Las redes sismológicas, sean globales, regionales o locales, tienen como objetivo realizar el monitoreo de la actividad sísmica, gestionar el riesgo sísmico y comprender el comportamiento geodinámico de la Tierra, labores que implican la detección de los eventos sísmicos y su localización (latitud, longitud, profundidad y tiempo de origen) con un nivel de incertidumbre aceptable. Para lograr esto, es necesario que múltiples estaciones sismológicas registren los movimientos del terreno de manera continua y, a partir de estos registros, se determine el arribo de fases sísmicas (las ondas P y S en cada estación).  En muchas redes este proceso lo realiza un analista que, mirando las trazas en un computador, determina el tiempo de llegada de una onda a una estación, denominado picado de fases sísmicas. Sin embargo, para una red sismológica densa o despliegues temporales, esta tarea puede requerir mucho tiempo y el trabajo de varios analistas. Considerando la necesidad de automatizar este proceso, usamos dos modelos de Deep Learning (EQTransformer & PhaseNet), previamente entrenados para detectar y picar fases sísmicas. Para asociar fases y determinar la localización de los sismos se usó el algoritmo Density-based spatial clustering of applications with noise (DBSCAN). Aplicamos los pasos de detección y asociación a una red regional (Red Sismológica Colombiana, separación de estaciones ~ 100 km) y a dos redes locales y temporales (separación de estaciones ~ 10-20 km) en el norte de Sudamérica. Se realizaron algunas estadísticas para comparar el desempeño de los modelos de autopicado, mencionados respecto al picado de los analistas sismológicos. Además, se presenta el catálogo sísmico obtenido y se compara con respecto al catálogo presentado por la Red Sismológica Nacional de Colombia del Servicio Geológico Colombiano (RSNC – SGC). Resultados preliminares muestran que esta implementación es suficientemente confiable para generar catálogos automáticos debido a su buen desempeño en la localización de réplicas y eventos de baja magnitud.

  • Emmanuel Castillo, Daniel Siervo, Viviana Dionicio, German Prieto
  • ecastillo@sgc.gov.co, dsiervo@sgc.gov.co, ldionicio@sgc.gov.co, gaprietogo@unal.edu.co
  • Charla