusión para
cada algoritmo.
Características de los métodos de dete= cción
Los parámetros adecuados para cada algoritmo
obedecen a diferentes factores, como por ejemplo el nivel de ruido promedio=
, la
sensibilidad de los sensores sísmicos y la distancia a la que se encuentran=
las
estaciones sísmicas. Por consiguiente, los valores adecuados de los parámetros difieren =
para
cada método. No obstante, existen recomendaciones que se pueden tomar como
referencia para el desarrollo de experimentos. En particular, los valores
iniciales de los parámetros empleados en el presente trabajo se basan en las
recomendaciones descritas por Jones y van der Bann (2015), así como en los
ejemplos iniciales de Trigger/Picker Tutorial—ObsPy Documentation=
(2021).
En
este sentido, según Trnkoczy (2009), el parámetro STA sirve como un filtro =
de
señal, y cuanto menor sea la duración seleccionada mayor será la sensibilid=
ad y
viceversa. Específicamente, para el caso de eventos regionales, un valor tí=
pico
de STA se encuentra entre 1 y 2 segundos y para eventos locales es más comú=
n emplear
valores entre 0.3 y 0.5 segundos. Por otro lado, un valor de LTA corto puede
mitigar los disparos falsos debido al ruido generado por fuentes artificial=
es
(v.g. personas, vehículos). Un valor común para este parámetro fue de 60
segundos. Además, se debe considerar que los algoritmos disponibles en ObsPy
reciben los parámetros NSTA (Length of short time average window in samp=
les)
y NLTA (Length of long time average window in samples), por lo que l=
os
valores recomendados se deben convertir de tiempo a número de muestras
considerando la frecuencia de muestreo de los registros.
Por
otra parte, el umbral de activación (trigger) determina en, mayor me=
dida,
qué eventos se registraron y cuáles no. Cuanto mayor es el valor que se est=
ablece,
un mayor número de eventos no son registrados, pero se produce menos dispar=
os
falsos. Un valor típico inicial para el nivel de umbral de activación STA/L=
TA
es de 4. De similar manera, un nivel de umbral de desactivación (detrigg=
er)
STA/LTA demasiado bajo no es recomendado. Lo último puede ocasionar la
detección de eventos sísmicos de tamaño indefinido. Un valor inicial típico=
del
nivel de umbral de detrigger es de 2 a 3. A partir de las
consideraciones descritas, así como de un considerable número de pruebas re=
alizadas,
a continuación, se indican los parámetros empleados para los experimentos c=
on
los distintos algoritmos.
Parámetros utilizados
Los
experimentos realizados con diferentes parámetros se presentan en la Tabla 1<=
!--[if gte mso 9]>
En
cuanto al algoritmo Classic STA/LTA, se comenzó con unos parámetros inicial=
es
(P1) y se generaron los resultados comparando con los eventos reales. Luego=
, se
modificaron los parámetros y se determinaron si los resultados mejoraron. E=
ste
procedimiento de ajuste de parámetros se repitió hasta obtener los mejores
resultados. Por lo tanto, se realizaron más pruebas de las que se muestran =
en
la Tabla 1<=
!--[if gte mso 9]>
En
el caso del método Recursive STA/LTA y Delayed STA/LTA se procedió de igual
forma que con el algoritmo anterior. Se definió un valor inicial y se fue
iterando a base de los resultados obtenidos. Sin embargo, como se mencionab=
a,
estos valores no van a ser adecuados para todos los casos, sino que depende=
n de
otros factores tales como el nivel de ruido promedio, sensibilidad de los
sensores sísmicos y magnitud de los eventos.
El
algoritmo Z Detector no recibe como entrada el parámetro LTA, como los méto=
dos
basados en STA/LTA, pero de igual forma se realizaron las pruebas variando =
los
parámetros en cada una. Algo que se debe considerar en este algoritmo es el
tiempo de procesamiento. En los algoritmos anteriores el tiempo de
procesamiento promedio fue menor a 1 minuto. Pero en el método Z Detector,
conforme aumenta el valor de STA, el tiempo en el que se ejecuta el algorit=
mo
aumenta, llegando incluso a 30 minutos de procesamiento.
