Nota: El presente trabajo, en su totalidad o cualquiera de sus partes, no debe ser considerado como una publicación, incluso a pesar de estar disponible sin restricciones a través de un repositorio institucional. Esta declaración se alinea con las prácticas y recomendaciones presentadas por el Committee on Publication Ethics COPE descritas por Barbour et al. (2017) Discussion document on best practice for issues around theses publishing, disponible en http://bit.ly/COPETheses. UNPUBLISHED DOCUMENT Note:The following capstone project is available through Universidad San Francisco de Quito USFQ institutional repository. Nonetheless, this project -in whole or in part -should not be considered a publication. This statement follows the recommendations presented by the Committee on Publication Ethics COPE described by Barbour et al. (2017) Discussion document on best practice for issues around theses publishing available on http://bit.ly/ COPETheses. RESUMENEn este trabajo, proponemos un nuevo método para clasificar entre spectrograms Long-Period y Volcano-Tectonic utilizando seis diferentes arquitecturas de conocimiento profundo. El método desarrollado utiliza tres redes neuronales convolucionales llamadas: DCNN1, DCNN2 y DCNN3. De igual manera tres redes neuronales convolucionales son combinadas con redes neuronales recurrentes llamadas: DCNN-RNN1, DCNN-RNN2, y DCNN-RNN3 para maximizar el valor del area bajo la curva (ROCAUC) en un datases de espectrogramas de eventos sísmicos volcánicos. Los modelos DCNN-RNN1, DCNN-RNN2, y DCNN-RNN3 alcanzaron los desempeños más bajos debido a que presentaron overfitting, y esto puede ser a causa de la pequeña cantidad de muestras por clase utilizadas para entrenar estos modelos ta complejos. El modelo DCNN1 fue el mejor comparándolo con las restantes redes neuronales convolucionales. Se obtuvo un valor ROCAUC de 0.98 y un valor de precision de 95%. Aun que estos valores no fueron los valores mas altos por cada métrica, estos no representaron diferencias estadísticas entro otros modelos de mayor complejidad algorítmica. El modelo DCNN1 propuesto demostró desempeño similar o superior comparado con la mayoría de métodos estado del arte en términos de métrica de precision. Por ende puede ser considerado como un excelente modelo para clasificar eventos sísmicos del tipo LP y VT basados en sus imágenes espectrogramas.Palabras Claves: Clasificación de eventos sísmicos volcánicos, modelos de conocimiento profundo, inteligencia artificial, imágenes espectrogramas.

No abstract

The analysis and classification of seismic records of volcanoes allow us to determine the alert state in which it is. A timely study of these signs can contribute to decision-making to safeguard the integrity of people in the face of a natural disaster. The present work applies a methodology that combines the analysis of linear prediction coefficients and artificial neural networks to classify earthquakes. Two types of earthquakes that come from Galeras Volcano, Colombia, are studied volcano-tectonic and long-period. The classification is made using the clustering technique based on unsupervised learning. The signals are transformed using the linear prediction filter coefficients technique, which has the function of reducing the size of the vector that contains the original data. MATLAB software is used to generate a self-organizing network that handles clustering. The results show that the best alternative in unsupervised learning is to use the linear prediction coefficients of order 5, 6, and 7 to represent a seismic signal. For lower orders, the necessary information is not captured and for higher orders, noise information is shown.