Análisis de los registros sísmicos del CMVS

Abstract

El objetivo de este proyecto fue evaluar el desempeño de una red de estaciones sísmicas de bajo costo (Raspberry Shake), implementada por el Centro de Monitoreo Vulcanológico y Sismológico (CMVS) en Chiapas, México, a través de la detección y caracterización de sismicidad de baja magnitud (M < 3.5) en una región que presenta diversas fuentes sismogénicas, lo que la hace importante para el monitoreo sísmico. El trabajo empleó un enfoque metodológico integral que combinó algoritmos tradicionales de detección automática, basados en STA/LTA (Short-Term Average/Long-Term Average), con algoritmos modernos de aprendizaje automático (PhaseNet y EQTransformer) estos últimos a través del entorno de desarrollo de SeisBench. Para ello, se descargaron los datos correspondientes al periodo del 18 de enero del 2021 al 28 de febrero del 2021, los cuales fueron segmentados en ventanas de 3600 segundos, para optimizar el análisis, normalizados y filtrados por un pasa bandas entre 1.0 a 9.0 Hz, rango optimo para la detección de sismos locales según pruebas preliminares. La detección automática de los eventos se realizo mediante la implementación comparativa de cuatro variantes del algoritmo STA/LTA (Clásica, Recursiva, Retardada y Z-Detector). Cada algoritmo fue calibrado para optimizar su sensibilidad a eventos de baja magnitud, determinando parámetros clave como la duración de las ventanas de análisis y los umbrales de activación y desactivación. Posteriormente, se aplicaron los modelos de aprendizaje profundo PhaseNet y EQTransformer, cuyos umbrales de probabilidad fueron configurados para la identificación de fases sísmicas de eventos de baja intensidad. Los resultados demostraron que el algoritmo STA/LTA Clásico presentó un mejor desempeño teniendo un balance entre sensibilidad y precisión superior a las demás variantes, detectando 132 nuevos eventos no reportados por el Servicio Sismológico Nacional, cuyas magnitudes oscilaron entre los 1.0 <= Mc <= 3.2. Por otro lado, los modelos de PhaseNet y EQTransformer mostraron mayor precisión en la identificación de fases sísmicas, permitiendo la detección de 192 nuevos eventos en conjunto, 139 de PhaseNet y 53 de EQTransformer, a costa de una sensibilidad menor en comparación con los métodos tradicionales. The objective of this project was to evaluate the performance of a low-cost seismic station network (Raspberry Shake) deployed by the Volcanological and Seismological Monitoring Center (CMVS) in Chiapas, Mexico. The study focused on detecting and characterizing low-magnitude seismicity (M < 3.5) in a region with diverse seismogenic sources, making it critical for seismic monitoring. The methodology integrated traditional automated detection algorithms (STA/LTA – Short-Term Average/Long-Term Average) with modern machine learning models (PhaseNet and EQTransformer) using the SeisBench framework. Data from January 18 to February 28, 2021, were segmented into 3600 second windows to optimize analysis, then normalized and bandpass-filtered (1.0–9.0 Hz), this been the optimal range for local earthquake detection based on preliminary tests. Automated event detection was performed using four STA/LTA algorithm variants (Classic, Recursive, Delayed, and Z-Detector), each calibrated to enhance sensitivity to low-magnitude events by adjusting key parameters like window lengths and activation/deactivation thresholds. Subsequently, the deep learning models PhaseNet and EQTransformer were applied, with probability thresholds configured for low-magnitude phase identification. Results showed that the Classic STA/LTA demonstrated the most favorable trade-off between detection sensitivity and event precision. It detected 132 new events unreported by the National Seismological Service (SSN), with magnitudes ranging from 1.0 ≤ Mc ≤ 3.2. In contrast, PhaseNet and EQTransformer achieved higher phase-picking precision, jointly detecting 192 new events (139 by PhaseNet, 53 by EQTransformer), though with slightly lower sensitivity than traditional methods. Location analysis revealed that most detected events were shallow (depths <50 km), clustered primarily in regions associated with transform and reverse fault provinces (northwest and northeast of the state, respectively), and minimally near the Tonalá fault. Network sensitivity was assessed using the SENSI program, whose results aligned with the network’s empirical detection/location capabilities—though empirical data showed the network could record events of lower magnitudes than those predicted by SENSI.