Tabla 1=
Parámetros de los distintos algor= itmos
|
ALGORITMO |
PARÁMETRO |
P1 |
|
|
P4 |
P5 |
P6 |
P7 |
P8 |
P9 |
P10 |
|
Classic ST=
A/LTA |
Trigger on=
|
1.5 |
1.3 |
1.2 |
1.15 |
1.1 |
1.15 |
1.15 |
1.15 |
1.15 |
5 |
|
Trigger of=
f |
0.5 |
0.7 |
0.8 |
0.85 |
0.85 |
0.85 |
0.85 |
0.85 |
0.5 |
0.5 |
|
|
Sta |
5 |
5 |
50 |
50 |
500 |
40 |
40 |
40 |
10 |
0.5 |
|
|
Lta |
10 |
10 |
100 |
100 |
1000 |
70 |
200 |
500 |
70 |
70 |
|
|
Delayed ST=
A/LTA |
Trigger on=
|
5 |
1 |
1 |
18 |
1.4 |
103 |
2 |
103 |
124 |
101 |
|
Trigger of=
f |
10 |
5 |
20 |
30 |
1.5 |
100 |
3 |
100 |
121 |
100 |
|
|
Sta |
2.1 |
5.2 |
21 |
1.7 |
80 |
20 |
300 |
4 |
10 |
5 |
|
|
Lta |
2.3 |
5.5 |
23 |
2 |
90 |
2000 |
350 |
400 |
1200 |
500 |
|
|
Recursive =
STA/LTA |
Trigger on=
|
1.5 |
1.15 |
2 |
1.3 |
1.2 |
1.1 |
1.1 |
1.1 |
1.1 |
1.1 |
|
Trigger of=
f |
0.5 |
0.5 |
0.5 |
0.5 |
0.7 |
0.8 |
0.8 |
0.8 |
0.8 |
0.95 |
|
|
Sta |
8.5 |
100 |
1000 |
10 |
20 |
40 |
40 |
20 |
6 |
20 |
|
|
Lta |
14 |
200 |
3000 |
70 |
50 |
80 |
120 |
100 |
12 |
40 |
|
|
Z Detector=
|
Trigger on=
|
1 |
2 |
1 |
1 |
0.5 |
0.5 |
0.5 |
0.2 |
0.1 |
0.1 |
|
Trigger of=
f |
0.5 |
1 |
0.5 |
0.5 |
0.1 |
0.1 |
0.1 |
0.1 |
0 |
0 |
|
|
Sta |
10 |
50 |
200 |
2 |
0.5 |
1 |
7 |
2 |
20 |
8 |
|
|
Baer-and
Kradolfer-picker |
Trigger on=
|
1E+08<=
/span> |
7 |
1E+08 |
1E+08 |
7 |
10 |
7 |
1E+08 |
10 |
20 |
|
Trigger of=
f |
2E+06<=
/span> |
12 |
2E+06 |
2E+06 |
12 |
12 |
12 |
2E+06 |
12 |
30 |
|
|
Thr1 |
10 |
7 |
10 |
300 |
10 |
7 |
10 |
10 |
7 |
7 |
|
|
Thr2 |
2 |
12 |
200 |
2 |
20 |
12 |
20 |
2 |
12 |
15 |
|
|
Tdownmax |
1 |
20 |
1 |
1 |
10 |
20 |
10 |
1 |
20 |
20 |
|
|
Tupevent |
640 |
60 |
640 |
640 |
2 |
60 |
97 |
640 |
60 |
60 |
|
|
Preset len=
|
640 |
100 |
640 |
640 |
384 |
100 |
100 |
6 |
200 |
100 |
|
|
P dur |
6 |
100 |
6 |
6 |
100 |
100 |
100 |
6 |
200 |
100 |
|
|
AR-AIC |
F1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
- |
- |
|
F2 |
20 |
20 |
20 |
20 |
8 |
20 |
20 |
20 |
- |
- |
|
|
Lta p |
1 |
2 |
10 |
100 |
1 |
8 |
8 |
8 |
- |
- |
|
|
Sta p |
0.1 |
0.2 |
1 |
10 |
0.1 |
2 |
2 |
2 |
- |
- |
|
|
Lta s |
4 |
8 |
40 |
400 |
4 |
6 |
6 |
6 |
- |
- |
|
|
Sta s |
1 |
2 |
10 |
100 |
1 |
3 |
3 |
3 |
- |
- |
|
|
M_p |
2 |
4 |
20 |
200 |
2 |
2 |
10 |
2 |
- |
- |
|
|
M_s |
8 |
16 |
80 |
800 |
8 |
8 |
15 |
8 |
- |
- |
|
|
L_p |
0.1 |
0.2 |
1 |
10 |
0.1 |
0.1 |
0.1 |
1 |
- |
- |
|
|
L_s |
0.2 |
0.4 |
2 |
20 |
0.2 |
0.2 |
0.2 |
3 |
- |
- |
Para
los algoritmos Baer and Kradolfer picker y AR-AIC se tienen más parámetros =
