Detección de alertas pre-eruptivas volcánicas basada en aprendizaje incremental

Abstract

Antecedentes: Los volcanes son estructuras geológicas que generan situaciones de emergencia para quienes viven en su entorno. Los riesgos a los que esta expuesta una población son terremotos, flujos, explosiones, emisiones de gases y cenizas, etc; causando morbilidad y alta mortalidad debido al tamaño de grandes erupciones. Indirectamente, los eventos vulcanológicos pueden causar deterioro socioeconómico, daño de líneas de transporte vitales e infraestructuras y, en general, alterar las condiciones de vida de las poblaciones comprometidas. Por esta razón, la vigilancia de volcanes es una tarea clave para detectar anomalías volcánicas en tiempo real y actuar en consecuencia. Por otro lado, de las ciencias de la computación se tiene que las técnicas de aprendizaje automático se han posicionado como herramientas para dar solución a diversos problemas de la vida real, como la clasificación y detección de intrusos, monitorización de procesos industriales, entre otros. Estas técnicas tienen un buen desempeño cuando se cuenta con datos del dominio a priori, donde algún algoritmo de clasificación automática es entrenado con el conjunto de datos y se obtiene un modelo capaz de obtener una clasificación o predicción con un alto porcentaje de precisión.

Objetivos: Desarrollar un sistema que permita la detección de alertas pre-eruptivas a partir de la detección de anomalías volcánicas y que sea capaz de tratar con flujos de datos provenientes de sus estaciones de monitorización, permitiendo que dicha detección mantenga una precisión aceptable.

Métodos: Se propone usar un algoritmo de detección de valores atípicos que implemente aprendizaje incremental para no almacenar todos los ejemplos del flujo de datos provenientes de las estaciones de deformación y geoquímica volcánica y que actualice la función modelo cada vez que ocurran cambios. De esta forma, se pretende calcular los valores atípicos en tiempo real y generar las alertas respectivas, las cuales serán clasificadas por los expertos de la vigilancia volcánica según sea el caso.

Resultados: La presente propuesta entregó como resultados una serie de conjuntos de datos que involucran información volcanológica perteneciente a las áreas de monitorización volcánica de geoquímica y deformación. Estos datos fueron recolectados a través de estaciones de inclinometría y dióxido de carbono, ubicadas en cercanías del volcán Puracé (departamento del Cauca), además, se entrega un prototipo capaz de detectar en tiempo real las diferentes anomalías generadas en el volcán.

Conclusiones: El dominio de aplicación utilizado en la presente investigación demostró que usar el algoritmo RDE (Recursive Density Estimation) en monitorización volcánica es una buena opción para encontrar valores atípicos y generar alertas que permitan a los expertos conocer las anomalías que están ocurriendo en el volcán en tiempo real.

Background: Volcanoes are geological structures that generate emergency situations for those who live in their environment. The risks to which the population is exposed (earthquakes, flows, explosions, emissions of gases and ashes, etc.) cause morbidity and high mortality due to the size of large eruptions. Indirectly, volcanic events can cause socioeconomic deterioration, damage to vital transport lines and infrastructures, in general, alter the living conditions of the populations involved. For this reason, volcano monitoring is a key task to detect volcanic anomalies in real time and act accordingly. On the other hand, from the computer science we know that the automatic learning techniques have been positioned as tools to solve various real-life problems, such as classification and detection of intruders, monitoring of industrial processes, among others. These techniques have better performance when data from the a priori domain is available, where an automatic classification algorithm is trained with the data set obtaining a model capable of creating a classification or prediction with a high percentage of accuracy.

Objectives: To develop a system that allows the detection of pre-eruptive alerts from the detection of volcanic anomalies, which is able to deal with data flows coming from its monitoring stations, allowing this detection to maintain an acceptable precision.

Methods: It is proposed to use an atypical value detection algorithm that implements incremental learning so as not to store all the examples of the data flow coming from the deformation and volcanic geochemical stations and to update the model function every time changes occur. In this way, it is intended to calculate the outliers in real time and generate the respective alerts, which will be classified by experts of volcanic monitoring as the case may be.

Results: The present proposal delivered as results a series of data sets that involve vulcanological information pertaining to the areas of volcanic monitoring of geochemistry and deformation. These data were collected through inclinometry and carbon dioxide stations, located near the Puracé volcano (department of Cauca), in addition, a prototype is delivered capable of detecting in real time the different anomalies generated in the volcano.

Conclusions: The domain of application used in the present investigation showed that using the RDE algorithm (Recursive Density Estimation) in volcanic monitoring is a good option to find outliers and generate alerts that allow experts to know the anomalies that are occurring in the volcano in real time.