que
para los métodos basados en STA/LTA. Estos algoritmos también se probaron c=
on
valores disponibles en Trigger/Picker Tutorial—ObsPy Documentation (2021) y=
a base
de los resultados obtenidos se modificaron los diferentes parámetros.
Evaluación y resultados
En esta sección se describe la herramienta de =
software
RSADE implementada para la evaluación de algoritmos de detección de eventos
sísmicos. Además, se presentan los resultados obtenidos con los diferentes =
algoritmos.
Software para la detección automática = de eventos sísmicos
La herramienta para la evaluación de los algoritmos de detección de eventos se implementa en Python. Entre las funcionalidades incorporadas se encuentran = las capacidades de graficar eventos en diferentes intervalos de tiempo, exporta= r un archivo miniSeed con los datos de los intervalos de tiempo seleccionados y además guardar todos los eventos obtenidos con hora de inicio y fin en un archivo de texto. La Figura 2= describe la estructur= a de la herramienta mostrando las clases del sistema, sus atributos y métodos. P= or ejemplo el método graficar_eventos() de la cla= se Graficar es público y permite visualizar los registros sísmicos. El método = obtener_eventos() permite guardar todos los event= os sísmicos del análisis, con hora de inicio y fin del sismo en un archivo de texto. El método obtener_miniSeed() permite segmentar el archivo de análisis dependiendo de la hora de inicio y fin seleccionada. Y el método seleccionar_metodo() permite elegir el algoritmo = de detección . En la Figura 3= se presenta una captura del sistema RSAD= E donde se resaltan sus principales funcionalidades. Cabe indicar que el softwar= e se libera para su uso y experimentación. La funcionalidad y configuración en detalle de la herramienta se puede revisar en Armijos (2021).
Diagrama de clases de la herramie= nta RSADE
![3D"Diagrama
Descripción](3D"830-FINAL-GALERADA_archivos/image005.jpg")
Características y Funcionalidades= de la Herramienta RSADE
![3D"Interfaz](3D"830-FINAL-GALERADA_archivos/image007.png")
Los =
casos de
uso de la herramienta se muestran en la Figura 4. Aquí la herramienta es el sis=
tema y
el actor el usuario. Para seleccionar el algoritmo únicamente interviene el
usuario, pero para los otros casos de uso como graficar, obtener eventos y
miniSeed también interviene la herramienta ya que es la que "prepara&q=
uot;
todo para dar los resultados al usuario.
Casos de uso de la herramienta RS= ADE
![3D"Diagrama
Descripción](3D"830-FINAL-GALERADA_archivos/image009.jpg")
Resultados obtenidos con los dife= rentes algoritmos
![3D"Imagen](3D"830-FINAL-GALERADA_archivos/image011.png")
Comparación de algoritmos de detección= de eventos sísmicos
Para
la comparación de los algoritmos se utiliza un conjunto de 58 registros con
eventos sísmicos y 58 sin eventos. Los parámetros utilizados son: Verdaderos
Positivos (VP) que es la predicción de un evento que corresponde a un evento
real, Falsos Positivos (FP) que son los eventos que no se detectaron, Falsos
Negativos (FN), que es el ruido y Verdaderos Negativos (VN). Luego, para
evaluar los resultados se emplea la matriz de confusión que es una herramie=
nta que
permite visualizar el desempeño de un algoritmo. Una de las métricas de la
matriz de confusión es la precisión, que viene a ser la proporción de VP
dividido entre todos los resultados positivos (tanto VP como FP).
Los
resultados obtenidos en cada experimento para todos los algoritmos se prese=
ntan
en la Figura 5=
. En primer lugar, los resultados del
algoritmo Classic STA/LTA se muestran en la Figura 5a. Como se puede observar, con la prueba 9 (P9) se detectan todos los
eventos reales y se tiene un total de 15 falsos negativos, lo cual no es
conveniente. Con este análisis, la prueba que mejores resultados ofrece es =
la
P6, en la cual solo un evento no se detecta, se obtienen 6 falsos positivos=
y
se logra un total de 57 verdaderos positivos.
El
algoritmo Delayed STA/LTA genera los resultados mostrados en la
Con
el último método basado en STA/LTA, el Recursive, se consiguieron los
resultados de la Figura 5c. A base de los valores utilizados en P1 se ajust=
an
los parámetros hasta mejorar el rendimiento. Se observa claramente que P10 =
fue
la prueba con mejores resultados, ya que se lograron 64 eventos en total, de
los cuales 49 fueron verdaderos positivos y 9 falsos positivos.
Continuando
con la evaluación experimental, los resultados obtenidos con el algoritmo Z
Detector se observan en la Figura 5d. En general, todas las pruebas tienen un porcen=
taje
de eventos detectados bajo. La máxima cantidad de verdaderos positivos (22)=
de
un total de 24 eventos obtenidos, fue en P10.
Para
el algoritmo Baer and Kradolfer picker se generan los resultados de la Figu=
ra 5e.
El mejor resultado con este método se obtiene en P9. En esta prueba se dete=
ctan
39 verdaderos positivos de un total de 58 eventos. Finalmente, para el
algoritmo AR-AIC se puede observar que se realizan 8 pruebas, esto debido a=
que
los resultados son parecidos a pesar de modificar los parámetros, a excepci=
ón
de P4 y P7. El mejor resultado se obtiene en P6 (Figura 5f)
ya que se logran 28 verdaderos positivos. Por lo tanto, se tiene 48 % de
efectividad.
Selección de los mejores resultados
La
matriz de confusión con la clasificación de evento y no evento para el mejor
resultado de cada algoritmo se presenta en la Figura 6=
. De los 6 métodos com=
parados,
el algoritmo Classic STA/LTA obtiene el mayor rendimiento, ya que como se
muestra en la Figura 6a con los resultados de la matriz de confusión se tie=
ne
una precisión del 98,2%. Cabe destacar que el algoritmo Classic STA/LTA det=
ecta
sismos comparando los niveles de movimiento del suelo a corto plazo con los
niveles de movimiento del suelo a largo plazo, de esta manera se mejora
significativamente el registro de sismos de baja magnitud en comparación con
los otros algoritmos. También reduce el número de registros falsos provocad=
os
por el ruido sísmico natural y provocado por el hombre, como se detalla en
Sevilla (2019).
Por
otro lado, el método Recursive STA/LTA genera un 84,4% de precisión, como se
observa en la Figura 6c. De igual forma en la=
Figura
6e, se describen los resultados para el método Baer
and Kradolfer picker, el cual alcanza una precisión del 67,2%.
En cuanto a los =
métodos
restantes, los resultados indican niveles inferiores de precisión. En concr=
eto
un 48.2% para el mecanismo AR-AIC (Figura 6=
f),
37.9% para el algoritmo Z Detector (Figura 6=
d).
Finalmente, para el caso del método Delayed STA/LTA descrito en la <=
span
style=3D'font-size:12.0pt;mso-bidi-font-size:14.0pt'>Figura 6b, el nivel de precisión alcanza tan solo el 35=
.9%.
En
la Figura 7=
se presenta uno de los eventos sísmicos =
más
relevantes, obtenido con el algoritmo Classic STA/LTA. En la parte superior=
de
la figura se puede observar la llegada de la onda P (primaria) con la línea
vertical de color rojo y el final de la onda S (secundaria) con la línea az=
ul.
En la parte inferior se muestra la función característica y el umbral tr=
igger/
detrigger configurado.
Mejores resultados de cada Algori=
tmo![3D"Gráfico,](3D"830-FINAL-GALERADA_archivos/image013.png")
![3D"Gráfico,](3D"830-FINAL-GALERADA_archivos/image015.png")
![3D"Gráfico
Descripción](3D"830-FINAL-GALERADA_archivos/image017.png")
Evento sísmico obtenido con el Al= goritmo Classic STA/LTA
![3D"Gráfico
Descripción](3D"830-FINAL-GALERADA_archivos/image019.png")
Evaluación del rendimiento del disposi= tivo SBC
Como
se describe previamente, la implementación de la herramienta de software y =
la
comparación de los métodos se realizan sobre una plataforma SBC. En tal
sentido, se diseñan experimentos para evaluar el rendimiento de la platafor=
ma
al ejecutar los diferentes algoritmos. Específicamente, se determina el uso=
de
CPU del dispositivo SBC para cada método de detección como se muestra en la=
Figura 8.
Uso de CPU por cada algoritmo
![3D"Gráfico,](3D"830-FINAL-GALERADA_archivos/image021.png")
Con
el objetivo de obtener estos resultados, se emplea un registro sísmico de 30
minutos para cada algoritmo. Además, se utilizan los mejores parámetros
obtenidos en la subsección anterior y, finalmente, se captura el uso de la =
CPU
de la Raspberry Pi durante 30 segundos ya que en promedio el tiempo de
procesamiento de este registro es de 10 segundos. Como se puede apreciar en=
las
curvas, los algoritmos que más costo computacional demandan son el Z Detect=
or y
AR-AIC. Mientras que el método Classic STA/LTA, que genera los mejores
resultados, presenta un pico máximo de 18 % de uso de CPU.
En
cuanto al método que menor costo computacional requiere es el de Baer and
Kradolfer picker, en este caso el máximo valor obtenido es de 17.1 %.
Finalmente, cabe destacar que en ningún caso se presentan sobrecargas en la
CPU, por consiguiente, el uso de la plataforma SBC es adecuado para el estu=
dio
descrito.
Conclusiones
En este artículo se presenta un estudio de
evaluación y comparación de algoritmos para la detección de eventos sísmico=
s.
Con tal propósito se desarrolla una herramienta de software que perm=
ite
leer un registro sísmico, detectar con diversos algoritmos los eventos sísm=
icos
de dicho registro y la comparación de resultados de forma rápida y sencilla.
Además, dispone de las funcionalidades de análisis en intervalos de tiempo,
obtener gráficas de los resultados, exportación de los resultados y creació=
n de
nuevos archivos miniSeed con los datos de los intervalos de interés. La
decisión de liberar el software RSADE tiene la finalidad de que siga
creciendo y mejorando con aportes de personas interesadas en este ámbito y =
que
pueda ser usada para desarrollar más estudios sobre la detección de eventos
sísmicos.
Con
respecto a los experimentos realizados para cada algoritmo, se obtiene como
resultado que el método Classic STA/LTA es el que mejores resultados genera,
bajo las condiciones de los registros sísmicos de la Red Sísmica del Austro
(nivel de ruido promedio, sensibilidad de los sensores sísmicos, distancia =
a la
que se encuentran las estaciones sísmicas, magnitud). Con este algoritmo se=
obtiene
una precisión del 98,2%. Por otro lado, para otros algoritmos como el Baer =
and
Kradolfer picker se logra una baja tasa de detección debido a que varios de=
los
eventos sísmicos tienen baja magnitud.
Adicionalmente,
se realiza la evaluación del uso de CPU de la plataforma SBC. Como resultad=
o se
obtiene que los algoritmos que más costo computacional requieren son el Z
Detector y AR-AIC, por lo que no serían óptimos para una implementación en
tiempo real. Mientras que el método con menor uso de CPU es el de Baer and
Kradolfer picker.
Como
trabajos futuros se plantea aplicar técnicas de inteligencia artificial como
Redes Neuronales o Support Vector Machines para la detección automát=
ica
de eventos sísmicos. Como datos de entrada se plantea emplear registros
sísmicos reales de varios institutos de sismología de forma similar a los
utilizados en el presente trabajo. Además, con base en los resultados
obtenidos, se va a utilizar el algoritmo Classic STA/LTA para implementar en
tiempo real el sistema de detección automática de eventos sísmicos.
Cabe
recalcar que al tener implementado el sistema en una Raspberry Pi 3 se puede
replicar el software en diferentes dispositivos de forma rápida y
económica, ya que al ser una plataforma de bajo costo permite que el sistema
sea escalable, portable y fácil de manejar.
Reconocimientos
Este
trabajo se enmarca dentro del Proyecto de Investigación Tecnologías IoT y R=
edes
Inalámbricas de Sensores Aplicados a la Monitorización de Salud Estructural=
en
Edificios Esenciales de la Ciudad de Cuenca y forma parte de la Tesis
Evaluación y Comparación de Algoritmos para la Detección Automática de Ondas
Sísmicas.
Los
autores desean expresar su agradecimiento a la Dirección de Investigación d=
e la
Universidad de Cuenca (DIUC) y a la Red Sísmica del Austro (RSA), por el ap=
oyo
y facilidades brindadas para la consecución del presente trabajo.
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., &=
amp;
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). <=
/span>An earthqua=
ke
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., Wool=
lam,
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<=
/i>,
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, 1=
90(8),
1-13.
Jiménez, J., Cabrera, J., Sánchez, J., & Avi=
lés,
F. (2018). Vulnerabilidad sísmica del patrimonio edificado del Centro Histó=
rico
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. Bulle=
tin
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., &a=
mp;
Zhang, J. Z. (2014). STA/LTA algorithm analysis and improvement of Microsei=
smic
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. J=
ournal
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. 1=
2.
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 importan=
cia
para la geofísica y la humanidad. Universidad Industrial de Santander<=
/i>, 3(=
4).
Reynen, A.,=
&
Audet, P. (2017). Supervised machine learning on a network scale: Applicati=
on
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 network=
s as
emerging tools for earthquake detection. Computación
y Sistemas, 23(2), 335-3=
50.
Romero, J. E., Titos, M., Bueno, Á., Álvarez, I.,
García, L., Torre, Á. de la, & Benítez, M. C. (2016). APASVO: A f=
ree
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 Ech=
everría,
I. (2019). Improving automatic earthquake detection in the Krafla seismic
network [Thesis]. <=
span
lang=3DEN-US style=3D'font-size:10.0pt;color:windowtext;mso-ansi-language:E=
N-US;
text-decoration:none;text-underline:none'>https://skemman.is/handle/1946/34=
507
Sharma, B. =
K.,
Kumar, A., & Murthy, V. M. (2010). Evaluation of seismic events detecti=
on
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 implementa=
tion
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 o=
ndas P
invariante de escala: Caso de réplicas del sismo del 11 de marzo de 2010. <=
/span>http://repositorio.uchile.cl/handle/2250/131361
Trnkoczy, A.
(2009). Understanding and parameter setting of STA/LTA trigger algorithm. E=
n New
Manual of Seismological Observatory Practice (NMSOP) (pp. 1-20). Deutsc=
hes
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, <=
i>203(3),
1896-1908.
Zhang, J., =
Tang,
Y., & Li, H. (2018). STA/LTA Fractal Dimension Algorithm of Detecting t=
he 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., Pe=
ng, 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.